Un pays peut posséder des connaissances sans savoir les rendre exploitables par l’IA

Un pays peut disposer d’universités, de centres de recherche, d’administrations expérimentées, de professionnels qualifiés et d’importantes archives documentaires. Il peut produire chaque année des études, des données, des réglementations, des manuels et des méthodes techniques. Pourtant, lorsqu’une entreprise souhaite développer une application d’intelligence artificielle adaptée à un secteur, elle peut éprouver de grandes difficultés à mobiliser ce patrimoine.

Ce paradoxe mérite d’être examiné : comment un pays peut-il être riche en connaissances et, simultanément, manquer des ressources immédiatement utilisables pour construire des services intelligents ?

La réponse tient à une distinction essentielle. Posséder des connaissances ne signifie pas nécessairement savoir les identifier, les rendre accessibles, les formaliser, les qualifier et les maintenir pour des usages déterminés. C’est précisément cette capacité de transformation qui constitue l’objet de notre réflexion.

Les savoirs d’un pays ne se trouvent pas dans une seule base de données. Ils sont dispersés dans des programmes scolaires, des documents administratifs, des études scientifiques, des registres, des manuels techniques, des systèmes d’information et l’expérience des professionnels.

Une partie est explicitement documentée. Une autre réside dans les pratiques : l’enseignant qui adapte une explication, l’agronome qui interprète une situation de terrain, l’agent public qui maîtrise les exceptions d’une procédure ou le technicien qui reconnaît les signes précurseurs d’une panne.

Ces connaissances n’ont ni le même statut ni les mêmes conditions d’utilisation. Certaines font autorité, d’autres sont des observations, des interprétations ou des pratiques locales. Certaines peuvent être partagées ; d’autres sont protégées par des droits, des obligations de confidentialité ou des restrictions d’accès.

Le premier défi n’est donc pas d’accumuler indistinctement des contenus. Il consiste à déterminer quelles connaissances sont nécessaires à un usage, où elles se trouvent, qui peut les valider et dans quelles conditions elles peuvent être mobilisées.

Imaginons qu’une administration possède plusieurs centaines de textes et de procédures sous forme de PDF. Ces fichiers constituent déjà un patrimoine documentaire. Mais une application chargée d’accompagner un usager doit parfois distinguer les règles en vigueur, les conditions d’éligibilité, les pièces à fournir, les exceptions et les étapes successives d’une démarche.

Le passage du document à un service de connaissances peut exiger la qualification des sources, l’extraction fidèle des contenus, la structuration des règles, la documentation des versions et la validation par les responsables compétents.

Pour certaines questions, un dispositif de recherche documentaire augmentée, ou RAG, peut suffire. Pour d’autres, il peut être nécessaire de recourir à des données structurées, à des référentiels de concepts, à des règles explicites ou à des outils de vérification.

Il n’existe donc pas une seule forme universelle de connaissance « prête pour l’IA ». L’exploitabilité se définit toujours par rapport aux fonctions attendues, aux risques et aux exigences de qualité.

Prenons une startup qui souhaite créer un assistant capable d’aider les élèves ivoiriens à comprendre leurs exercices de mathématiques. Le programme scolaire est une source essentielle, mais il ne constitue pas à lui seul un service pédagogique complet.

Il faut déterminer les notions couvertes, les niveaux, les prérequis, les méthodes de résolution, les exercices et les critères de correction. Il peut également être utile de recueillir l’expérience des enseignants sur les erreurs fréquentes et les stratégies d’accompagnement.

Ces ressources doivent être reliées entre elles et validées. L’application devra ensuite être testée : sait-elle reconnaître une réponse correcte obtenue par une méthode différente ? Demande-t-elle une clarification lorsque l’énoncé est incomplet ? Respecte-t-elle le niveau de l’élève ?

Le modèle d’IA joue un rôle central dans la conversation et l’explication. Mais la qualité d’un service pédagogique contextualisé dépend aussi du travail réalisé sur les connaissances, les méthodes et les critères d’évaluation.

Dans les services publics, une réponse peut dépendre de la version d’un texte, du statut du demandeur ou de l’autorité compétente. Une procédure exacte à une date donnée peut devenir obsolète après une réforme.

Un assistant administratif ne doit donc pas seulement retrouver une formulation plausible. Il doit pouvoir mobiliser les références applicables, distinguer les sources officielles des synthèses explicatives et signaler les situations nécessitant une vérification humaine.

Cela suppose des compétences en analyse des procédures, en ingénierie documentaire, en formalisation des règles, en gouvernance des versions et en validation métier. La technologie d’accès aux modèles ne remplace pas ces responsabilités.

Les données et les connaissances sont étroitement liées, mais elles ne sont pas interchangeables. Une base de données peut enregistrer des observations et des transactions. Un patrimoine de connaissances peut également contenir des concepts, des méthodes, des règles, des relations, des sources et des conditions d’application.

Pour construire une application sectorielle, il faut parfois articuler plusieurs formes : documents, données structurées, référentiels, graphes de connaissances et services de vérification.

Le choix de ces représentations doit rester proportionné. Il serait inefficace de construire systématiquement une ontologie complexe lorsque des documents qualifiés suffisent. À l’inverse, un ensemble de PDF peut être insuffisant pour une application qui doit appliquer des règles précises et contrôlables.

