La promesse de l'intelligence artificielle de transformer les résultats du développement a suscité un vif intérêt dans le secteur du développement international. De la prédiction des épidémies à l'optimisation des rendements agricoles, les applications potentielles sont innombrables. Mais si des décennies d'interventions technologiques dans les pays à revenu faible et intermédiaire nous ont appris quelque chose, c'est que le potentiel seul ne se traduit pas par un impact durable. Le succès ou l'échec des innovations dépend de la manière dont nous intégrons les nouveaux outils aux systèmes existants et dont ces outils soutiennent les organisations qui œuvrent à la réduction de la pauvreté.

Chez Innovations for Poverty Action (IPA), nous avons consacré plus de 20 ans à tester des solutions efficaces pour lutter contre la pauvreté. Un constat s'impose : les innovations technologiques ponctuelles, aussi prometteuses soient-elles, engendrent rarement un changement durable à elles seules. Le cimetière des technologies de développement regorge de projets pilotes prometteurs au départ, mais jamais déployés à plus grande échelle ; d'applications mobiles lancées en grande pompe, mais restées inutilisées ; et de plateformes numériques qui se sont effondrées faute de financement.

Les propres recherches d'IPA l'illustrent. Nous avons évalué les 180 millions de dollars du Pérou un investissement Nous avons déployé des ordinateurs portables dans 318 écoles primaires et constaté des effets nuls ou négatifs sur les résultats d'apprentissage. Nous avons testé formation aux TIC Nous avons mené une étude auprès de plus de 1 100 jeunes Kenyans et n'avons constaté aucune augmentation de l'emploi ni des revenus lorsque la formation n'était pas intégrée au système du marché du travail. Nous avons mesuré services d'argent mobile Dans trois pays, des taux d'échec de transactions atteignant 39 % ont été constatés, malgré une technologie fonctionnelle. Le constat est sans appel : le potentiel seul ne suffit pas à garantir l'impact.

La différence entre l'échec et le progrès ne réside pas dans la sophistication de la technologie, mais dans la capacité du système à intégrer l'intervention et à la soutenir.

C’est pourquoi l’approche d’IPA en matière d’IA vise à renforcer les systèmes. Nous produisons des données probantes à chaque étape du cycle de vie d’une intervention : exploration, projet pilote, test, transition et déploiement à grande échelle. Pour des améliorations durables, il est indispensable de collaborer avec les pouvoirs publics, de co-concevoir les solutions, de développer les capacités locales, d’améliorer l’infrastructure de données et de veiller à ce que les nouveaux outils s’intègrent aux processus décisionnels existants. Une IA qui ignore ces principes fondamentaux peut paraître impressionnante, mais elle ne produira pas de résultats durables.

Associer les algorithmes à l'action

Prenons l'exemple des systèmes éducatifs des pays en développement. Aux Philippines, environ 40 % des élèves entrant en première année quittent l'école avant la fin de la dixième année. Dans l'enseignement supérieur, le taux d'abandon scolaire national est de 39 %, certaines régions atteignant même 93 %. Ces chiffres représentent des millions de jeunes dont l'avenir est compromis par une scolarité incomplète.

À travers notre Programme de laboratoire de preuves intégréesIPA soutient le laboratoire du ministère de l'Éducation des Philippines (DepEd) dans l'utilisation de l'apprentissage automatique pour prédire quels élèves présentent le risque le plus élevé de décrochage scolaire. Mais il ne s'agit pas simplement de déployer un algorithme. Le projet vise à remédier aux faiblesses de l'infrastructure de données du système éducatif, à améliorer la gestion des inscriptions et à former le personnel gouvernemental à l'interprétation et à l'exploitation des résultats des modèles. Nous co-développons avec le DepEd des systèmes que le gouvernement possédera et exploitera à long terme, et non des outils externes nécessitant un soutien continu de la part d'IPA.

Une prédiction n'a de valeur que si elle permet d'agir. Sans renforcer la capacité du système à réagir grâce à de meilleures données, un personnel formé et des processus intégrés, même les prédictions les plus parfaites restent vaines. Notre partenariat de vingt ans avec le ministère de l'Éducation (DepEd), dans le cadre duquel nous soutenons son forum national « Research O'clock » et renforçons les systèmes de suivi et d'évaluation, illustre parfaitement cette approche. L'objectif n'est pas une démonstration technique impressionnante, mais bien de renforcer la capacité du gouvernement à réduire le décrochage scolaire grâce à un soutien proactif aux élèves vulnérables.

Rassembler une meilleure information et une infrastructure plus solide

Ce même raisonnement guide notre travail de protection des consommateurs dans le secteur des services financiers numériques. Dans les pays à revenu faible et intermédiaire, le paiement mobile, le crédit numérique et la microassurance élargissent l'accès à ces services pour des populations auparavant exclues. Mais cette promesse repose sur la compréhension, par les consommateurs, des coûts et des risques réels des différents produits ; or, ces informations sont souvent dispersées, incohérentes, voire délibérément dissimulées.

d'IPA Initiative de recherche sur la protection des consommateurs utilise l'IA pour collecter et analyser les données d'institutions financières dans 18 pays, transformant ainsi des informations tarifaires fragmentées en données structurées et comparables. Nous avons partagé cela sur Tarification des services financiers numériques grâce à des visualisations interactives. Mais l'IA n'est qu'un élément parmi d'autres.

