Une réflexion sur les données, la transformation numérique et les conditions nécessaires au développement d’une intelligence artificielle réellement adaptée au contexte mauritanien.

Il y a quelques mois, j’écrivais un premier article consacré aux opportunités et aux défis liés au développement de l’intelligence artificielle en Mauritanie.

Depuis, les choses évoluent rapidement.

Les entreprises commencent à s’intéresser davantage à l’IA, les startups développent de nouvelles solutions, les formations se multiplient et des concepts qui semblaient encore réservés à un public spécialisé : LLM, RAG, agents IA, automatisation intelligente, entrent progressivement dans les conversations professionnelles.

J’ai récemment assisté à un événement consacré aux données, à l’intelligence artificielle et à la souveraineté. Cette rencontre m’a poussé à approfondir une réflexion que j’avais déjà en tête :

Et si l’un des principaux enjeux de l’IA en Mauritanie n’était finalement pas l’IA elle-même, mais tout ce qui doit exister en amont pour qu’elle soit réellement pertinente ?

Cette question mérite, selon moi, d’être posée.

Car nous risquons de parler de plus en plus d’intelligence artificielle sans suffisamment parler de ce qui constitue sa matière première : la donnée.

L’IA COMMENCE BIEN AVANT LE MODÈLE

Lorsqu’on parle d’intelligence artificielle, on pense naturellement aux modèles.

ChatGPT, Gemini, Claude, les modèles open source, le Machine Learning, le Deep Learning, les LLM, les agents IA…

Mais derrière toutes ces technologies se trouve une ressource fondamentale :

la donnée.

Sans données de qualité, il est difficile de construire des systèmes intelligents réellement pertinents.

Même lorsqu’on utilise un modèle généraliste déjà entraîné, la qualité des informations et des connaissances auxquelles on donne accès au modèle reste déterminante pour la qualité de la solution finale.

C’est là que se trouve, à mon sens, l’un des premiers défis pour la Mauritanie.

Nous disposons évidemment de données.

Mais disposons-nous de suffisamment de données :

• locales ;
• structurées ;
• accessibles ;
• fiables ;
• documentées ;
• interopérables ;
• sécurisées ;
• gouvernées ;
• et réellement exploitables ?

La réponse est probablement encore loin d’être satisfaisante.

Et c’est précisément cette situation qui devrait nous pousser à réfléchir davantage à notre culture de la donnée.

LE RISQUE DE CONSTRUIRE DES SOLUTIONS MAURITANIENNES AVEC DES DONNÉES QUI NE LE SONT PAS

Il faut ici apporter une nuance importante.

Les données internationales sont indispensables.

Les grands modèles internationaux ont énormément de valeur. Ils permettent aux développeurs et aux startups mauritaniens d’accéder à des technologies extrêmement puissantes sans devoir tout construire depuis zéro.

Le problème n’est donc pas d’utiliser des données ou des modèles étrangers.

Le véritable problème apparaît lorsque nous voulons construire des solutions destinées au marché mauritanien en nous appuyant principalement sur des données qui représentent insuffisamment la réalité mauritanienne.

Un modèle peut être extrêmement performant globalement et pourtant être moins pertinent dans un contexte local.

Pourquoi ?

Parce que la réalité mauritanienne possède ses propres spécificités.

• Nos langues.

• Nos usages.

• Notre administration.

• Notre réglementation.

• Nos entreprises.

• Nos secteurs économiques.

• Notre géographie.

• Nos procédures.

• Nos pratiques professionnelles.

• Nos habitudes numériques.

• Nos corpus documentaires.

• Nos connaissances métiers.

Toutes ces réalités doivent pouvoir être représentées dans les données et les connaissances utilisées par les systèmes que nous souhaitons construire.

Sinon, nous risquons de développer des solutions techniquement impressionnantes, mais insuffisamment adaptées au marché auquel elles sont destinées.

La question devient alors beaucoup plus intéressante :

Peut-on réellement construire des solutions d’IA destinées au marché mauritanien sans investir davantage dans la production, la collecte et le traitement de données mauritaniennes ?

UNE IA PEUT ÊTRE PERFORMANTE SANS ÊTRE PERTINENTE

C’est une distinction qui me semble essentielle.

Performance technique ≠ pertinence locale.

Un modèle peut obtenir d’excellents résultats sur des benchmarks internationaux.

Il peut être extrêmement performant en anglais, en français ou dans d’autres langues largement représentées dans ses données d’entraînement.

