La stratégie de petite IA de la Banque mondiale défie la course aux modèles toujours plus grands

La stratégie de petite IA de la Banque mondiale encourage les pays en développement à privilégier des systèmes ciblés et adaptés au mobile, malgré une course du secteur vers des modèles toujours plus vastes et coûteux. Ces outils visent des problèmes précis, utilisent des jeux de données plus restreints et peuvent fonctionner avec une connectivité limitée. L’approche déplace l’attention du leadership dans les benchmarks vers la capacité de l’IA à fournir une expertise utile via les appareils et réseaux déjà accessibles aux populations.

Paschal Donohoe, directeur des connaissances de la Banque mondiale, a défendu cette idée lors des réunions de la Banque mondiale et du Fonds monétaire international à Bangkok. Il a déclaré au Guardian qu’une IA adaptée localement pourrait condenser en quelques décennies des avancées de développement qui exigeaient autrefois des siècles. L’affirmation est ambitieuse, mais le conflit sous-jacent est immédiat : l’IA de pointe repose sur des infrastructures coûteuses concentrées dans les économies riches, tandis que la petite IA vise à fonctionner dans les limites locales.

La stratégie ne prétend pas que les systèmes plus petits peuvent remplacer tous les modèles de pointe. Elle soutient que la plupart des économies en développement devraient prioriser l’adoption et l’adaptation locale avant de chercher à construire elles-mêmes les systèmes les plus avancés. Ce choix met les gouvernements, les institutions de développement et les fournisseurs de technologies au défi de démontrer que l’IA spécialisée peut dépasser le stade des projets pilotes isolés.

L’initiative de petite IA de la Banque mondiale redéfinit l’objectif du développement

La Banque mondiale redéfinit le progrès de l’IA autour de services accessibles, et non de la taille du modèle sous-jacent.

La petite IA désigne des systèmes abordables conçus pour des tâches ciblées, des langues locales et des appareils ordinaires. Un modèle peut analyser l’image d’une culture, aider au dépistage médical ou fournir des conseils via un appel vocal. Il n’a pas besoin de répondre à toutes les questions ni de rivaliser dans de larges benchmarks académiques.

Cette portée plus limitée distingue l’approche des modèles généralistes développés par des entreprises comme OpenAI, Google, Anthropic et Meta. Ces systèmes exigent une importante capacité de calcul pendant l’entraînement. Leurs services les plus performants dépendent également d’infrastructures cloud et d’une connectivité fiable pendant leur utilisation.

La Banque mondiale estime que les pays en développement peuvent commencer ailleurs. Sa feuille de route pour le développement recommande trois étapes : adopter des outils existants, les adapter aux conditions locales, puis progresser vers le développement de pointe uniquement lorsque les capacités nationales justifient cette dépense.

Ce séquençage est au cœur de la proposition. Un gouvernement n’a pas besoin de son propre modèle généraliste avant de déployer des conseils agricoles assistés par l’IA. Une clinique n’a pas besoin d’une connexion haut débit permanente si un système de dépistage spécialisé peut fonctionner localement et se synchroniser ultérieurement.

Donohoe a illustré cette distinction avec AgriConnect, une initiative agricole de la Banque mondiale en Inde. Les agriculteurs ont besoin d’informations sur les sols adaptées à leurs cultures, à leur localisation et à leurs langues. Le pays ne peut pas placer un agronome à côté de chaque petite exploitation, mais un système sur téléphone pourrait diffuser une partie de cette expertise.

Le modèle a néanmoins besoin de données agricoles fiables et d’une validation locale. Il doit également disposer d’une interface utilisable par les agriculteurs, ce qui peut impliquer la voix plutôt que le texte. La petite IA désigne donc plus qu’un modèle compact. C’est une stratégie de fourniture de services organisée autour d’un utilisateur défini, d’un environnement contraint et d’une tâche mesurable.

L’argument de la Banque mondiale intervient alors que les investissements dans l’IA restent concentrés autour des grands modèles et des infrastructures qui les soutiennent. Ce marché récompense les capacités généralistes, les plateformes mondiales et les mises à jour fréquentes des modèles. Les projets de développement ont généralement besoin de quelque chose de moins spectaculaire : des performances prévisibles sur un problème local, dans des conditions d’exploitation difficiles.