Aux Philippines, nous avons collaboré avec Bangko Sentral ng Pilipinas (la Banque centrale) en utilisant des outils d'IA pour transparence des audits et redresser tout en participant à l'élaboration de modèles de rapports qui deviendront des exigences réglementaires standard. Au Nigéria, Le laboratoire de données probantes de l'IPA avec la Banque centrale Nous utilisons l'analyse des données des réseaux sociaux pour surveiller les plaintes des consommateurs et les pratiques commerciales. Au Kenya, notre collaboration avec l'Autorité de la concurrence a permis d'appliquer l'apprentissage automatique à des données de marché à grande échelle, contribuant ainsi à l'élaboration de politiques de protection des consommateurs qui touchent des dizaines de millions de personnes. En Ouganda, la Commission des communications a utilisé la modélisation prédictive et le traitement automatique du langage naturel pour analyser les tendances en matière de plaintes et a depuis intégré notre approche de surveillance à ses rapports réguliers sur la protection des consommateurs. Nous ne formulons pas de recommandations aux gouvernements. Nous construisons ensemble une infrastructure réglementaire que nos partenaires s'approprieront et exploiteront une fois notre intervention terminée.

Ce travail couvre l'ensemble du processus, de la collecte de données probantes à leur mise à l'échelle : l'IA qui extrait les données de prix, les produits co-développés avec les organismes de réglementation, les essais randomisés visant à déterminer si la transparence influence les décisions des consommateurs (comme notre étude). étude comparative de crédit avec la banque centrale du Mexique), l'impact mesuré sur l'inclusion financière et les systèmes réglementaires qui maintiennent la protection des consommateurs après la transition du rôle de l'IPA.

L'IPA explore des approches similaires pour aider les gouvernements à mieux exploiter leurs propres recherches. Nous collaborons avec des partenaires en Afrique et en Amérique latine afin de créer des systèmes de connaissances consultables regroupant les recherches, les données et les rapports d'évaluation gouvernementaux. Au lieu de laisser des preuves précieuses éparpillées sur des disques durs et dans des classeurs, un système de recherche basé sur l'IA permettrait aux décideurs politiques de trouver rapidement les recherches pertinentes, d'identifier des tendances entre les études et de s'appuyer sur les connaissances accumulées pour prendre leurs décisions.

Cela révèle un défi plus vaste : le problème ne réside souvent pas dans le manque de données probantes, mais dans l’impossibilité d’y accéder au moment de la prise de décision. Les gouvernements aux ressources limitées mènent des recherches approfondies, mais la mémoire institutionnelle est fragile, le roulement du personnel est important et trouver les données pertinentes au bon moment s’avère complexe. Les systèmes de connaissances basés sur l’IA peuvent remédier à ce problème, à condition d’être conçus en tenant compte des contraintes gouvernementales, mis en œuvre grâce à des partenariats permettant le transfert de compétences aux équipes gouvernementales et intégrés aux processus existants.

Pourquoi l'IA doit être fondée sur des preuves

À mesure que les capacités de l'IA progressent, les acteurs du développement et les décideurs politiques sont confrontés à des choix importants quant à leur engagement. La tentation de privilégier les démonstrations spectaculaires est forte. Cependant, l'expérience montre qu'un impact durable exige un travail de longue haleine : co-conception, renforcement des infrastructures de données, développement des capacités locales, intégration des outils aux processus existants et accompagnement des gouvernements pour une utilisation plus efficace des données probantes.

Le secteur du développement a réalisé d'importants progrès dans l'évaluation de l'IA. Cadre d'évaluation de l'IA Développée par le Center for Global Development, The Agency Fund et J-PAL, cette approche à quatre niveaux permet d'évaluer l'efficacité des modèles d'IA, l'engagement des utilisateurs, l'impact des interventions sur les comportements et l'amélioration des résultats en matière de développement. Depuis plus de 20 ans, IPA contribue à cet ensemble de données probantes et continue d'adapter ses méthodes aux interventions basées sur l'IA. En Tanzanie, par exemple, nous menons une évaluation randomisée visant à déterminer si les femmes entrepreneures bénéficient de conseils d'affaires basés sur l'IA et dispensés par un système de réponse vocale interactive.

Mais la contribution d'IPA va bien au-delà des évaluations individuelles. Nous réunissons des experts sectoriels, des équipes de recherche et de politiques publiques, ainsi que des bureaux de pays en Afrique, en Asie et en Amérique latine, ce qui nous permet de traduire les évaluations de l'IA en référentiels adaptés aux contextes locaux. Nous pouvons ainsi intégrer l'évaluation aux systèmes : renforcer la prise de décision fondée sur les données, les capacités institutionnelles et les infrastructures qui permettent aux solutions de se déployer à plus grande échelle, au-delà des projets pilotes.

d'IPA Approche d'apprentissage par étapes Cette méthodologie génère des enseignements à chaque étape, de l'exploration à la mise à l'échelle, en mesurant non seulement l'efficacité de la technologie, mais aussi la capacité des systèmes de mise en œuvre à produire des résultats de manière fiable. Elle s'appuie sur vingt ans d'expérience documentant les réussites et les échecs des projets construits sur des bases solides.

Les organisations qui parviennent à exploiter l'IA au service du développement considéreront la technologie comme une composante du renforcement des systèmes, investiront dans le renforcement des capacités parallèlement au déploiement technique et mesureront le succès non pas par la performance algorithmique, mais par la capacité des gouvernements à devenir plus efficaces et les résultats du développement plus équitables.