Mais cela ne signifie pas automatiquement qu’il comprend parfaitement :

• les réalités administratives mauritaniennes ;
• les procédures propres aux institutions locales ;
• les spécificités des entreprises mauritaniennes ;
• certains usages linguistiques ;
• les réalités économiques locales ;
• les documents produits par nos administrations ;
• ou les connaissances spécifiques à certains secteurs.

La question n’est donc pas seulement :

« Quel est le meilleur modèle d’IA ? »

Elle devrait aussi être :

« Sur quelles données et quelles connaissances ce modèle doit-il travailler pour répondre correctement à notre réalité ? »

Et cette deuxième question est souvent beaucoup moins visible.

AVANT L’IA, IL Y A TOUTE UNE CHAÎNE

Lorsque nous imaginons aujourd’hui une architecture d’intelligence artificielle, nous avons tendance à voir quelque chose comme :

LLM → RAG → Agent IA → Application

Mais cette représentation oublie une grande partie du travail.

Dans la réalité, la chaîne ressemble davantage à ceci :

Collecte → Stockage → Qualité → Structuration → Gouvernance → Sécurité → Traitement → Connaissance → RAG / ML / LLM → Application

L’IA se trouve donc au sommet d’un écosystème beaucoup plus vaste.

Et si les fondations sont fragiles, la solution construite au-dessus le sera également.

C’est pourquoi je pense que la Mauritanie doit développer davantage une culture de la donnée, et pas uniquement une culture de l’intelligence artificielle.

Il faut apprendre à considérer la donnée comme une ressource stratégique, au même titre que les infrastructures et les compétences.

AVANT LE RAG, IL FAUT PARFOIS COMMENCER PAR LA TRANSFORMATION NUMÉRIQUE

C’est probablement l’un des paradoxes actuels.

Nous parlons déjà beaucoup de RAG, d’agents IA, d’automatisation intelligente, de copilotes et d’assistants métiers.

Et c’est une excellente chose.

Mais une question fondamentale devrait être posée avant de proposer ce type de solution à une organisation :

Sur quelles données et sur quelle infrastructure allons-nous la faire fonctionner ?

Imaginons une entreprise qui souhaite mettre en place un RAG interne.

Très bien.

Mais où se trouvent ses documents ?

• Sont-ils centralisés ?

• Sont-ils numérisés ?

• Sont-ils à jour ?

• Existe-t-il une nomenclature cohérente ?

• Les documents sont-ils correctement classifiés ?

• Les droits d’accès sont-ils définis ?

• Les informations sont-elles stockées dans une infrastructure maîtrisée ?

• Existe-t-il une véritable politique de gouvernance documentaire ?

Même question pour l’automatisation.

• Quel processus voulons-nous automatiser ?

• Est-il clairement défini ?

• Quelles sont ses données d’entrée ?

• Où sont-elles stockées ?

• Dans quel format ?

• Qui les valide ?

• Quels systèmes d’information sont impliqués ?

Et surtout :

Ces systèmes peuvent-ils communiquer entre eux ?

LE RISQUE DE METTRE DE L’IA SUR DU « DÉSORDRE NUMÉRIQUE »

Dans certaines organisations, nous pouvons encore rencontrer des situations où :

• les données sont dispersées sur plusieurs ordinateurs ;
• des fichiers Excel existent sous différentes versions ;
• certains documents sont encore essentiellement papier ;
• les informations sont stockées dans des répertoires personnels ;
• les processus restent largement manuels ;
• plusieurs systèmes ne communiquent pas entre eux ;
• les bases de données sont peu structurées ;
• les politiques de gouvernance des données sont inexistantes ou embryonnaires ;
• et parfois même, l’organisation ne dispose pas encore d’une véritable plateforme collaborative et documentaire comme Microsoft 365.

Dans ce contexte, vendre directement une solution RAG ou une automatisation par agents IA peut parfois revenir à mettre de l’IA sur un système d’information qui n’est pas encore suffisamment mature.

Le problème n’est pas que la technologie ne fonctionne pas.

Le problème est que l’organisation n’a peut-être pas encore les prérequis nécessaires pour en tirer pleinement parti.

Cela ne signifie pas qu’il faut attendre que toutes les organisations soient parfaitement digitalisées avant de faire de l’IA.

Cela signifie simplement qu’il faut adapter les solutions au niveau de maturité numérique réel de chaque organisation.

LE RAG NE TRANSFORME PAS LE DÉSORDRE EN CONNAISSANCE

Il existe parfois une vision un peu magique du RAG.