C’est pourquoi l’entretien sur la petite IA est important. La Banque mondiale demande aux pays de considérer la localisation comme le produit principal, plutôt que comme une fonctionnalité secondaire ajoutée après le déploiement.

Ce changement modifie également la manière dont le succès devrait être mesuré. Un système plus petit n’a pas besoin de surpasser un modèle de pointe à tous les tests. Il doit produire un résultat utile à un coût acceptable, dans la langue requise, sur le matériel disponible, avec des garde-fous adaptés au contexte.

La proposition transforme la question du développement, de « Ce pays peut-il construire un modèle de premier plan ? » en « Ce pays peut-il améliorer les décisions là où l’expertise manque ? ». C’est un objectif plus pratique, mais qui exige aussi des preuves plus solides sur le terrain.

Pourquoi les modèles plus grands s’adaptent mal aux contraintes locales

La course aux modèles de pointe suppose des infrastructures que le monde en développement ne possède pas encore largement.

Le rapport 2026 de la Banque mondiale indique que l’IA se diffuse plus vite que les précédentes technologies généralistes. La machine à vapeur a mis environ 80 ans à atteindre les pays à faible revenu, l’électricité environ 40 ans et internet environ 20 ans. Les pays à revenu intermédiaire ont généré la moitié du trafic mondial de ChatGPT dans les six mois suivant son lancement.

Une diffusion rapide ne signifie toutefois pas un accès égalitaire. La Banque mondiale indique que 2,2 milliards de personnes restent hors ligne. Sa note sur la petite IA rapporte également que les pays à faible revenu représentent moins de 1 % de l’utilisation de ChatGPT.

Cette fracture s’accentue lorsque l’on considère les infrastructures. En Afrique subsaharienne, près d’un tiers des écoles rurales ne disposent pas d’une électricité fiable. Plus des deux tiers n’ont pas accès à un internet stable, selon les conclusions de la Banque sur le développement de l’IA.

Un service cloud peut être techniquement disponible tout en restant pratiquement inaccessible. Une alimentation électrique instable interrompt les appareils et les équipements réseau. Le coût élevé des données mobiles limite les usages répétés. Une forte latence peut rendre les outils interactifs frustrants. Une interface centrée sur le texte exclut les personnes qui ne savent pas lire la langue prise en charge.

Le développement de modèles de pointe crée un autre obstacle. Les modèles avancés exigent des puces spécialisées, de grands centres de données, d’importants volumes de données d’entraînement et des chercheurs expérimentés. Ces ressources restent concentrées entre un petit nombre d’entreprises et de pays.

Le précédent rapport sur les fondations de l’IA de la Banque mondiale a constaté que les pays à revenu élevé représentaient 87 % des modèles d’IA notables en juillet 2025. Ils détenaient également 86 % des startups d’IA et 91 % du financement cumulé en capital-risque destiné aux startups d’IA.

Ces pays représentaient 17 % de la population mondiale. Ce déséquilibre signifie que la plupart des économies en développement consommeront des technologies construites ailleurs, à moins de trouver une voie praticable d’adaptation locale.

La petite IA cherche à réduire cette dépendance sans prétendre pouvoir l’éliminer. Un modèle spécialisé peut être adapté à partir d’une fondation existante, ouverte ou propriétaire. Il peut utiliser moins de ressources de calcul, fonctionner sur un téléphone ou un ordinateur portable et se concentrer sur des données pertinentes pour une région donnée.

Cela ne rend pas les infrastructures superflues. Chaque système d’IA dépend encore de l’électricité, des appareils, de la maintenance et d’une forme de pipeline de données. L’entraînement ou la mise à jour d’un modèle local peut nécessiter du cloud computing même lorsque l’usage quotidien se fait hors ligne.

La différence porte sur les seuils. La petite IA abaisse l’infrastructure minimale nécessaire à la fourniture d’un service. Elle permet aux institutions de commencer par une application délimitée tout en améliorant progressivement la connectivité, les compétences et la capacité de calcul.

