Comment mesurer la capacité d’un pays à produire des connaissances pour l’IA ?

Un pays compte des informaticiens, des enseignants, des statisticiens, des documentalistes, des juristes et des chercheurs. Ses institutions conservent des documents, des données et des savoir-faire. Pourtant, lorsqu’une startup veut créer un assistant pédagogique ou qu’une administration envisage un service d’IA spécialisé, il peut être difficile de trouver une équipe capable de préparer, valider et maintenir les connaissances nécessaires.

Comment mesurer cette difficulté ? Le nombre de diplômés en informatique ne suffit pas. Le nombre de centres de données non plus. Il faut apprécier la capacité effective à transformer des savoirs dispersés en ressources exploitables par les systèmes d’intelligence artificielle.

Cet article propose un cadre de diagnostic national. Il ne présente pas les résultats d’une enquête déjà réalisée en Côte d’Ivoire ; il décrit ce qu’il faudrait observer, vérifier et mesurer pour établir un état des lieux crédible.

Nous entendons ici par capacité nationale de production de connaissances pour l’IA l’ensemble des compétences, organisations, méthodes, outils et mécanismes de gouvernance qui permettent de constituer et d’entretenir des ressources de connaissances adaptées à des usages d’intelligence artificielle.

Cette capacité est répartie entre plusieurs acteurs. Elle peut se trouver dans des universités, des administrations, des entreprises, des laboratoires, des prestataires spécialisés ou des équipes projet. Elle n’exige pas nécessairement une structure nationale centralisée.

Elle ne se confond ni avec la disponibilité générale des connaissances dans un pays ni avec sa capacité à développer des modèles d’IA. Ces dimensions sont liées, mais doivent être examinées séparément.

Le manuscrit « Les compétences invisibles de l’intelligence artificielle » propose huit familles fonctionnelles : ingénierie documentaire, ingénierie des connaissances, ingénierie ontologique et sémantique, ingénierie des données, ingénierie cognitive, ingénierie pédagogique et sectorielle, curation et gouvernance, évaluation des systèmes d’IA métier.

Pour chaque famille, un diagnostic devrait rechercher les compétences observables, les niveaux de maîtrise et les possibilités réelles de mobilisation. Il ne suffit pas de demander à une personne si elle connaît un outil : il faut examiner ce qu’elle sait produire et contrôler.

Des portfolios, des exercices pratiques, des entretiens et des réalisations professionnelles peuvent fournir des preuves. Il faut également distinguer les compétences déclarées, les compétences démontrées et les compétences disponibles pour des projets.

Des professionnels compétents peuvent être présents sans travailler ensemble. Le diagnostic doit donc examiner les équipes et unités qui savent conduire une chaîne de production : cadrer un besoin, qualifier des sources, expliciter des savoirs, structurer des ressources, valider, publier, évaluer et maintenir.

Les organisations peuvent être classées selon leurs fonctions réellement exercées, leur stabilité, leurs responsabilités et leurs résultats. Une équipe projet ponctuelle, un laboratoire spécialisé et un service mutualisé ne possèdent pas nécessairement les mêmes capacités.

Le nombre d’organisations recensées ne doit pas être interprété comme une mesure suffisante de maturité. Il faut observer leurs méthodes, leurs livrables, leurs moyens et leur expérience.

Le volume de documents détenus par une institution n’indique pas directement leur exploitabilité par l’IA. Un diagnostic doit apprécier la couverture des besoins, la qualité des sources, la structuration, la provenance, les droits et les conditions d’accès.

Il peut distinguer les ressources simplement inventoriées, les corpus qualifiés, les référentiels structurés et les produits effectivement publiés pour des applications. Ces états ne constituent pas une progression obligatoire : la représentation adaptée dépend de l’usage.

Il faut éviter de comptabiliser plusieurs fois les mêmes ressources lorsqu’elles sont copiées ou indexées dans différents systèmes. Les patrimoines confidentiels ne doivent pas être supposés inexistants parce qu’ils ne sont pas publiquement accessibles.

Une capacité productive repose sur des procédures reproductibles : registres de sources, conventions de métadonnées, fiches de connaissances, workflows de validation, gestion des versions, protocoles d’évaluation et mécanismes de correction.

Le diagnostic doit aussi examiner les outils : extraction documentaire, catalogues, systèmes de recherche, graphes, interfaces de données, dispositifs de contrôle et services de publication.

La présence d’un outil ne prouve pas son usage effectif. Il faut distinguer les équipements disponibles, les fonctions opérationnelles et les services réellement utilisés par plusieurs projets.

Un patrimoine de connaissances peut perdre rapidement de sa valeur si les sources changent sans être actualisées. Le diagnostic doit rechercher qui valide les contenus, qui autorise leur diffusion, qui traite les anomalies et qui finance la maintenance.

Il faut examiner les droits d’utilisation, les responsabilités, les mécanismes de suspension, les versions et la traçabilité. Une ressource publiée sans responsable identifiable présente un risque particulier lorsqu’elle est réutilisée par plusieurs applications.

La qualité de la gouvernance ne se mesure pas seulement au nombre de politiques écrites. Elle se vérifie dans les décisions, les incidents traités et les procédures effectivement appliquées.

Un système peut disposer d’un corpus bien structuré et produire malgré tout des réponses inexactes. Le diagnostic national doit donc apprécier la capacité des organisations à concevoir des jeux de tests, définir des critères métier et analyser les défaillances.

Les preuves possibles comprennent des protocoles documentés, des résultats reproductibles, des rapports d’anomalies et des tests de non-régression. Il faut distinguer la validation du patrimoine de connaissances de l’évaluation de l’application qui l’utilise.