On imagine qu’il suffit de prendre les documents d’une entreprise, de les envoyer dans une base vectorielle, de connecter un LLM et d’obtenir immédiatement un assistant intelligent.

Dans la réalité, le travail commence bien avant.

Il faut :

Collecter → Numériser → Nettoyer → Classer → Structurer → Contrôler → Sécuriser → Indexer → Rechercher → Exploiter

Et même cela ne suffit pas toujours.

Il faut également réfléchir à la fraîcheur de l’information, aux droits d’accès, aux sources utilisées, à la traçabilité des réponses et à la qualité des documents.

Un mauvais corpus documentaire peut donc produire un mauvais système RAG.

Le RAG ne crée pas miraculeusement de la connaissance.

Il valorise une connaissance que l’organisation doit d’abord être capable de produire, organiser et gouverner.

MÊME LOGIQUE POUR L’AUTOMATISATION

L’automatisation intelligente suit exactement la même logique.

Avant de dire :

« Nous allons automatiser ce processus avec un agent IA. »

Il faudrait parfois commencer par :

« Comprenons et numérisons correctement ce processus. »

Un processus mal défini, manuel et non documenté ne devient pas automatiquement un bon processus parce qu’on lui ajoute de l’IA.

On risque simplement d’automatiser un processus inefficace.

Il faut donc parfois passer par :

Processus → Digitalisation → Standardisation → Intégration → Automatisation → IA

et non directement :

Processus → IA

C’est une différence fondamentale.

L’IA ne doit pas devenir une couche que l’on ajoute systématiquement à tout.

Elle doit répondre à un besoin réel, sur une infrastructure adaptée, avec des données exploitables.

LA GOUVERNANCE DES DONNÉES DEVIENT UN ENJEU STRATÉGIQUE

La question des données ne concerne pas uniquement leur disponibilité.

Elle concerne également leur gouvernance.

• Qui possède les données ?

• Qui peut les consulter ?

• Qui peut les modifier ?

• Qui peut les exporter ?

• Où sont-elles stockées ?

• Pendant combien de temps ?

• Pour quelle finalité peuvent-elles être utilisées ?

• Comment garantir leur qualité ?

• Comment assurer leur traçabilité ?

• Comment protéger les données sensibles ?

Et surtout :

Que se passe-t-il lorsque ces données deviennent la matière première d’un système d’intelligence artificielle ?

Ces questions deviennent encore plus importantes lorsqu’il s’agit de données administratives, financières, médicales, éducatives ou stratégiques.

L’IA rend donc encore plus urgente la mise en place d’une véritable culture de gouvernance de la donnée.

LA SOUVERAINETÉ NE SE LIMITE PAS AU STOCKAGE DES DONNÉES

Parler de souveraineté numérique uniquement sous l’angle de l’endroit où les données sont stockées serait réducteur.

La chaîne est beaucoup plus large :

Données → Cloud → Infrastructure → Logiciels → API → Modèles → Applications → Utilisateurs

Si nous dépendons fortement de fournisseurs étrangers pour plusieurs maillons essentiels de cette chaîne, nous devons également réfléchir aux risques associés à cette dépendance.

Cela ne signifie évidemment pas qu’il faut tout construire localement.

Ce serait irréaliste.

La question est plutôt :

Quels éléments devons-nous maîtriser ?

Quels éléments pouvons-nous externaliser ?

Et quelles dépendances sommes-nous prêts à accepter pour les données et les systèmes stratégiques ?

La souveraineté doit donc être pensée comme une capacité de maîtrise, et non simplement comme une question de localisation géographique.

FAUT-IL VRAIMENT ENTRAÎNER UN « LLM MAURITANIEN » ?

C’est une question qui reviendra probablement de plus en plus.

Et je pense qu’il faut éviter de commencer par la mauvaise question.

La question n’est pas nécessairement :

« Comment entraîner notre propre grand modèle de langage depuis zéro ? »

Cela nécessiterait énormément de données, de puissance de calcul, d’expertise et de ressources.

Une stratégie plus pragmatique pourrait être de construire progressivement nos propres corpus de connaissances et données locales, puis de les exploiter avec des modèles existants.

C’est ici que les architectures RAG et les LLM personnalisés deviennent particulièrement intéressantes.

On pourrait imaginer des bases de connaissances spécialisées contenant :

• les textes réglementaires mauritaniens ;
• la documentation administrative ;
• les procédures internes des organisations ;
• les connaissances métiers ;
• des documents sectoriels ;
• des corpus linguistiques ;
• des données économiques ;
• des informations géographiques ;
• des archives documentaires.

