L’autre révolution de l’IA : ce qui se passe loin de la Silicon Valley

Dans des zones rurales du Kenya et de l’Éthiopie, FarmerChat met des conseils agricoles dans un téléphone. L’outil n’abolit ni le besoin d’agronomes ni les contraintes du terrain : il cherche à rendre une expertise disponible entre deux visites, dans des langues adaptées au contexte local. Et l’un de ses leviers les plus révélateurs n’est pas le modèle d’IA, mais la prise en charge du coût des données mobiles.

L’autre révolution de l’IA se joue là : moins dans la course au modèle le plus puissant que dans la capacité à rendre une technologie utile, accessible et pertinente localement. Reste une question décisive : ces usages permettront-ils de rattraper certains retards, ou installeront-ils une nouvelle dépendance envers les fournisseurs étrangers ?

Beaucoup d’utilisateurs, très peu d’infrastructures

À la mi-2025, plus de 40 % du trafic mondial de ChatGPT provenait de pays à revenu intermédiaire, notamment du Brésil, de l’Inde, de l’Indonésie et du Vietnam, selon la Banque mondiale. Mais en juin de la même année, les pays à faible revenu accueillaient moins de 0,1 % de la capacité mondiale des centres de données de colocation.

Ces chiffres ne mesurent pas la même chose : le premier renseigne sur l’usage d’un service, le second sur la maîtrise d’une partie de son infrastructure. Leur écart montre toutefois qu’adopter l’IA, l’adapter et contrôler sa chaîne de valeur sont trois étapes très différentes.

Kenya et Éthiopie : l’accès compte autant que le modèle

FarmerChat, développé par Digital Green, répond à des questions agricoles en tenant compte des cultures, des lieux et des langues. En juin 2026, l’organisation déclarait avoir atteint plus de 1,6 million d’agriculteurs dans six pays et fourni plus de 8 millions de réponses dans plus de dix langues ; elle indique depuis que le service couvre seize langues. Ces données viennent de l’opérateur et ne prouvent pas, à elles seules, une amélioration des récoltes ou des revenus.

Au Kenya et en Éthiopie, Digital Green paie à Safaricom les données consommées par les utilisateurs du réseau. Une analyse observationnelle portant sur 814 000 agriculteurs associe cette prise en charge à davantage de questions posées, mais seule une expérimentation permettra d’établir un lien causal. Le cas rappelle une évidence souvent oubliée : un bon outil ne sert à rien si son usage consomme un forfait inaccessible.

Nigeria : un résultat évalué, avec des enseignants

Dans l’État d’Edo, une expérimentation randomisée menée en 2024 a associé pendant six semaines Microsoft Copilot, des séances après l’école et l’accompagnement d’enseignants. Les élèves du groupe bénéficiaire ont progressé de 0,31 écart-type sur une évaluation combinant anglais, connaissances en IA et compétences numériques ; le gain en anglais seul atteignait 0,23 écart-type.

La comparaison avec « 1,5 à 2 années d’école » traduit statistiquement ce gain par rapport aux progrès habituels : elle ne signifie pas que six semaines ont remplacé deux années de programme. Surtout, l’étude évalue un dispositif encadré, pas un chatbot laissé seul face aux élèves.

Kenya : une IA maternelle qui passe par le SMS

PROMPTS, développé par Jacaranda Health, envoie aux femmes enceintes et aux jeunes mères des informations et rappels adaptés à leur situation. Un service d’assistance par SMS trie les questions, y répond et déclenche une chaîne de prise en charge lorsqu’un risque est détecté. L’interface fonctionne donc sans smartphone récent ni application spectaculaire.

Un essai randomisé publié en 2025, portant sur 6 139 participantes dans 40 établissements kényans, a observé des améliorations modestes en matière de connaissances, de préparation à la naissance et de recours courant aux soins. Il n’a pas trouvé d’effet statistiquement significatif sur le recours aux soins face aux signes de danger et n’était pas dimensionné pour mesurer les effets sur la santé. Le résultat appartient au dispositif complet — messages, organisation et intervention humaine — et non à l’IA seule.

Langues et données : qui définit le contexte ?

En Inde, Sarvam AI développe des outils vocaux adaptés aux langues du pays. Une présentation officielle du 21 février 2026 indique que son système de reconnaissance vocale Saaras prend en charge les 22 langues inscrites dans la Constitution, l’audio téléphonique et les mélanges de langues. L’Inde constitue cependant un cas particulier : elle dispose d’un marché, de talents et d’investissements publics sans commune mesure avec ceux de nombreuses économies à faible revenu.

En Amérique latine, le CENIA chilien a lancé Latam-GPT le 10 février 2026. Ce modèle ouvert, fondé sur l’architecture Llama 3.1 70B et enrichi d’un corpus régional, résulte d’une collaboration de plus de 60 institutions dans 15 pays. C’est une base technologique conçue pour mieux représenter les variantes linguistiques, les références et l’histoire de la région — pas encore la preuve d’une adoption massive ni un concurrent ayant dépassé les grands assistants commerciaux.

Ces deux projets posent la même question : qui choisit les données, les langues et les réalités que le modèle saura reconnaître ? Produire localement cette couche de contexte peut créer de la valeur et renforcer l’autonomie, même lorsque les puces, le cloud ou l’architecture de base restent étrangers.

Philippines : le développement peut aussi être fragilisé

Le contrepoint vient des Philippines, où les services externalisés — relation client, fonctions administratives et informatique — ont soutenu l’emploi et les exportations. En février 2026, l’Organisation internationale du travail estimait que 12,7 millions d’emplois, soit plus d’un quart de l’emploi national, présentaient une exposition potentielle à l’IA générative.

Exposition ne signifie pas disparition : elle indique que certaines tâches peuvent être automatisées ou transformées. Seuls 3,6 % de l’ensemble des emplois se situent dans la catégorie d’exposition la plus élevée. L’enjeu sera donc autant la transformation des métiers et la formation que le nombre de postes supprimés.

Adapter plutôt que copier la course aux géants

Électricité fiable, connexion abordable, capacité de calcul, compétences, données de qualité et financement restent les conditions concrètes du passage à l’échelle. Une application locale peut par ailleurs dépendre d’un modèle, d’un cloud et de capitaux étrangers. L’autonomie n’est donc jamais binaire.

Le rapport 2026 de la Banque mondiale propose trois niveaux : adopter les outils existants, les adapter aux réalités locales, puis faire progresser la technologie elle-même. Pour beaucoup de pays, l’étape la plus féconde n’est pas de reproduire à grands frais la course aux modèles géants, mais de maîtriser l’adaptation : voix, langues locales, interfaces simples et évaluation rigoureuse des usages.

Les initiatives observées au Kenya, au Nigeria, en Inde, au Chili ou aux Philippines ne prouvent pas encore une transformation de toute l’économie. Elles montrent en revanche que les acteurs locaux ne sont pas de simples bénéficiaires : ils conçoivent, évaluent, choisissent les données et organisent les services. La question finale reste ouverte : à mesure que ces usages prendront de l’ampleur, qui captera la valeur créée — les populations, les entreprises et institutions locales, ou les fournisseurs internationaux qui contrôlent les modèles, le calcul et le cloud ?