Stratégie nationale IA : quels professionnels faut-il réellement former ?

Une stratégie nationale d’intelligence artificielle accorde naturellement une place importante à la formation. Les développeurs, ingénieurs logiciels, scientifiques des données et spécialistes de l’apprentissage automatique sont nécessaires pour concevoir et déployer des systèmes performants. Pourtant, un pays peut former davantage de professionnels dans ces domaines et rencontrer encore des difficultés à construire des applications adaptées à l’éducation, à l’agriculture, à l’administration ou à l’industrie.

Pourquoi ? Parce que le développement d’une application sectorielle ne dépend pas uniquement du modèle et de son infrastructure. Il peut aussi nécessiter de recueillir des connaissances métier, de les organiser, de formaliser des règles, de vérifier les sources et de contrôler les réponses produites.

La question stratégique ne se réduit donc pas à « Combien de spécialistes de l’IA devons-nous former ? ». Elle devient : « Quelles fonctions doivent être assurées pour produire des applications utiles, et quelles compétences faut-il développer pour les couvrir ? »

Imaginons qu’une startup ivoirienne souhaite développer un assistant capable d’aider les élèves à résoudre des exercices de mathématiques. Elle peut mobiliser un modèle généraliste, des développeurs et une infrastructure d’hébergement. Un premier prototype peut fonctionner sans constitution préalable d’un patrimoine documentaire complet.

Mais si l’application doit respecter les programmes applicables, adapter ses explications au niveau scolaire, utiliser des exercices validés et détecter certaines erreurs fréquentes, d’autres fonctions deviennent importantes. Il faut qualifier les programmes et les ressources, expliciter des méthodes pédagogiques, structurer les notions, organiser les validations et concevoir des tests représentatifs.

Ces activités font intervenir des enseignants, des documentalistes, des ingénieurs des connaissances, des spécialistes des données et des évaluateurs. Les profils peuvent se recouper ; ils ne correspondent pas nécessairement à autant de postes distincts. Cet exemple montre surtout pourquoi une politique de formation limitée aux seuls métiers techniques laisserait certaines fonctions insuffisamment couvertes.

Le référentiel conceptuel « 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 des connaissances ; évaluation des systèmes d’IA métier.

Cette classification n’est pas une nomenclature officielle des métiers et ne prétend pas décrire toutes les compétences de l’écosystème IA. Elle vise à rendre visibles des capacités complémentaires qui contribuent à transformer les savoirs sectoriels en ressources exploitables.

Elle permet de poser des questions concrètes : qui sait construire un corpus fiable ? Qui sait formaliser une procédure ? Qui peut représenter des relations entre notions ? Qui valide les connaissances ? Qui organise leur maintenance ? Qui sait déterminer si l’application les utilise correctement ?

Une stratégie de développement des compétences gagne à partir des cas d’usage prioritaires. Pour chaque application envisagée, il faut identifier les activités nécessaires, leur niveau de complexité et les responsabilités à couvrir. Ce n’est qu’ensuite que l’on peut déterminer les profils et les parcours de formation pertinents.

Cette démarche évite deux écueils. Le premier consiste à multiplier les intitulés de métiers nouveaux sans vérifier les besoins réels. Le second consiste à supposer qu’un même profil « expert IA » peut assurer toutes les tâches, de la préparation des sources à la validation métier.

Les exigences diffèrent fortement selon les secteurs. Un assistant documentaire simple ne requiert pas les mêmes compétences qu’un système d’aide à la décision soumis à des règles strictes. La formation doit donc être proportionnée aux usages et aux risques.

Les compétences utiles à l’IA ne sont pas toutes à créer. Des documentalistes maîtrisent déjà les méthodes de classement, de provenance et de qualification des sources. Des statisticiens savent structurer des données, contrôler leur qualité et construire des dispositifs d’évaluation. Des enseignants et des experts métier savent définir des méthodes, des critères de réussite et des conditions d’application.

Ces savoir-faire ne suffisent pas toujours à intervenir immédiatement dans un projet d’IA. Ils peuvent néanmoins constituer une base solide pour des spécialisations complémentaires : préparation de corpus pour RAG, formalisation de connaissances, gouvernance de référentiels ou évaluation de réponses générées.

Un diagnostic national devrait donc distinguer les compétences disponibles, les compétences démontrées, les compétences mobilisables et celles qui exigent un approfondissement. Il serait imprudent de déduire leur disponibilité réelle de la seule existence de diplômes ou d’intitulés de postes.

La première voie est la spécialisation technique. Elle concerne notamment l’architecture des données et des connaissances, les systèmes de recherche, les représentations sémantiques, les outils de vérification et l’évaluation des applications. Elle prolonge des formations en informatique, mathématiques et ingénierie.

La deuxième voie est l’hybridation métier–IA. Elle permet à des enseignants, juristes, agronomes, professionnels de santé ou spécialistes administratifs d’acquérir les méthodes nécessaires pour expliciter, structurer et valider les connaissances de leur domaine. Elle ne vise pas à transformer tous ces experts en développeurs.

La troisième voie concerne l’organisation et la gouvernance : pilotage des patrimoines de connaissances, qualité, provenance, droits, gestion des versions, coordination interdisciplinaire et maintenance. Elle répond à un besoin de continuité que la seule formation technique ne couvre pas.

Ces trois voies peuvent prendre la forme de modules courts, de spécialisations universitaires, de formations continues ou de parcours fondés sur des projets. Elles sont proposées ici comme orientations d’analyse, non comme cursus officiellement annoncés.

Une formation consacrée aux compétences invisibles devrait donner une place importante aux réalisations observables. Savoir définir l’ingénierie des connaissances est utile ; être capable de produire un référentiel vérifiable à partir de sources hétérogènes constitue une preuve plus forte de maîtrise.

