Intelligence artificielle : l’Afrique n’aura pas de raccourci sans électricité, données et puissance de calcul

L’intelligence artificielle a réactivé une vieille promesse adressée à l’Afrique : celle du saut technologique. Le continent aurait manqué certaines étapes de l’industrialisation, mais pourrait rejoindre les économies avancées en adoptant directement les outils les plus récents. La téléphonie mobile a rendu cette idée crédible. Là où les lignes fixes étaient rares, le mobile a créé un marché de masse; là où les agences bancaires étaient clairsemées, le paiement par téléphone a élargi l’accès aux services financiers.

L’analogie est séduisante, mais incomplète. Un modèle d’IA n’est pas une application légère. Il dépend de centres de données énergivores, de processeurs coûteux, d’une connectivité stable et d’immenses volumes d’information. L’entraîner, l’adapter et le déployer supposent une chaîne physique. Un hôpital peut recevoir un logiciel de diagnostic; si ses dossiers ne sont pas numérisés, si la connexion tombe et si l’appareil d’imagerie est en panne, l’algorithme reste une démonstration.

Le débat africain sur l’IA gagnerait donc à commencer non par la taille du marché mondial, mais par une question plus simple : quel problème productif voulons-nous résoudre, avec quelles infrastructures et avec quelles données ? La stratégie continentale adoptée par l’Union africaine en juillet 2024 pose les principes d’une approche centrée sur le développement et la gouvernance. Le passage du principe à la productivité est désormais le vrai chantier.

Une promesse réelle, mais conditionnelle

Les estimations macroéconomiques sont impressionnantes. La GSMA a avancé que l’IA pourrait ajouter 2 900 milliards de dollars à l’économie africaine d’ici à 2030, soit l’équivalent d’environ trois points de produit intérieur brut par an. En juillet 2026, le Fonds monétaire international estimait, selon Reuters, que l’IA pourrait relever la production de l’Afrique subsaharienne d’environ 4 % sur la décennie si les pays amélioraient simultanément l’électricité, l’internet et les compétences ; sans ces réformes, le gain ne serait que de 0,2 %.

Il faut lire ces chiffres comme des scénarios, non comme des prévisions. Ils mesurent un écart entre deux trajectoires. Cet écart est le message : la technologie récompense les capacités préexistantes. Une entreprise qui possède des données propres, des processus documentés et des salariés formés automatise plus vite. Une administration où les dossiers sont dispersés sur papier ne devient pas intelligente parce qu’elle achète une licence.

Les usages les plus utiles sont parfois modestes. Une coopérative peut mieux prévoir une maladie végétale ; un distributeur réduire ses ruptures de stock ; une banque repérer des transactions frauduleuses ; un centre d’appels traduire et résumer les échanges ; un service des impôts classer les dossiers à risque. Dans chacun de ces cas, l’IA complète un processus. Elle ne remplace ni la donnée d’entrée, ni la responsabilité humaine, ni le service de base.

Cette perspective protège de deux excès. Le premier est l’enthousiasme solutionniste, qui cherche un problème à chaque nouvel outil. Le second est le fatalisme, selon lequel l’Afrique arriverait trop tard. Le continent peut tirer de grands gains de l’adoption, même sans entraîner un modèle de frontière. Mais il doit choisir où la dépendance est acceptable et où une capacité locale est stratégique.

Le kilowattheure avant le paramètre

La révolution de l’IA est souvent décrite en nombres de paramètres ou de processeurs. Elle devrait aussi l’être en mégawatts. L’Agence internationale de l’énergie estime que la consommation électrique mondiale des centres de données pourrait passer d’environ 460 térawattheures en 2024 à près de 945 térawattheures en 2030. Cette croissance met sous tension des réseaux bien plus robustes que ceux de nombreuses économies africaines.

Le continent cumule deux besoins : électrifier les populations et accueillir une économie numérique plus gourmande. Près de 600 millions d’Africains vivent encore sans accès à l’électricité. Les investissements énergétiques sont en outre très inégalement répartis : l’Afrique du Sud et l’Afrique du Nord, qui représentent moins d’un cinquième de la population du continent, captent plus de 45 % des investissements énergétiques et disposent de plus de 65 % des capacités installées.

Dans ce contexte, un campus de centres de données ne peut être jugé seulement par le montant investi. Il faut savoir quelle puissance il réserve, qui finance les nouvelles capacités, à quel tarif il achète l’électricité et ce que devient le réseau voisin. Un grand client peut améliorer la bancabilité d’un projet renouvelable et stabiliser les recettes d’un opérateur. Il peut aussi accaparer une énergie rare ou obtenir une réduction financée par les autres usagers.

La bonne politique consiste à coupler le développement numérique et l’expansion du système électrique : contrats transparents, production additionnelle, stockage, flexibilité de la demande et investissements dans le réseau. Les centres peuvent parfois déplacer des calculs non urgents vers les heures où l’électricité est abondante. Ils peuvent signer des contrats de long terme qui rendent une centrale solaire ou géothermique finançable. Mais les certificats « verts » ne suffisent pas si le réseau réel reste alimenté par des groupes diesel aux heures de pointe.

