Parler d’intelligence artificielle en Afrique suppose de distinguer ce qui relève des usages, des modèles et des capacités qui les soutiennent.

Le premier article de cette série avait pour objectif de clarifier ce qu’est l’intelligence artificielle, ce qu’est un système d’IA, et pourquoi plusieurs confusions apparaissent dès que l’on emploie ce terme. Ce deuxième texte déplace la question : non plus « qu’est-ce que l’IA ? » , mais « que signifie concrètement parler d’IA en Afrique ? »

L’enjeu, ici, n’est pas de réciter un discours technologique de plus. Il est d’essayer de formuler le débat avec davantage de précision. Car parler d’IA en Afrique revient souvent à superposer des réalités très différentes : des usages concrets déjà possibles, des modèles technologiques plus avancés, et des infrastructures encore inégalement réparties sur le continent.

Point de départ : le vrai débat n’oppose pas l’optimisme et le scepticisme. Il consiste plutôt à distinguer les différents niveaux du sujet pour savoir où l’action est possible maintenant, et où la construction doit se faire sur le temps long.

1. Un débat souvent tiré dans deux directions à la fois

Lorsque l’on parle d’IA en Afrique, deux constats reviennent souvent. Le premier souligne qu’il existe une opportunité économique réelle. Dans son rapport Leading, not lagging: Africa’s gen AI opportunity, McKinsey estime que l’IA générative pourrait débloquer entre 61 et 103 milliards de dollars de valeur économique additionnelle annuelle sur le continent si les cas d’usage pertinents passent de l’expérimentation au déploiement à l’échelle. La formule « jusqu’à 100 milliards de dollars » existe aussi dans le rapport, mais la fourchette est plus précise et donc préférable.

Le second constat rappelle que les contraintes structurelles restent fortes : accès inégal à l’électricité, connectivité encore incomplète, disponibilité variable des compétences, capacités de calcul limitées dans plusieurs pays, dépendance à des plateformes extérieures et accès inégal à des données de qualité. Les travaux de l’OCDE sur la capacité nationale de calcul pour l’IA et ceux de la GSMA montrent que la base matérielle, institutionnelle et humaine reste décisive pour passer de l’essai à une adoption durable.

La difficulté ne vient donc pas du fait qu’un de ces deux récits serait vrai et l’autre faux. Elle vient du fait qu’ils ne parlent pas exactement du même plan.

220 Md$

de contribution du secteur mobile à l’économie africaine en 2024, soit 7,7 % du PIB, selon la GSMA.

3 dimensions

pour penser la capacité nationale d’IA selon l’OCDE : capacité, efficacité et résilience.

3 axes

pour penser la capacité nationale d’IA selon l’OCDE : capacité, efficacité et résilience.

2. Distinguer les plans du débat

Le premier article a montré qu’en matière d’IA, plusieurs réalités coexistent : l’usage , le modèle et l’infrastructure. Cette distinction devient particulièrement utile dans le contexte africain.

Lorsqu’une entreprise, une administration, une startup ou une équipe locale utilise un système existant pour résoudre un besoin précis, elle se situe d’abord du côté de l’usage. Lorsqu’un acteur conçoit, entraîne, adapte ou spécialise des systèmes avancés, il se situe du côté du modèle. Lorsqu’un État, une région ou un écosystème cherche à construire une capacité durable en matière de calcul, de cloud, de données, d’énergie, de cybersécurité ou de souveraineté numérique, il se situe du côté de l’infrastructure.

Cette distinction devient très concrète dès qu’on prend des exemples sectoriels. En santé, un ministère peut déployer un outil de tri de dossiers, de résumé de comptes rendus ou d’aide à la surveillance épidémiologique sans pour autant entraîner ses propres grands modèles. Dans l’énergie, une entreprise peut utiliser des systèmes de détection d’anomalies, de planification de maintenance ou d’assistance aux usagers sans disposer elle-même d’une infrastructure de calcul de classe mondiale. Dans l’agriculture, un service de conseil ou d’alerte peut être utile bien avant qu’un pays ne maîtrise toute la chaîne technologique. Ces cas relèvent d’abord de l’usage ; ils n’épuisent pas pour autant la question du modèle ni celle de l’infrastructure.

Cette façon de lire le sujet rejoint le cadre de classification des systèmes d’IA de l’OCDE, qui invite à analyser les systèmes selon leurs données d’entrée, leurs modèles, leurs tâches et leurs effets. Elle rejoint aussi la réflexion de l’OCDE sur le calcul pour l’IA, qui propose d’appréhender la capacité nationale selon trois dimensions : la capacité (availability and use), l’efficacité (people, policy, innovation, access) et la résilience (security, sovereignty, sustainability).

Usage

Répondre à un problème concret avec un outil disponible ou adaptable dès maintenant.

Modèle

Choisir, adapter ou spécialiser le moteur technique qui rend possible l’application.

Infrastructure

Créer les conditions de l’autonomie technologique, de la montée en charge et de la résilience.