L’objectif ne serait pas nécessairement de réinventer le modèle.

Il serait d’abord de construire la connaissance locale sur laquelle les modèles pourront s’appuyer.

IL FAUT DONC COMMENCER À COLLECTER

Et c’est probablement l’un des grands chantiers auxquels nous devons réfléchir.

Nous devons accentuer la culture de la collecte de données.

Collecter ne signifie évidemment pas collecter n’importe quoi, n’importe comment.

Il faut collecter :

• avec un objectif ;
• dans un cadre légal ;
• avec des règles de qualité ;
• avec des standards ;
• avec une gouvernance ;
• avec des mécanismes de sécurité ;
• et avec une vision à long terme.

Une donnée collectée aujourd’hui peut devenir une ressource stratégique demain.

Mais une donnée mal collectée, mal documentée ou mal gouvernée peut devenir pratiquement inutilisable.

La culture de la donnée doit donc commencer bien avant l’utilisation de l’IA.

DATA AVANT IA : UNE QUESTION DE FORMATION

Nous parlons beaucoup aujourd’hui de formation à l’intelligence artificielle.

C’est nécessaire.

Mais je pense que nous devons également nous poser une autre question :

Avons-nous suffisamment de compétences dans les métiers de la Data qui se trouvent en amont de l’IA ?

Nous avons besoin :

• De Data Analysts pour comprendre et valoriser les données.

• De Data Engineers pour construire les pipelines et les infrastructures nécessaires.

• De Data Scientists pour analyser les données et développer des modèles.

• De Data Architects pour concevoir les architectures de données.

• De spécialistes de la gouvernance pour définir les règles de gestion et de qualité.

• De Cloud Engineers pour construire les infrastructures.

• De spécialistes en cybersécurité pour sécuriser l’ensemble.

Puis viennent les Machine Learning Engineers et les AI Engineers pour construire les systèmes intelligents.

L’erreur serait de vouloir former directement toute une génération d’AI Engineers sans construire simultanément l’écosystème de compétences qui leur permettra de travailler sur une matière première exploitable.

C’est pourquoi je pense que la formation doit évoluer vers une logique plus progressive :

Data Analyst → Data Engineer → Data Scientist → Machine Learning Engineer → AI Engineer

Ce parcours n’est évidemment pas unique ni obligatoire, mais il illustre une réalité :

L’IA repose sur toute une chaîne de métiers Data et technologiques.

Former à l’IA sans développer les compétences Data en amont revient à construire une partie de la chaîne en laissant les autres maillons insuffisamment développés.

« DATA AVANT IA » NE SIGNIFIE PAS « DATA AU LIEU DE L’IA »

Je tiens particulièrement à cette nuance.

Il ne s’agit absolument pas de dire :

« Arrêtons de former à l’IA et concentrons-nous uniquement sur la Data. »

Au contraire.

Nous avons besoin des deux.

Mais nous devons comprendre leur complémentarité.

Data → IA

et non simplement :

IA → IA → IA

Si nous voulons développer des solutions d’intelligence artificielle adaptées à la Mauritanie, nous devons développer simultanément :

Culture Data + Infrastructures Data + Compétences Data + Gouvernance Data + Compétences IA

C’est cette chaîne complète qui permettra de créer de la valeur.

UNE NOUVELLE MANIÈRE DE PENSER LA TRANSFORMATION NUMÉRIQUE

Peut-être devons-nous également accepter qu’il n’existe pas un seul niveau de maturité numérique en Mauritanie.

Certaines organisations sont déjà très avancées.

Elles disposent de systèmes d’information modernes, de bases de données structurées, de solutions cloud, de suites collaboratives et de processus numériques.

Pour elles, les cas d’usage IA peuvent être rapidement pertinents.

D’autres organisations doivent encore franchir plusieurs étapes.

Pour elles, la priorité peut être :

Numériser → Centraliser → Structurer → Sécuriser → Gouverner → Intégrer → Automatiser → Puis utiliser l’IA

Il ne s’agit pas de retarder l’IA.

Il s’agit de construire l’IA au bon endroit et au bon moment.

LA MAURITANIE DOIT-ELLE DEVENIR PRODUCTRICE OU SEULEMENT CONSOMMATRICE D’IA ?

C’est peut-être finalement la question fondamentale.

Nous pouvons devenir de grands utilisateurs de solutions développées ailleurs.

Nous pouvons utiliser les meilleurs LLM.

Nous pouvons intégrer les meilleures plateformes cloud.

Nous pouvons acheter des solutions d’automatisation.

