Publié le 29 juillet 2026
Avant de demander ce que l’IA peut faire pour l’humanitaire, la coopérative hulo pose une autre question : de quelles compétences avons-nous besoin pour la faire fonctionner ? Un retour d’expérience lucide qui fait de la gouvernance des données et de la culture numérique les véritables conditions de l’innovation.
Avant d’aborder l’intelligence artificielle (IA), il convient de rappeler un élément structurant souvent relégué au second plan : l’IA n’est pas une technologie autonome, mais l’extension directe d’un niveau de maturité numérique déjà existant. Elle repose sur des infrastructures, des données structurées, des pratiques numériques stabilisées et une culture organisationnelle capable d’en comprendre les limites et les impacts.
Dans les organisations humanitaires, la digitalisation ne s’est pas toujours faite de manière homogène ni linéaire. Si certains processus ont été digitalisés, une part importante de l’information reste encore fragmentée, hétérogène, voire stockée sous forme d’archives papier ou de documents numérisés peu exploitables. Ce déficit structurel limite mécaniquement l’accès à certaines applications avancées de l’IA, en particulier celles reposant sur des « modèles prédictifs », capables d’anticiper des tendances futures à partir de l’analyse de données historiques, mais nécessitant des volumes importants de données quantitatives fiables.
À l’inverse, certaines technologies de l’IA ouvrent de nouvelles perspectives pour accélérer des phases souvent longues et coûteuses de la digitalisation. C’est notamment le cas de la reconnaissance optique de caractères (Optical Character Recognition – OCR – en anglais)[1]Voir Jim Holdsworth, « Qu’est-ce que l’OCR ? », IBM, https://www.ibm.com/fr-fr/think/topics/optical-character-recognition [NDLR]., qui permet de convertir des documents numérisés en texte exploitable, et du traitement automatique du langage, qui permet ensuite d’analyser, classer ou extraire les informations contenues dans ces documents. Des projets comme GANNET illustrent ce potentiel pour les organisations humanitaires[2]https://gannet.ai. Lire l’article de Madigan Johnson et Annesha Mahanta, « Au-delà de l’algorithme : préserver le jugement lors de crises humanitaires », Alternatives Humanitaires, … Continue reading.
Dans cette perspective, l’IA apparaît moins comme une rupture que comme un catalyseur : elle révèle les lacunes des systèmes existants, tout en offrant parfois la possibilité de les combler plus rapidement, à condition que son intégration soit pensée comme un processus organisationnel et non comme une solution technologique isolée.
L’IA, une question avant tout humaine
L’intelligence artificielle est entrée au sein de la coopérative hulo par la petite porte, loin de de l’engouement médiatique et des grandes promesses portées par d’innombrables startups prophétisant des lendemains meilleurs, grâce à une technologie pourtant loin d’être nouvelle.
Dès la création d’hulo, le partage de données s’est imposé comme un élément structurant de la réflexion collective autour de la mutualisation des ressources entre organisations membres. Cette logique de mutualisation repose sur des mécanismes de confiance entre des organisations humanitaires aux pratiques hétérogènes. Comme le soulignent Gyöngyi Kovács et Peter Tatham, « les opérations humanitaires dépendent fortement d’une mise en confiance rapide »[3]Gyöngyi Kovács and Peter Tatham, “The application of ‘swift trust’ to humanitarian logistics”, International Journal of Production Economics, no. 126, 2010, p. 35–45 [traduction des … Continue reading, une confiance construite entre membres hulo, malgré des systèmes, standards et cultures organisationnelles différents. Nos membres ont aussi rapidement exprimé une volonté claire : mesurer l’impact dès la création de ce projet pilote.