Un projet pédagogique peut réunir plusieurs étudiants autour d’un corpus limité : identifier les sources, documenter les droits, formaliser des notions, construire des tests et évaluer un assistant. Un projet administratif peut porter sur une procédure précise, avec validation par les responsables compétents.

Les résultats devraient inclure non seulement une démonstration applicative, mais aussi les sources, les représentations, les critères d’évaluation, les anomalies et les limites. Cette approche favorise l’apprentissage interdisciplinaire et la constitution de portfolios professionnels.

Le développement de nouveaux parcours suppose des personnes capables de les concevoir et de les évaluer. Les établissements d’enseignement supérieur et les organismes de formation peuvent avoir besoin de renforcer leurs propres compétences en ingénierie des connaissances, en pédagogie de projet et en évaluation des systèmes IA.

Les formateurs doivent notamment savoir distinguer l’usage efficace d’un outil de la compréhension méthodologique. Un étudiant peut produire une ontologie ou un corpus avec l’aide d’un modèle de langage ; il doit néanmoins pouvoir justifier les choix, repérer les erreurs et corriger les résultats.

Le référentiel de travail distingue quatre niveaux : compréhension, pratique opérationnelle, expertise spécialisée, puis architecture et innovation. Ces niveaux peuvent guider la progression pédagogique, sans constituer à ce stade un dispositif officiel de certification.

Les compétences nécessaires se développent difficilement dans des formations entièrement séparées des usages. Les universités peuvent contribuer aux méthodes et à la recherche ; les entreprises peuvent proposer des cas réels ; les administrations peuvent mettre à disposition, dans des conditions autorisées, des besoins métier et des ressources de référence.

Des projets pilotes interdisciplinaires peuvent servir de lieux d’apprentissage et de validation. Ils doivent prévoir une gouvernance des données, des droits et des responsabilités, ainsi que des critères de qualité établis avant les expérimentations.

Ces coopérations peuvent aussi faire apparaître des besoins de prestations spécialisées : préparation de corpus, modélisation sémantique, validation sectorielle ou évaluation des assistants. Leur viabilité économique doit cependant être étudiée et ne peut être présumée.

Une personne formée ne constitue pas, à elle seule, une capacité productive. Pour produire durablement des patrimoines de connaissances, il faut également des organisations, des processus, des outils, des responsabilités et des budgets de maintenance.

Une équipe peut réunir toutes les compétences nécessaires sans disposer des droits d’accès aux sources ou de l’autorité pour valider les résultats. Inversement, une plateforme technique peut rester sous-utilisée si les experts métier et les responsables de gouvernance ne sont pas mobilisés.

Une stratégie nationale doit donc articuler formation, organisation du travail, projets pilotes, accès aux ressources et mécanismes de coopération. C’est le passage des compétences individuelles aux capacités collectives qui détermine la possibilité de reproduire les résultats dans plusieurs secteurs.

Il serait coûteux de chercher à développer simultanément toutes les spécialisations à un niveau avancé. Une démarche progressive pourrait commencer par quelques cas d’usage clairement définis et des diagnostics de compétences associés.

Pour chaque pilote, les responsables pourraient identifier les fonctions critiques, les compétences déjà disponibles, les lacunes et les possibilités de mutualisation. Ils pourraient ensuite expérimenter des formations ciblées, observer les productions et ajuster les parcours.

La priorisation doit tenir compte de la demande réelle, des risques, des coûts et de la possibilité de réutiliser les méthodes. Les compétences rares ou coûteuses, comme certaines expertises en architecture sémantique ou en évaluation spécialisée, peuvent parfois être mutualisées entre plusieurs projets.

Le nombre d’inscrits, d’heures de formation ou de certificats délivrés constitue une information utile, mais ne suffit pas à mesurer la capacité d’un pays à développer des applications IA sectorielles.

Une évaluation plus complète pourrait examiner les compétences démontrées, les équipes constituées, les corpus qualifiés, les référentiels produits, les projets effectivement testés, les anomalies corrigées et la maintenance organisée.

Ces indicateurs doivent être définis avec prudence. Le volume de documents traités ne prouve pas leur qualité ; le nombre d’applications lancées ne garantit pas leur utilité. La mesure doit relier les compétences aux productions et, lorsque cela est possible, aux effets réels des services.

Pour la Côte d’Ivoire, cette réflexion invite à élargir la manière d’aborder les compétences nécessaires au développement de l’intelligence artificielle. Les universités, les centres de recherche, les entreprises, les administrations et les professions sectorielles disposent de ressources humaines qui méritent d’être examinées au regard des fonctions de production des connaissances.

Il ne s’agit pas d’affirmer qu’un diagnostic national a déjà établi les effectifs disponibles ou les besoins de formation. Il s’agit de proposer une grille de lecture pour conduire ce travail, identifier les complémentarités et concevoir des expérimentations pertinentes.

Une telle approche pourrait contribuer à relier les politiques de formation aux projets d’IA réellement envisagés, tout en ouvrant des perspectives aux professionnels qui ne se reconnaissent pas spontanément dans les métiers informatiques.

Le développement des compétences nationales en intelligence artificielle ne doit pas opposer les ingénieurs des modèles aux experts des connaissances. Les premiers construisent des capacités technologiques indispensables ; les seconds contribuent à rendre ces capacités pertinentes, contextualisées et vérifiables dans les domaines d’application.

Former pour l’IA, c’est donc aussi apprendre à identifier les sources, expliciter les savoirs, structurer les règles, gouverner les patrimoines et évaluer les réponses. C’est reconnaître les métiers existants, créer des passerelles entre disciplines et organiser leur coopération.