L’eau devient une autre contrainte. Certaines technologies de refroidissement en consomment beaucoup, dans des zones déjà exposées au stress hydrique. Les promoteurs doivent publier l’usage attendu de l’eau, le type de refroidissement et les solutions de recyclage. La souveraineté numérique n’a guère de sens si elle se construit au détriment de la sécurité hydrique locale.

Le continent sous-équipé en calcul

Les métriques divergent selon que l’on compte les bâtiments, les mégawatts ou les capacités de calcul. Mais elles convergent sur le diagnostic : l’Afrique accueille une faible part de l’infrastructure mondiale. Reuters rapportait en 2026 environ 160 centres de données et 5,5 % du total mondial en nombre, tandis que l’IFC estimait en 2025 que le continent détenait moins de 1 % de la capacité globale. La différence illustre justement le besoin de données comparables : beaucoup d’installations sont petites et une part importante de la capacité est concentrée en Afrique du Sud.

La localisation compte pour trois raisons. D’abord, la latence : certaines applications, de la finance à la santé, fonctionnent mieux lorsque les données voyagent moins loin. Ensuite, le coût et la résilience : garder davantage de trafic sur des points d’échange régionaux réduit la dépendance aux câbles internationaux. Enfin, le contrôle juridique : le lieu de stockage et de traitement influence l’accès des autorités et les recours disponibles.

Mais héberger n’est pas posséder. Un centre situé à Nairobi, Lagos ou Abidjan peut appartenir à un groupe étranger, utiliser des équipements importés et louer sa capacité à des plateformes globales. Ce n’est pas nécessairement négatif : le capital, les standards et l’expérience internationale accélèrent le déploiement. La question est celle des capacités laissées sur place — ingénieurs formés, fournisseurs locaux, interconnexions ouvertes, fiscalité et accès des entreprises africaines.

Le calcul à haute performance et les processeurs graphiques posent une difficulté supplémentaire. Ils sont chers, rapidement obsolètes et soumis à des chaînes d’approvisionnement géopolitiques. Tous les pays n’ont pas intérêt à bâtir leur propre « supercalculateur national ». Des infrastructures régionales, accessibles aux universités, aux entreprises et aux administrations selon des règles transparentes, peuvent éviter une duplication coûteuse. L’objectif n’est pas une autosuffisance symbolique, mais un accès fiable à une capacité critique.

La donnée n’est pas le nouveau pétrole

La formule est usée et trompeuse. Le pétrole est une matière finie que l’on extrait ; la donnée est produite par une relation, change de valeur selon son contexte et peut être copiée. Surtout, elle concerne des personnes. Une base de dossiers médicaux ne peut être traitée comme un gisement disponible au premier investisseur.

Pour l’IA africaine, le défi n’est pas seulement d’avoir « plus de données ». Il est d’obtenir des données représentatives, documentées, interopérables et légitimement utilisables. Un modèle médical entraîné principalement sur des populations non africaines peut manquer certains signaux. Un outil de crédit peut reproduire l’exclusion contenue dans l’historique bancaire. Un assistant linguistique peut mal comprendre une langue locale parce que les corpus numériques sont rares.

Les États possèdent une partie de la solution : registres d’entreprises, statistiques agricoles, cartes, données météo, budgets, décisions de justice. L’ouverture de ces données, après anonymisation lorsque nécessaire, peut créer un bien public. Mais la course à l’ouverture ne doit pas sacrifier la sécurité. Il faut des protocoles d’accès, des journaux d’usage et une capacité à sanctionner les abus.

Les langues sont un terrain où une politique publique peut déclencher un marché. La constitution de corpus de qualité, avec consentement et rémunération des contributeurs, profite à l’éducation, aux médias, aux services publics et aux entreprises. Elle demande des linguistes, des enseignants et des communautés — pas seulement des ingénieurs. Elle oblige aussi à déterminer qui détient les jeux de données produits avec de l’argent public.

La souveraineté ne signifie pas que toute donnée doit rester à l’intérieur du pays. Une localisation généralisée peut augmenter les coûts et fragmenter le marché. Une approche proportionnée distingue les données critiques, celles qui peuvent circuler sous garanties et celles qui devraient être ouvertes. Des accords régionaux compatibles faciliteraient le commerce numérique tout en protégeant les citoyens.

Le risque d’une nouvelle extraction

L’Afrique connaît bien les économies où une ressource locale est exportée brute puis réimportée sous forme de produit à forte valeur. Le scénario peut se reproduire avec l’IA : données et travail humain collectés à bas prix ; modèles, plateformes et propriété intellectuelle détenus ailleurs ; abonnements facturés en devises.

L’annotation des données illustre l’ambivalence. Elle crée rapidement des emplois accessibles, mais souvent répétitifs, précaires et peu payés. Une stratégie de montée en gamme devrait transformer ces plateformes en écoles de la donnée : contrôle qualité, gouvernance, adaptation de modèles, cybersécurité, gestion de produits. Sans progression, le continent devient la main-d’œuvre invisible d’une chaîne qu’il ne contrôle pas.