Ces deux dynamiques (partage de données et exigence de redevabilité) ont conduit, au fil des mois, à la création d’une unité dédiée à la centralisation et à l’analyse des données qui deviendra le Département d’analyse décisionnelle et de recherche. L’ambition n’était pas technologique mais organisationnelle : agréger des données issues de nombreuses organisations membres, mais aussi des initiatives mutualisées conduites sur le terrain, afin de développer de nouvelles capacités de décision collective, plus éclairées et axées sur les données.
Très vite, une évidence s’est imposée : la question n’était pas tant de savoir « quelle » IA utiliser, mais bien d’identifier qui, au sein de l’organisation, disposait des compétences nécessaires pour produire, comprendre, qualifier et exploiter ces données qualitatives et quantitatives. L’IA n’apparaissait alors plus comme un outil, mais comme un révélateur des transformations à l’œuvre et à venir dans les métiers de l’humanitaire.
Structurer avant d’automatiser : gouvernance et acculturation
L’agrégation de données issues de sources multiples et hétérogènes, implique mécaniquement le recours à des outils relevant des sciences de la donnée[4]C’est pour cela qu’au sein d’hulo nous parlons plus souvent de « Data Science » que d’IA., dont les intelligences artificielles constituent une composante parmi d’autres. Le pluriel est ici important : l’IA recouvre une diversité de méthodes, de modèles et d’usages, loin d’un objet monolithique souvent caricaturé.
La première étape de notre parcours a donc consisté à mener une revue de littérature sur ce sujet et d’échanger avec d’autres organisations humanitaires ayant des projets relatifs à l’IA, afin d’identifier les opportunités, les contraintes et les risques liés à l’utilisation de ces technologies. Il est rapidement apparu que toute démarche devait s’inscrire dans une progression par paliers, et reposer sur un socle organisationnel solide.
C’est dans ce cadre qu’a été créé un poste de délégué à la protection des données (Data Protection Officer, DPO en anglais), chargé de travailler avec l’ensemble des départements à l’élaboration d’une politique de gouvernance des données (Data Governance Policy). Cette étape, souvent perçue comme purement administrative, s’est révélée déterminante pour clarifier les responsabilités, les usages légitimes et les limites.
Parallèlement, un travail de sensibilisation a été mené auprès des collaborateurs, afin de présenter les principes de l’IA, ses avantages, ses limites, mais aussi les risques associés à certains usages non encadrés. Cette phase a permis de mettre en lumière l’existence d’une « shadow AI », autrement dit une pratique de l’IA de l’ombre, à base d’usages individuels, parfois pertinents, mais non coordonnés, révélateurs à la fois d’un besoin réel, d’un manque de cadre collectif et d’une méconnaissance du cadre légal. Évidemment, ces travaux ne relèvent pas d’un exercice ponctuel : la politique de gouvernance des données, les actions de sensibilisation et le suivi des usages doivent faire l’objet d’un pilotage continu, régulièrement réévalué pour accompagner l’évolution d’une organisation.
L’IA est devenue alors, au fil des années, un enjeu de compétences et de culture organisationnelle, bien plus qu’un simple sujet technologique. Et nous n’en sommes encore qu’aux prémices, dans une démarche volontairement prudente et graduelle, plutôt que d’une précipitation dictée par l’enthousiasme médiatique.
L’IA et la reconfiguration du travail analytique : un cas pratique
Notre premier cas d’usage concret a porté sur les données partagées annuellement par les organisations membres afin d’obtenir une vision globale des lieux (pays d’intervention) et domaines de dépenses logistiques. Ces données proviennent d’extractions issues des systèmes d’information comptables de chaque organisation, chacune disposant de sa propre logique (comptabilité par nature ou par fonction), de son propre plan comptable et de ses pratiques internes.
L’enjeu consistait à faire cohabiter ces données au sein d’une base de référence commune. À cela s’ajoutaient des difficultés bien connues des équipes d’analystes : erreurs d’affectation, descriptions multilingues parfois imprécises, usage généralisé d’acronymes fortement contextualisés.