La Banque mondiale organise ces exigences autour de quatre fondations : connectivité, calcul, contexte et compétences. La connectivité couvre l’accès à l’électricité et à internet. Le calcul comprend les puces, les centres de données et les services cloud. Le contexte désigne les données, les institutions et les langues pertinentes. Les compétences incluent les savoir-faire techniques et la capacité à utiliser les systèmes de manière responsable.

Une faiblesse dans un seul de ces domaines peut bloquer un déploiement. Un modèle de santé très précis échoue tout de même si une clinique ne peut pas entretenir son appareil. Un assistant agricole ne peut pas aider si ses recommandations reflètent les sols et la météo d’une autre région. Une interface en langue locale reste insuffisante lorsque les utilisateurs ne font pas confiance à l’institution qui collecte leurs données.

La pression ne s’exerce donc pas seulement sur les entreprises technologiques. Les gouvernements doivent améliorer les infrastructures de base et les achats publics. Les universités et programmes de formation doivent développer l’expertise locale. Les institutions internationales doivent financer l’évaluation, et pas seulement les projets pilotes. Les fournisseurs doivent prendre en charge des systèmes interopérables plutôt que d’enfermer les services publics dans une seule plateforme.

L’adaptation locale est le mécanisme, pas une fonctionnalité

La petite IA ne fonctionne que lorsque les connaissances locales transforment le modèle, l’interface et le service qui l’entourent.

La Banque mondiale soutient qu’importer un service d’IA n’est pas la même chose que l’adapter. Un modèle entraîné principalement dans des contextes à revenu élevé peut produire des conseils incompatibles avec les lois locales, les conditions agricoles, les pratiques médicales ou les normes sociales. La traduction seule ne peut résoudre ces différences.

La langue est une partie visible du problème. Les modèles affichent souvent des performances inégales selon les langues, en particulier lorsque les données d’entraînement de haute qualité sont rares. Même une sortie écrite exacte ne touchera pas les utilisateurs qui dépendent de la communication orale ou de téléphones basiques.

La Banque propose une fourniture via des messages texte, des appels vocaux et des applications légères. Ces canaux comptent parce qu’ils correspondent aux usages existants. Un agriculteur peut poser une question par la voix. Un agent de santé peut utiliser un outil de dépistage hors ligne. Un enseignant peut recevoir une aide pour ses cours sans maintenir une connexion permanente à un grand modèle cloud.

Il s’agit autant d’un défi de conception de l’information que de conception de modèles. Les institutions doivent combiner les résultats techniques avec les dossiers locaux, le jugement professionnel et les connaissances opérationnelles. Des principes similaires de fusion des connaissances sont importants chaque fois qu’une IA généraliste doit fonctionner avec des sources précises et fiables.

L’agriculture offre un exemple clair. Un système utile a besoin de plus qu’une compréhension générique des sciences agricoles. Il peut nécessiter des données météorologiques régionales, les conditions des sols, les schémas de ravageurs, les calendriers de plantation et des conseils approuvés par des experts locaux.

Les applications de santé présentent des enjeux plus élevés. La Banque mondiale évoque des systèmes portables de dépistage de la tuberculose qui ne nécessitent pas de connexion haut débit permanente. Ces outils peuvent étendre des capacités cliniques limitées, mais ils doivent être validés auprès de la population et dans les conditions où ils sont utilisés.

Une recommandation agricole erronée peut réduire une récolte. Une recommandation médicale erronée peut retarder un traitement. Une portée limitée réduit certains risques, car les développeurs peuvent définir et tester la tâche prévue. Elle ne supprime pas la nécessité d’un examen humain ou d’une escalade.

Les outils éducatifs présentent un compromis similaire. Des tuteurs légers peuvent offrir de l’entraînement et des retours là où les enseignants disposent de peu de temps. Pourtant, les gains d’apprentissage dépendent de l’alignement avec les programmes, de la qualité linguistique, de l’accès aux appareils et de la capacité des enseignants à superviser l’usage du système.

La petite IA peut compléter les professionnels en prenant en charge des analyses répétitives ou en étendant leur portée. Elle ne devrait pas devenir un prétexte pour éviter d’investir dans les enseignants, les médecins, les spécialistes agricoles ou les institutions publiques.