Autrement dit, parler d’IA en Afrique ne revient pas automatiquement à parler de centres de données souverains ou de modèles entraînés localement à grande échelle. Cela peut aussi vouloir dire, de manière beaucoup plus immédiate, utiliser intelligemment des systèmes existants pour améliorer un service, automatiser une tâche, mieux cibler une politique publique ou résoudre un problème concret.

À retenir

Le débat devient plus juste dès lors que l’on ne confond plus les usages immédiats avec les capacités structurelles de long terme.

3. Pourquoi cette distinction compte

Cette distinction change profondément la discussion. Si l’on parle uniquement d’infrastructure, on risque de conclure trop vite que l’IA resterait hors de portée tant que toutes les conditions lourdes ne sont pas réunies. Mais si l’on ne parle que d’usages, on risque à l’inverse d’ignorer des questions stratégiques de dépendance, de sécurité, de localisation des données, de pouvoir de négociation technologique et de capacité de long terme.

L’intérêt n’est donc pas de choisir entre l’un et l’autre. Il est de reconnaître que les deux niveaux existent, mais qu’ils n’impliquent ni les mêmes acteurs, ni les mêmes horizons temporels, ni les mêmes décisions. À court terme, beaucoup d’acteurs africains peuvent déjà créer de la valeur par l’usage. À plus long terme, la question de l’infrastructure demeure centrale si l’on veut renforcer l’autonomie technologique du continent.

Le risque si l’on ne parle que d’infrastructure

Tout semble trop lourd, trop loin, trop coûteux. Le débat devient vite paralysant, comme si l’action devait attendre que toutes les briques soient déjà réunies.

Le risque si l’on ne parle que d’usages

On gagne peut-être en rapidité, mais on oublie des questions décisives : dépendance technologique, sécurité, données, durabilité et capacité stratégique.

4. L’analogie de l’électricité, avec prudence

Pour éclairer cette situation, une analogie revient souvent : celle de l’électricité. Produire l’électricité et utiliser l’électricité ne relèvent pas du même niveau d’engagement. Construire une centrale exige des investissements lourds, une ingénierie complexe, du temps et une gouvernance robuste. Utiliser un appareil branché sur un réseau existant relève d’une autre logique.

Jusqu’à un certain point, cette analogie aide à penser l’IA. Concevoir des modèles de fondation à l’échelle mondiale n’a pas grand-chose à voir avec l’usage de systèmes déjà disponibles pour améliorer un service ou résoudre un problème précis. C’est d’ailleurs pour cette raison que l’exemple du mobile money revient souvent dans les discussions africaines : le continent n’a pas inventé la téléphonie mobile, mais il a montré qu’une technologie existante pouvait être réagencée de manière pertinente pour répondre à un problème local massif de paiement, de transfert et d’accès au service.

Le rapport The Mobile Economy Africa 2025 rappelle que le secteur mobile a contribué à hauteur de 220 milliards de dollars à l’économie africaine en 2024, soit 7,7 % du PIB. La GSMA ne dit pas que cette contribution équivaut à un effet direct de l’IA ; en revanche, ces chiffres montrent qu’une infrastructure de connectivité déjà largement diffusée peut servir de socle à des services numériques plus avancés, y compris ceux qui mobilisent l’IA.

Mais l’analogie a ses limites. L’IA dépend fortement des données, du calcul, des centres de données, de la connectivité, des compétences et de la gouvernance. Elle ne se diffuse pas par simple volonté politique ou par effet de mode. C’est pourquoi il faut tenir ensemble les deux dimensions : l’usage immédiat et la capacité structurelle.

5. Une entrée plus réaliste dans le débat

Dans ce contexte, la question la plus féconde n’est peut-être pas : « l’Afrique est-elle prête pour l’IA ? » Cette formule est trop globale. Elle mélange des réalités différentes et conduit souvent à des réponses excessives.

Une question plus utile serait plutôt : sur quels problèmes concrets des systèmes d’IA peuvent-ils, dès maintenant, produire une amélioration mesurable dans des contextes africains ?

Cette manière de poser la question ne nie pas les contraintes. Elle ne minimise ni les enjeux de connectivité, ni ceux de calcul, ni ceux de souveraineté. Mais elle évite que ces contraintes deviennent l’unique point de départ du raisonnement. Autrement dit, l’IA peut déjà compter, même là où tout n’est pas encore réuni pour la maîtriser de bout en bout.

Concrètement, cela signifie qu’un débat sérieux devrait partir d’un portefeuille d’usages : appui au diagnostic ou au suivi en santé, assistance linguistique dans l’éducation, détection d’anomalies dans les services publics, aide à la maintenance dans l’énergie, ou encore amélioration de la relation usager dans l’administration. À chaque fois, la question centrale reste la même : quelle amélioration mesurable produit-on, pour quel public, avec quelles données, sous quelle responsabilité et avec quelle perspective de montée en capacité ?

Partir des problèmes Choisir les bons usages Mesurer la valeur créée Construire progressivement la capacité

6. Ce que cette approche permet de voir

Vue sous cet angle, l’IA cesse d’être un objet abstrait ou intimidant. Elle redevient ce qu’elle devrait toujours être : un ensemble de moyens à confronter à des besoins réels.