La classification de ces données, réalisée de manière semi-automatique, a rapidement atteint ses limites en termes de charge de travail : des semaines entières dédiées à l’agrégation des données chaque année, d’autant plus que le nombre de membres ne cessait d’augmenter. Des tentatives ont pourtant été menées pour améliorer ce processus à l’aide de programmes classiques, mais elles se sont révélées insuffisantes pour atteindre un taux de réussite satisfaisant, en raison des contraintes citées plus haut. Il est alors apparu nécessaire de développer une solution d’IA capable de reclasser chaque nouvelle réception de données de manière plus rapide et surtout plus fiable.
L’objectif n’était pas de remplacer l’expertise humaine, mais de déplacer la valeur du travail : passer de tâches répétitives et chronophages à des activités de contrôle, d’interprétation et d’amélioration continue. Comme le rappellent Nasim Motalebi et Andrej Verity, l’IA générative « ne supprime pas la nécessité du jugement humain »[5]Nasim Motalebi and Andrej Verity, Generative AI for Humanitarians, DH Network, 2023, https://digitalhumanitarians.com/generative_ai_for_humanitarians-september_2023 [traduction des auteurs]., elle renforce au contraire le rôle des expertises contextuelles, éthiques et opérationnelles. En pratique, l’IA permet, dans un tel cas de figure, de réduire une charge de travail de plusieurs semaines à quelques heures, tout en renforçant la qualité de l’analyse.
Pour ce faire, un partenariat stratégique a été établi avec un centre de recherche et d’innovation en IA[6]L’Institute for Systems and Computer Engineering, Technology and Science (INESC TEC), basé à Porto, Portugal: https://www.inesctec.pt/en, et un investissement a été réalisé en interne pour recruter une ressource spécialisée en data science, chargée de maintenir, superviser et faire évoluer ces outils. L’IA n’a donc pas supprimé les métiers existants ; elle en a en revanche profondément reconfiguré le contenu et les compétences mobilisées.
Les compétences et conséquences parfois invisibles de l’IA
Comme souvent dans les projets d’IA, la trajectoire initialement prévue a dû être réajustée. Développée en 2024 pour une mise en production envisagée en 2025, la solution a finalement vu son déploiement repoussé à 2026.
Ce décalage s’explique par une réalité fréquemment sous-estimée : les performances d’une IA reposent autant sur la conception du modèle que sur sa phase d’entraînement. Cette dernière s’est révélée particulièrement exigeante, car il s’agit d’un processus itératif, long et mobilisant fortement les équipes (experts de la donnée mais aussi experts métier).
Analyser les résultats produits, identifier les biais, les risques, ajuster les paramètres, relancer l’entraînement, autant d’étapes invisibles mais indispensables pour éviter des erreurs susceptibles de fausser les analyses et, par extension, les décisions stratégiques qui en découleront. En effet, demander un investissement considérable (en temps de travail) à un expert métier pour passer au crible et à plusieurs reprises la production d’une IA en cours de conception, peut rapidement devenir problématique dans des organisations où les ressources humaines sont déjà sursollicitées.
Économiser sur ces phases d’entraînement et de validation revient souvent à déplacer le risque plutôt qu’à le réduire. Sans l’implication conjointe d’experts techniques, mais aussi en termes de métiers, de ressources humaines et de droit, une solution d’IA peut générer des vulnérabilités majeures, qu’il s’agisse de sécurité des données ou de production non éthique d’informations sensibles, avec des impacts directs sur l’organisation et ses bénéficiaires. Comme souligné dans le rapport d’Accesnow : “Dans les contextes humanitaires, les initiatives de transformation numérique devancent souvent la mise en place de garanties adéquates, exposant ainsi les populations et les organisations touchées à des risques importants en matière de protection.[7]Access Now, Mapping Humanitarian Tech: Exposing protection gaps in digital transformation programmes, 2024, … Continue reading”
Ces compétences et conséquences, rarement anticipées dans les projections initiales, soulignent un décalage fréquent entre les promesses d’automatisation et la réalité du travail humain requis pour rendre ces outils fiables et utiles.