Les déploiements les plus crédibles définiront précisément à quel endroit le système assiste une personne. Un outil agricole pourrait signaler un ravageur probable et recommander que les cas incertains soient transmis à un agent de vulgarisation. Un dispositif de dépistage pourrait prioriser les patients pour un examen clinique plutôt que d’émettre un diagnostic définitif.

L’adaptation locale modifie également qui contrôle le service qui en résulte. Les gouvernements ont besoin d’accéder aux données de performance, aux procédures d’audit et aux méthodes permettant de changer de prestataire. Sans cela, un modèle compact peut créer la même dépendance envers un fournisseur qu’une grande plateforme cloud.

Les modèles open source peuvent abaisser les barrières, car les développeurs peuvent inspecter et modifier une plus grande partie du système. Ils transfèrent aussi les responsabilités vers les organisations locales, qui doivent maintenir les logiciels, gérer la sécurité et vérifier les mises à jour.

Les modèles propriétaires peuvent offrir un meilleur accompagnement ou des capacités générales plus solides. Ils peuvent aussi exposer les institutions à des conditions changeantes, à des interruptions de service à distance et à des décisions tarifaires hors de leur contrôle local. Le bon choix variera selon l’application, mais les achats publics devraient préserver l’accès aux données locales et la continuité opérationnelle.

L’interopérabilité fait donc partie du mécanisme. La Banque mondiale recommande que les systèmes nationaux fonctionnent avec plusieurs plateformes et fournisseurs. Cela réduit le risque qu’un seul fournisseur devienne indissociable d’un service public.

La gouvernance des données compte tout autant. L’adaptation locale exige souvent des dossiers sensibles de santé, d’éducation, de finance ou d’agriculture. Les institutions ont besoin de règles claires concernant le consentement, la conservation, la réutilisation et l’accès. Les communautés ont également besoin d’un moyen concret de contester les décisions préjudiciables.

La valeur pour le développement provient de la combinaison d’un modèle performant et d’un système de prestation digne de confiance. Sans cette structure environnante, la petite IA n’est que du logiciel plus petit.

Le déficit de preuves pourrait engloutir la promesse

La plus grande incertitude n’est pas de savoir si les petits modèles peuvent fonctionner sur du matériel limité, mais si des projets pilotes réussis peuvent devenir des services publics fiables.

La Banque mondiale présente des applications réelles dans l’agriculture, la santé et l’éducation. Ces exemples montrent qu’une IA spécialisée peut fonctionner sous contraintes. Ils ne démontrent pas que chaque déploiement produira des gains durables à l’échelle nationale.

Les projets pilotes bénéficient souvent de financements dédiés, de l’attention d’experts et d’utilisateurs soigneusement sélectionnés. L’expansion introduit des conditions plus difficiles. Les appareils tombent en panne. Les membres du personnel changent. Les données dérivent. Les agences locales héritent de coûts de maintenance absents de l’essai initial.

Un modèle peut aussi bien fonctionner en laboratoire et échouer auprès d’utilisateurs réels. Les photos peuvent être floues. Les accents peuvent différer des échantillons d’entraînement. Les équipements médicaux peuvent varier d’une clinique à l’autre. Les agriculteurs peuvent décrire les symptômes avec des termes locaux que le système ne reconnaît pas.

C’est pourquoi l’évaluation doit mesurer les résultats des services, et pas seulement la précision des modèles. Un assistant agricole devrait être évalué selon sa capacité à aider les agriculteurs à prendre de meilleures décisions et à protéger les rendements. Un outil de dépistage devrait être évalué selon les résultats cliniques, les cas manqués, les fausses alertes et la qualité des orientations.

Les gouvernements ont également besoin de comparaisons avec des solutions plus simples. Un nouvel outil d’IA peut sembler utile tout en n’apportant pas davantage de valeur qu’un guide consultable, un meilleur centre d’appels ou une formation supplémentaire pour les travailleurs de première ligne. La limitation des budgets de développement rend cette comparaison essentielle.

La Banque reconnaît que les pays ont besoin de meilleurs cadres d’achat et d’évaluation. De nombreux projets pilotes sont déjà en cours, mais les institutions ne savent pas toujours lesquels produisent des résultats. Étendre des projets faibles gaspillerait des ressources rares et nuirait à la confiance du public.