C’est là que plusieurs atouts africains apparaissent plus nettement. Le premier est la proximité avec les problèmes. Dans de nombreux domaines — santé, agriculture, énergie, mobilité, administration, services urbains, éducation — les besoins sont connus, concrets et parfois insuffisamment servis par des solutions génériques conçues ailleurs.

Le deuxième atout est une certaine souplesse institutionnelle et technique. Dans plusieurs contextes africains, l’absence de systèmes hérités très lourds peut aussi ouvrir un espace pour des solutions plus légères, plus directes et plus mobiles. Le troisième est une tradition d’innovation sous contrainte. Lorsqu’elle rencontre une méthode rigoureuse, cette inventivité peut devenir un véritable levier.

C’est d’ailleurs ce que suggère en creux le rapport de McKinsey : le potentiel économique de l’IA en Afrique dépendra moins d’un discours général sur la technologie que de la capacité à identifier les bons cas d’usage, à les déployer sérieusement et à les faire monter en échelle.

7. Ni euphorie, ni fatalisme

Parler d’IA en Afrique exige donc une posture équilibrée.

L’euphorie technologique conduit à croire que l’IA suffira à résoudre des problèmes structurels profonds. Le fatalisme infrastructurel conduit à penser qu’aucune valeur n’est possible tant que toutes les briques lourdes ne sont pas localement maîtrisées. Entre les deux, il existe une position plus juste : reconnaître que l’infrastructure compte énormément, tout en admettant que de nombreux usages utiles peuvent déjà être pensés, testés et déployés.

C’est probablement à cette condition que le débat devient enfin productif : lorsqu’il ne confond plus l’immédiat avec le structurel, ni l’ambition avec l’illusion.

8. Repartir des problèmes, non des symboles

Au fond, la question n’est peut-être pas de savoir si l’Afrique « entre » ou « n’entre pas » dans l’IA. La question est plus concrète : comment utiliser avec intelligence des systèmes disponibles pour répondre à des besoins clairement identifiés, tout en construisant progressivement les conditions d’une plus grande autonomie ?

Il ne s’agit pas d’opposer l’usage à l’infrastructure. Il s’agit de comprendre qu’ils ne jouent pas le même rôle, ni au même moment. L’avenir africain de l’IA ne se jouera donc pas uniquement dans les data centers. Il se jouera aussi — et peut-être d’abord — dans la capacité à poser correctement les problèmes, à choisir les bons outils, à produire de la valeur mesurable, puis à transformer cette dynamique d’usage en capacité plus durable.

Conclusion

L’Afrique n’a pas besoin d’attendre une perfection infrastructurelle pour entrer dans l’IA par les usages. Mais elle ne peut pas non plus ignorer la construction des capacités qui conditionneront sa marge de manœuvre future. La bonne stratégie consiste à tenir les deux ensemble.

Le troisième article de cette série proposera précisément de regarder ce que cela donne dans un cas concret développé au Gabon.

Revenir au socle

Article 1 — L’intelligence artificielle, c’est quoi exactement ?

Avant de discuter de stratégie, il fallait d’abord clarifier les mots : distinguer l’IA comme domaine, le système d’IA comme objet concret, puis les trois niveaux usage / modèle / infrastructure.

Ouvrir

Aller vers le cas concret

Article 3 — GabonHub : ce qu’un problème concret nous apprend sur l’IA

Cette grille d’analyse prend tout son sens lorsqu’on l’applique à un service local précis : un problème citoyen, des données publiques, une interface utile et des limites clairement assumées.

Ouvrir

Parcours de la série

Les trois articles ont été pensés comme une progression éditoriale : clarifier les mots, situer les enjeux stratégiques, puis observer un cas d’usage concret au Gabon.

Article 1Clarifier L’intelligence artificielle, c’est quoi exactement ? Article 2Situer IA en Afrique : partir des usages sans perdre de vue l’infrastructure Article 3Appliquer GabonHub : ce qu’un problème concret nous apprend sur l’IA

Questions rapides pour retenir l’essentiel

Pourquoi distinguer usages, modèles et infrastructure ?

Parce que ces trois niveaux ne mobilisent ni les mêmes décisions, ni les mêmes acteurs, ni les mêmes horizons temporels. Mélanger ces niveaux conduit à brouiller le débat sur l’IA en Afrique.

Peut-on créer de la valeur avec l’IA en Afrique sans tout maîtriser localement ?

Oui. De nombreux usages peuvent déjà être conçus à partir de systèmes existants, à condition qu’ils répondent à des problèmes concrets, qu’ils soient bien gouvernés et qu’ils s’appuient sur des données pertinentes.

Pourquoi l’infrastructure reste-t-elle malgré tout décisive ?

Parce qu’elle conditionne la résilience, la sécurité, l’échelle, la souveraineté numérique, la maîtrise des données et la capacité à ne pas dépendre entièrement d’acteurs extérieurs.

Quelle est la meilleure manière d’aborder l’IA sur le continent ?

Partir des besoins réels, déployer des cas d’usage utiles, mesurer les résultats, puis transformer les apprentissages obtenus en stratégie plus durable de compétences, de données et d’infrastructure.

Sources principales