La commande publique peut modifier ce rapport. Lorsqu’un ministère achète un système d’IA, il devrait exiger la portabilité des données, une documentation, des audits, une clause de continuité et la formation d’équipes internes. Il doit éviter le verrouillage qui rend tout changement de fournisseur prohibitif. Les marchés pourraient favoriser les consortiums associant technologie internationale et capacité locale, avec des résultats mesurables plutôt qu’un vague transfert de compétences.

Les universités et les centres de recherche ont besoin d’un accès au calcul et aux jeux de données. Financer des bourses sans laboratoire ni carrière conduit au départ des talents. À l’inverse, construire un équipement sans budget de maintenance crée un monument inutilisé. La capacité scientifique est un système : enseignants, techniciens, réseau, calcul, conférences, propriété intellectuelle et débouchés privés.

Réguler ce qui fait vraiment mal

De nombreux pays préparent des stratégies, des conseils et des principes éthiques. La prolifération des textes peut donner l’impression d’avancer. Pourtant, une petite administration ne pourra pas inspecter chaque modèle. Elle doit prioriser les usages où une erreur produit un dommage important : diagnostic médical, police, recrutement, assurance, crédit, examen scolaire ou attribution d’une aide publique.

Pour ces cas, quelques exigences sont robustes : expliquer la finalité ; documenter les données ; tester les biais ; garder une voie de recours humain ; signaler les incidents ; attribuer une responsabilité juridique. Le régulateur n’a pas besoin de connaître chaque détail mathématique pour demander qui répond d’une décision et comment la contester.

Les bacs à sable réglementaires peuvent aider, à condition qu’ils ne deviennent pas une exemption permanente. Leur objectif est d’apprendre, de mesurer et de préciser la règle. Les autorités de protection des données, de concurrence, de télécommunications et les régulateurs sectoriels doivent coopérer. Un ministère de l’IA isolé ne peut superviser des usages disséminés dans toute l’économie.

La concurrence mérite une attention particulière. Les modèles les plus puissants, le cloud et les puces sont concentrés entre quelques entreprises mondiales. La CNUCED avertit que le marché de l’IA, potentiellement évalué à 4 800 milliards de dollars en 2033, risque d’élargir les fractures si la technologie et les gains restent concentrés [8]. Les pays africains auront davantage de poids s’ils négocient ensemble l’accès au cloud, l’interopérabilité et la fiscalité numérique.

Partir des secteurs, pas de la mode

Une politique productive de l’IA peut commencer par quatre ou cinq missions nationales : réduire les pertes agricoles, accélérer les diagnostics, diminuer les fraudes, améliorer l’apprentissage ou optimiser l’énergie. Pour chacune, l’État devrait établir une base de référence, ouvrir les données pertinentes, financer des essais comparables et publier les résultats — y compris les échecs.

Ce choix évite la dispersion. Il crée une demande suffisamment claire pour que des entreprises investissent. Il permet aussi de juger la technologie sur un résultat : tonnes sauvées, délai réduit, apprentissage amélioré, kilowattheures économisés. Le nombre de modèles ou d’applications lancés est un indicateur de moyens, pas d’impact.

Les petites entreprises doivent être au centre. Elles n’entraîneront pas leurs propres grands modèles, mais peuvent utiliser des outils adaptés à leurs métiers. Des centres de compétences sectoriels, des solutions partagées et des crédits à la transformation numérique peuvent réduire le coût d’adoption. La cybersécurité, souvent oubliée, doit suivre : une PME connectée mais mal protégée devient plus vulnérable.

L’IA n’abolira pas le besoin d’un État compétent. Elle le rendra plus évident. Pour acheter intelligemment, organiser les données, protéger les droits et évaluer les résultats, l’administration doit attirer des profils techniques et leur offrir une carrière. Externaliser toutes les compétences à un fournisseur revient à externaliser le jugement.

Pas de raccourci, mais une accélération possible

L’Afrique peut adopter l’IA sans répéter toute l’histoire industrielle des pays riches. Elle peut utiliser des modèles ouverts, mutualiser le calcul, concentrer ses investissements et apprendre des erreurs commises ailleurs. C’est une accélération. Ce n’est pas un raccourci qui permettrait d’ignorer l’électricité, l’école, la statistique publique ou la concurrence.

Le succès ne se mesurera pas au nombre de stratégies nationales ni à la présence d’un chatbot sur le site d’un ministère. Il se verra lorsque des producteurs gagneront en rendement, que des patients seront diagnostiqués plus tôt, que des entreprises réduiront leurs coûts et que davantage de valeur — données gouvernées, logiciels, expertise, propriété intellectuelle — restera sur le continent.

La révolution mobile africaine a prospéré parce qu’elle répondait à un besoin massif avec une infrastructure distribuée et un modèle économique accessible. L’IA devra trouver son propre contrat. Il sera plus lourd, plus exigeant et plus collectif. Le continent n’a pas besoin de courir après chaque modèle. Il doit bâtir les conditions grâce auxquelles la technologie travaille enfin pour sa productivité