La question déterminante est celle de l’usage : quelles connaissances faut-il mobiliser, sous quelle forme et avec quelles garanties ?

Transformer des savoirs dispersés en ressources exploitables exige une succession d’activités organisées. Il faut cadrer les besoins, inventorier les sources, acquérir les contenus, expliciter les connaissances, les structurer, les qualifier, les publier, les évaluer en situation d’utilisation et les maintenir.

Cette chaîne ne doit pas être comprise comme une suite mécanique d’étapes indépendantes. Les résultats des tests peuvent révéler une erreur de source, une règle mal formalisée ou une lacune du référentiel. Ils doivent alors conduire à des corrections en amont.

Les compétences mobilisées sont complémentaires : documentalistes, ingénieurs des connaissances, spécialistes sémantiques, ingénieurs des données, experts métier, responsables de gouvernance et évaluateurs. Selon le projet, certaines fonctions peuvent être réunies chez une même personne ou mutualisées.

Ce qui compte est la capacité collective à reproduire le travail avec une qualité maîtrisée, et non la multiplication des intitulés de poste.

Un patrimoine de connaissances peut perdre de sa valeur s’il n’est pas actualisé. Les programmes changent, les procédures évoluent, les normes sont révisées et les utilisateurs signalent de nouvelles difficultés.

Chaque modification peut affecter plusieurs ressources et applications. Corriger une règle peut imposer de réviser des fiches, de reconstruire un index, de mettre à jour une interface et de relancer des tests.

Il faut donc prévoir dès l’origine des responsables, des procédures de versionnement, des mécanismes de retrait et des moyens financiers récurrents. Une ressource produite une fois puis abandonnée n’est pas nécessairement un actif durable.

La maintenance doit être considérée comme une activité productive à part entière.

Lorsque plusieurs organisations ont besoin de connaissances comparables, certaines ressources peuvent être mutualisées. Plusieurs startups éducatives pourraient, par exemple, bénéficier de référentiels communs de programmes et de notions, tout en conservant leurs applications et leurs modèles économiques propres.

Dans l’administration, des référentiels partagés peuvent faciliter la cohérence entre services, sous réserve de règles claires de responsabilité et d’accès. Dans d’autres secteurs, des laboratoires, entreprises ou organisations professionnelles peuvent contribuer à la production de ressources communes.

Cette mutualisation ne signifie pas que toutes les connaissances doivent être centralisées ni rendues publiques. Elle peut concerner les méthodes, les outils, les compétences spécialisées ou certains produits de connaissances, selon les droits et les besoins.

Elle ouvre une réflexion sur les services communs de connaissances et leur articulation éventuelle avec les infrastructures publiques numériques. Mais toute base documentaire ou tout système RAG ne constitue pas automatiquement une infrastructure publique numérique.

Une politique de développement des compétences en IA ne peut pas être limitée à la formation de développeurs et de spécialistes des modèles. Elle peut également examiner les compétences disponibles dans les métiers documentaires, les disciplines scientifiques, les professions sectorielles et la gestion de l’information.

Il devient pertinent d’identifier les capacités déjà présentes, les compétences nécessitant une spécialisation et les expertises avancées qui manquent. Des parcours hybrides peuvent permettre à des enseignants, juristes, agronomes, statisticiens ou documentalistes de participer à des projets d’IA sans abandonner leur métier d’origine.

Cette démarche suppose un diagnostic empirique. La cartographie conceptuelle proposée dans le manuscrit « Les compétences invisibles de l’intelligence artificielle » constitue une grille de lecture, non une mesure déjà réalisée de la disponibilité des compétences en Côte d’Ivoire.

Elle invite également à considérer les organisations et les processus : un pays peut disposer de personnes qualifiées sans avoir encore constitué des équipes, des dispositifs de production et des mécanismes de gouvernance capables de les mobiliser efficacement.

La production de connaissances exploitables par l’IA peut également ouvrir des possibilités d’activité économique : préparation de corpus, formalisation des savoirs métier, conception de référentiels sémantiques, évaluation d’assistants, gouvernance et maintenance.

Des entreprises spécialisées, des cabinets, des laboratoires ou des consortiums pourraient proposer ces prestations à des organisations qui ne disposent pas de toutes les compétences en interne.

Il s’agit d’une hypothèse de développement économique qui doit être confrontée aux besoins réels, à la demande solvable, aux coûts de production et aux conditions de concurrence. Elle ne doit pas être présentée comme la preuve qu’un marché national structuré existe déjà.

Son intérêt est néanmoins de montrer que la valeur économique de l’IA peut se créer aussi en amont des applications, dans la production et l’entretien de connaissances fiables.

Le véritable enjeu n’est pas de prétendre qu’un pays manque de connaissances parce qu’il ne possède pas encore une base unique qui les rassemble. Il est de comprendre pourquoi des savoirs abondants peuvent rester difficiles à mobiliser pour des usages numériques précis.

Les connaissances existent dans les institutions, les professions, les documents et les pratiques. Leur transformation en ressources utilisables par l’IA exige des compétences, des méthodes, des responsabilités et des mécanismes de maintenance.

Les modèles et infrastructures techniques demeurent indispensables. Mais, pour de nombreux usages sectoriels, la capacité à organiser les connaissances constitue un complément déterminant.