Et tout cela est parfaitement légitime.

Mais si nous voulons construire une véritable industrie numérique, nous devons également développer notre capacité à :

• produire nos données ;
• produire nos connaissances ;
• développer nos compétences ;
• construire nos infrastructures ;
• développer nos solutions ;
• et maîtriser une partie stratégique de notre chaîne technologique.

L’objectif n’est pas de tout faire nous-mêmes.

Ce serait ni réaliste ni nécessaire.

L’objectif est de ne pas être uniquement des consommateurs de technologies conçues ailleurs.

UNE OPPORTUNITÉ POUR LES STARTUPS MAURITANIENNES

Cette situation représente d’ailleurs une opportunité considérable pour les startups.

Le marché n’a pas seulement besoin de startups qui construisent des applications IA.

Il a également besoin d’acteurs capables de résoudre les problèmes qui se trouvent avant l’IA :

• digitalisation documentaire ;
• Data Engineering ;
• plateformes de données ;
• gouvernance ;
• qualité des données ;
• intégration des systèmes ;
• Cloud ;
• cybersécurité ;
• automatisation des processus ;
• architectures RAG ;
• bases de connaissances ;
• solutions métiers adaptées au contexte local.

Il y a probablement là un marché encore largement sous-exploité.

La transformation numérique et l’IA ne doivent donc pas être pensées comme deux mondes séparés.

La seconde doit pouvoir s’appuyer sur la première.

CONSTRUIRE L’ÉCOSYSTÈME AVANT DE CHERCHER UNIQUEMENT À CONSTRUIRE LE MODÈLE

Je pense donc qu’il faut changer légèrement notre manière de parler de l’IA en Mauritanie.

Au lieu de se demander uniquement :

« Combien de startups IA avons-nous ? »

Nous devrions aussi nous demander :

• Combien de données locales exploitables produisons-nous ?
• Combien d’organisations disposent d’une véritable gouvernance des données ?
• Combien de Data Engineers formons-nous ?
• Combien de systèmes d’information sont interopérables ?
• Combien d’entreprises disposent d’une infrastructure numérique suffisamment mature pour accueillir de l’IA ?
• Combien de corpus locaux sommes-nous en train de constituer ?
• Combien de solutions IA répondent réellement à des problématiques mauritaniennes ?

Ces indicateurs nous diraient probablement beaucoup plus sur notre maturité réelle en matière d’IA.

MON CONSTAT APRÈS CETTE RÉFLEXION

Je ne pense pas que la Mauritanie manque d’intelligence ou d’ambition dans le domaine de l’IA.

Au contraire.

Il existe aujourd’hui une vraie dynamique.

Mais nous devons faire attention à ne pas sauter certaines étapes fondamentales.

Nous pouvons développer des applications IA.

Nous pouvons utiliser des LLM.

Nous pouvons construire des RAG.

Nous pouvons développer des agents.

Mais derrière tout cela, il faut des données.

Et derrière les données, il faut :

des infrastructures, des processus, des standards, de la gouvernance, de la sécurité, des compétences.

C’est cette chaîne qu’il faut construire.

CONCLUSION : L’IA COMMENCE BIEN AVANT LE MODÈLE

Pour moi, le véritable enjeu de l’IA en Mauritanie n’est donc pas simplement de savoir comment utiliser l’intelligence artificielle.

Il est de savoir comment créer les conditions pour qu’elle soit réellement utile, pertinente et adaptée à notre réalité.

Nous devons évidemment continuer à former aux technologies d’IA.

Mais nous devons également accentuer fortement la formation et la culture autour de la Data.

Nous devons encourager les organisations à collecter, structurer, sécuriser et gouverner leurs données.

Nous devons accélérer la transformation numérique.

Nous devons développer les métiers Data.

Nous devons construire des infrastructures adaptées.

Et nous devons progressivement constituer nos propres corpus de connaissances.

Car finalement :

« On ne construit pas une IA pertinente sans données pertinentes. »

Et peut-être que la véritable question que nous devons nous poser aujourd’hui n’est pas :

« Comment construire plus d’IA en Mauritanie ? »

Mais plutôt :

« Comment construire les fondations qui permettront à la Mauritanie de développer une IA réellement adaptée à sa propre réalité ? »

L’IA est peut-être la partie visible de la révolution numérique.

La donnée, elle, en est l’infrastructure invisible.

Et si nous voulons construire une intelligence artificielle véritablement mauritanienne, il est peut-être temps de commencer par construire notre capacité à produire, maîtriser et valoriser nos propres données.

---