L’IA ne remplace pas les métiers, elle les transforme
Le déploiement de l’intelligence artificielle dans les organisations humanitaires peut rapidement s’accompagner d’une sous-estimation de ses coûts réels (financiers, environnementaux, organisationnels et humains). Cette méconnaissance peut conduire parfois à des choix peu rationnels, comme vouloir à tout prix finaliser une IA générative interne devenue obsolète avant même son déploiement, au motif que les collaborateurs utilisent déjà des solutions plus à jour et performantes sans respecter le cadre de l’organisation (shadow AI), voire à une mauvaise allocation des ressources sur des projets plus orientés marketing et visibilité externe plutôt qu’ayant un réel impact.
Ce constat rejoint des analyses plus larges du secteur privé. Selon Goldman Sachs, « les retours économiques de l’IA générative restent aujourd’hui, pour de nombreuses organisations, incertains, avec des coûts initiaux élevés et des preuves limitées de gains de productivité à grande échelle »[8]Lire notamment les interviews de Daron Acemoglu, Brian Janous, Jim Covello, Kash Rangan et Eric Sheridan dans Gen AI too much spend too little benefit, Goldman Sachs, Global Macro Research, Issue … Continue reading.
Lorsqu’une organisation humanitaire fait face à des défis structurels, du fait d’un manque de vision sur l’ensemble de ses données ou de son capital de savoir, l’IA a peu de chances d’apporter une réponse durable. Elle peut même devenir rapidement obsolète pour les utilisateurs, voire être réduite à un simple gadget marketing. Sans une digitalisation préalable (entendue comme la mise en place d’une véritable culture numérique), l’IA peut devenir contre-productive, voire risquée lorsqu’elle touche à des données sensibles. Comme décrit par le Massachussetts Institute of Technology : « Les organisations qui ne disposent pas de solides bases de données et de compétences internes en IA sont plus susceptibles de connaître une adoption fragmentée et une valeur à long terme réduite de l’IA générative[9]Aditya Challapally, Chris Pease, Ramesh Raskar and Pradyumna Chari, The GenAi Divide: State of AI in Business 2025 Report, Massachusetts Institute of Technology, July 2025, … Continue reading ».
Pourtant, utilisée avec discernement, elle peut constituer un levier puissant pour soutenir les travailleurs humanitaires, aussi bien sur le terrain qu’au siège. En effet, le retard relatif de nombreuses organisations humanitaires en matière de digitalisation constitue aujourd’hui un handicap réel pour certaines applications avancées de l’IA, en particulier celles reposant sur des modèles prédictifs nécessitant des données quantitatives de bonne qualité. Sur ces segments, l’écart avec des organisations plus matures sur le plan numérique risque de se creuser.
Toutefois, ce même retard pourrait paradoxalement accélérer l’adoption de certaines formes d’IA. En l’absence de systèmes pleinement digitalisés, des technologies capables de traiter des données non structurées, documents scannés, archives textuelles, contenus hétérogènes, peuvent permettre de « sauter des étapes » et d’engager plus rapidement des dynamiques de transformation numérique jusque-là difficiles à enclencher.
Cette trajectoire n’est ni automatique ni sans risques. Elle renforce la nécessité de mobiliser des compétences variées (techniques, métiers, juridiques et éthiques) et de s’inscrire dans un cadre de gouvernance robuste. Ainsi, loin de constituer une fin en soi, l’intelligence artificielle devient un révélateur stratégique : celui de la capacité des organisations humanitaires à interroger leur maturité numérique, à transformer leurs compétences internes et, in fine, à mettre toutes les chances de leur côté pour exploiter ces technologies au service de leur mandat et de leur impact collectif.
Crédit Photo : Olivia Acland