Les résultats de tests ne doivent pas être comparés sans examiner les tâches, les jeux d’évaluation et les niveaux de difficulté. Un score élevé sur quelques scénarios simples ne prouve pas une fiabilité générale.

Une première famille d’indicateurs pourrait porter sur les compétences démontrées par domaine et niveau, ainsi que sur la disponibilité des experts. Une deuxième concernerait les équipes ayant réalisé des produits de connaissances vérifiables.

Une troisième famille décrirait les patrimoines qualifiés : couverture des besoins, proportion de ressources disposant d’une provenance, statut de validation et responsable de maintenance. Une quatrième porterait sur les processus : délais de correction, versions suivies, services réutilisés et tests exécutés.

Ces indicateurs doivent être définis avant la collecte, avec leurs unités, périmètres, exclusions et sources. Les valeurs manquantes ne doivent pas être interprétées comme des zéros. Les chiffres agrégés doivent rester accompagnés d’informations sur leur couverture et leur fiabilité.

Une moyenne nationale peut masquer de fortes disparités. Les besoins et les compétences diffèrent entre éducation, agriculture, santé, administration, industrie ou justice. Ils peuvent aussi varier selon les territoires et la taille des organisations.

Le diagnostic devrait donc prévoir une lecture sectorielle et, lorsque les données le permettent, territoriale. Il doit distinguer les compétences génériques mobilisables dans plusieurs domaines des validations qui exigent une expertise sectorielle particulière.

Cette désagrégation doit rester compatible avec la confidentialité des organisations et des professionnels. Une enquête ne devrait pas exposer des informations sensibles sous prétexte de cartographier les compétences.

Une démarche progressive pourrait commencer par définir les usages prioritaires et les compétences correspondantes. Elle poursuivrait avec une cartographie des institutions, entreprises, laboratoires, formations et prestataires susceptibles de contribuer à la chaîne de production.

Une enquête documentée recueillerait ensuite les compétences déclarées, les équipes, les ressources et les méthodes. Un échantillon d’organisations pourrait faire l’objet de vérifications approfondies : examen de livrables, entretiens, mises en situation et observation de processus.

Enfin, des projets pilotes permettraient de confronter les capacités recensées aux difficultés réelles de production. Le diagnostic ne serait consolidé qu’après vérification des définitions, des doublons, de la couverture et des biais de sélection.

Pour faciliter la lecture des résultats, on pourrait distinguer quatre états organisationnels : capacité émergente, capacité opérationnelle ponctuelle, capacité structurée et maintenue, capacité reproductible et mutualisable.

Ces états sont proposés comme un outil de diagnostic, non comme une norme officielle. Ils ne doivent pas devenir un classement simpliste des organisations : une structure spécialisée peut être très performante sur un périmètre limité sans chercher à fournir des services mutualisés.

Une grille de maturité crédible doit préciser les preuves attendues à chaque niveau et permettre de signaler les dimensions non évaluées.

Une fois les lacunes identifiées, plusieurs réponses sont possibles. Certaines compétences peuvent être renforcées par la formation continue. D’autres nécessitent des spécialisations universitaires, des projets interdisciplinaires ou des partenariats avec des experts déjà en activité.

Il peut également être plus efficace de mutualiser des compétences rares plutôt que de tenter de les reproduire dans chaque organisation. Dans certains cas, les difficultés proviennent moins d’un manque de professionnels que de l’absence de méthodes, de responsabilités ou de moyens de maintenance.

Le diagnostic doit donc relier chaque insuffisance observée à une action possible, à ses coûts et à des indicateurs de progrès. Former davantage de personnes n’est pas toujours la seule réponse.

Un exercice expérimental pourrait porter sur un patrimoine de connaissances limité à quelques notions de mathématiques du secondaire. Il mobiliserait des enseignants, des documentalistes, des ingénieurs des connaissances, des développeurs et des évaluateurs.

Le pilote permettrait d’observer les compétences disponibles, les temps de production, les difficultés d’accès aux sources, la qualité des ressources, les validations nécessaires et les résultats des tests.

Il serait alors possible d’identifier des besoins concrets : formation à l’explicitation des savoirs, outillage documentaire, conventions de métadonnées, expertise de validation ou méthodes d’évaluation. Les enseignements ne devraient pas être extrapolés à l’ensemble du pays sans enquête complémentaire.

Une cartographie des compétences ne démontre pas automatiquement l’existence d’un marché solvable pour des cabinets spécialisés. Un inventaire des ressources ne prouve pas que leur mutualisation serait économiquement avantageuse. Une enquête auprès d’organisations volontaires ne représente pas nécessairement l’ensemble du tissu national.

Il faut également éviter de confondre le nombre de personnes formées avec la capacité réellement mobilisable, ou le nombre d’outils installés avec leur utilisation effective.

Le diagnostic doit expliciter ses limites, ses hypothèses et les données qui restent à collecter. Sa valeur tient autant à la qualité de ses preuves qu’à la lisibilité de ses conclusions.

Le développement des capacités nationales en intelligence artificielle ne peut pas être apprécié uniquement à partir des infrastructures, des modèles accessibles ou des effectifs formés aux métiers informatiques.

Pour de nombreux usages sectoriels, il faut également savoir si le pays dispose de professionnels, d’organisations et de méthodes capables de transformer ses connaissances en ressources fiables, structurées et maintenables.

Mesurer cette capacité suppose de dépasser les déclarations et de rechercher des preuves : compétences démontrées, patrimoines qualifiés, processus opérationnels, responsabilités établies et applications évaluées.