Les biais créent un autre risque. Les données locales peuvent être incomplètes ou refléter un accès inégal aux services publics. Entraîner un modèle sur ces dossiers peut reproduire ces schémas. Un petit modèle peut également avoir une capacité plus limitée à traiter des cas inhabituels hors de son domaine étroit.

Les risques pour la vie privée ne diminuent pas avec le nombre de paramètres. Une application sur téléphone peut toujours collecter des informations de santé sensibles, des données de localisation, des enregistrements vocaux ou des dossiers agricoles. Le fonctionnement hors ligne peut réduire certaines expositions, mais la synchronisation et les mises à jour des modèles créent des points de risque supplémentaires.

La sécurité devient également difficile lorsque les appareils sont largement distribués. Les téléphones plus anciens peuvent ne pas disposer de protections actuelles. Les applications locales peuvent rester non corrigées. Des attaquants pourraient manipuler les données d’entrée, voler des données ou modifier les recommandations.

Il existe aussi un risque politique. Des agences publiques pourraient utiliser l’IA pour automatiser l’éligibilité, l’application de règles ou la surveillance sans mécanismes de recours adéquats. Un système conçu pour l’efficacité peut affaiblir les droits si les personnes concernées ne peuvent ni comprendre ni contester ses décisions.

L’impact sur le travail exige une retenue similaire. La Banque mondiale estime que 4,5 % des emplois existants dans les économies à revenu faible et intermédiaire sont exposés à un risque d’automatisation lié à l’IA générative. L’estimation comparable pour les pays à revenu élevé est de 14,2 %.

Dans le même temps, la Banque estime que l’IA pourrait accroître de manière significative la productivité de 16,2 % des emplois dans les économies en développement. Ce chiffre est proche de l’estimation de 18,7 % pour les pays à revenu élevé.

Ces chiffres soutiennent une stratégie de complémentarité avec les travailleurs, mais ils restent des estimations à l’échelle de l’économie. Les résultats réels dépendront du secteur, de la profession, du comportement des employeurs et du pouvoir de négociation des travailleurs. Les gains de productivité ne se traduisent pas automatiquement par de meilleurs salaires ou de meilleures conditions de travail.

La position de la Banque mondiale est que les pays en développement devraient se concentrer sur le renforcement d’expertises rares. Cela est plausible dans les secteurs où trop peu de professionnels servent de vastes populations. Cela devient moins convaincant si les institutions utilisent l’IA principalement pour réduire les effectifs ou affaiblir la responsabilité.

Une autre incertitude concerne la concentration du marché. La petite IA peut être construite sur une technologie contrôlée ailleurs. Un pays peut éviter de construire un centre de données tout en restant dépendant de puces étrangères, de services cloud, de poids de modèles ou d’interfaces de programmation d’applications.

La localisation peut donc réduire une forme de dépendance tout en en préservant une autre. Les gouvernements devraient examiner l’ensemble de la chaîne d’approvisionnement, notamment qui contrôle les mises à jour, l’accès aux données et le support technique.

L’affirmation de la Banque mondiale selon laquelle l’IA peut condenser un siècle de développement en une décennie doit être lue comme une déclaration de potentiel, et non comme une prévision. Le développement économique dépend des institutions, de l’éducation, des infrastructures, de la santé publique, du commerce, de la finance et de la stabilité politique. Les logiciels ne peuvent se substituer à ces fondations.

La petite IA est la plus crédible lorsqu’elle améliore un service défini au sein de ce système plus vaste. Elle devient moins crédible lorsqu’elle est présentée comme un raccourci contournant l’investissement de base.

Trois signaux montreront si la petite IA peut passer à l’échelle

Le prochain test sera de savoir si les gouvernements peuvent transformer des modèles spécialisés en services mesurés et maintenables sans créer de nouvelles dépendances.

Le premier signal sera la production de preuves rigoureuses issues de déploiements à grande échelle. Les gouvernements et les institutions de développement devraient publier des résultats comparant les services soutenus par l’IA aux méthodes existantes. Les études les plus utiles incluront les taux d’erreur, les coûts d’exploitation, les résultats pour les utilisateurs et les performances selon les langues et les régions.

Des résultats positifs dans l’agriculture, la santé ou l’éducation renforceraient la thèse de la Banque mondiale sur la petite IA. Des échecs répétés de projets pilotes ou des comparaisons faibles montreraient qu’un déploiement à faible coût ne garantit pas un impact significatif.

Les preuves doivent aussi inclure les utilisateurs les plus faciles à exclure. Les systèmes devraient être testés avec des personnes utilisant des téléphones plus anciens, des connexions plus faibles, différents dialectes et ayant une maîtrise numérique limitée. Les performances moyennes peuvent masquer de graves écarts d’accès.

Le deuxième signal sera l’investissement dans les quatre fondations. La petite IA réduit les besoins en infrastructure, mais elle a toujours besoin d’électricité, de connectivité, d’accès au calcul, de données locales et de personnes qualifiées. Les gouvernements doivent financer ces compléments plutôt que de considérer les modèles légers comme leurs remplaçants.

La Banque mondiale soutient Mission 300, qui vise à fournir un accès à l’électricité à 300 millions de personnes en Afrique subsaharienne d’ici 2030. Les progrès d’initiatives comme celle-ci détermineront si les services numériques atteignent de manière fiable les écoles, les cliniques et les entreprises rurales.

L’investissement dans les compétences devrait aller au-delà des développeurs de modèles. Les responsables des achats doivent évaluer les affirmations techniques. Les enseignants et les professionnels de santé doivent reconnaître les limites des systèmes. Les régulateurs ont besoin de méthodes pour enquêter sur les préjudices. Les chercheurs locaux ont besoin d’accéder aux données et aux ressources d’évaluation.

Si ces capacités se développent parallèlement aux déploiements, la petite IA peut devenir une composante de la capacité institutionnelle. Si les sous-traitants externes conservent tout le contrôle technique, les projets peuvent disparaître à la fin des financements.

Le troisième signal sera de savoir si les pays préservent le choix entre les fournisseurs. Les agences publiques devraient exiger des données portables, des interfaces documentées, un accès aux audits et des plans de sortie réalisables. Elles devraient éviter les systèmes incapables de fonctionner sans le cloud ou le flux de travail propriétaire d’un seul fournisseur.

Les technologies ouvertes peuvent aider, mais l’ouverture seule ne suffit pas. Les gouvernements ont besoin d’organisations capables de les maintenir. Ils ont aussi besoin de pratiques de sécurité, d’une responsabilité claire et de financements à long terme.

La diversité des fournisseurs renforcerait la stratégie en maintenant la compétitivité de l’adaptation locale. Une dépendance croissante envers quelques fournisseurs mondiaux l’affaiblirait, même si les modèles déployés restent petits.

Ces signaux deviendront visibles à travers les décisions d’achat, les évaluations indépendantes, les plans nationaux d’IA et les résultats des services publics. Les annonces de modèles seront moins instructives que les preuves qu’un service de clinique, d’école ou d’exploitation agricole continue de fonctionner après la fin de sa période pilote.

La Banque mondiale a identifié une alternative crédible à l’idée selon laquelle le développement de modèles de pointe serait la seule voie d’accès à l’IA. Son idée la plus forte est que l’utilité dépend du contexte, de la prestation et de la préparation institutionnelle.

La question plus difficile est de savoir si les gouvernements et les bailleurs de fonds soutiendront le travail peu spectaculaire qui sous-tend cette idée. Les jeux de données locaux doivent être maintenus. Les travailleurs de première ligne ont besoin de formation. Les systèmes nécessitent des audits, des mises à jour et des procédures de recours. Les infrastructures ont toujours besoin d’investissements.

Les lecteurs devraient surveiller les déploiements qui publient des résultats mesurables et donnent aux institutions locales un contrôle durable. Ces projets montreront si la petite IA de la Banque mondiale devient une stratégie de développement pratique ou un nouveau cycle de projets pilotes prometteurs. Le prochain jalon significatif n’est pas un modèle plus grand. C’est un système plus petit qui continue de fonctionner, atteint les utilisateurs exclus et produit des résultats que des évaluateurs indépendants peuvent vérifier.