Categoría: Entrées en Français

L’Amérique latine doit développer sa propre infrastructure robotique — interopérable, adaptée à ses contextes territoriaux et orientée stratégiquement — si elle souhaite participer avec une plus grande autonomie à la nouvelle économie industrielle mondiale. La robotique ne doit plus être comprise uniquement comme l’acquisition de bras industriels, de drones ou de systèmes automatisés isolés. Elle doit plutôt être conçue comme une infrastructure technologique complexe, réunissant des robots physiques, des systèmes d’automatisation logicielle, l’intelligence artificielle, des capteurs, la connectivité, les données, la cybersécurité, les talents humains, les laboratoires, les normes et les capacités productives locales.

Cette discussion devient de plus en plus urgente. À l’échelle mondiale, le déploiement de la robotique progresse à des rythmes très différents selon les régions, accentuant les écarts existants en matière de productivité, d’innovation et de compétitivité industrielle. Selon la Fédération internationale de robotique, la Chine a représenté 54 % des installations mondiales de robots industriels en 2024, avec près de 295 000 robots industriels installés cette année-là, consolidant ainsi sa position de plus grand marché robotique au monde. Cette tendance confirme que la robotique n’est plus un actif technologique périphérique, mais une infrastructure critique pour rivaliser dans l’économie industrielle contemporaine.

1. La robotique comme infrastructure stratégique
Pendant plusieurs décennies, la robotique a été principalement associée à la fabrication avancée et à l’automatisation industrielle. Aujourd’hui, cette interprétation est devenue trop étroite. La robotique s’est transformée en une infrastructure transversale, avec des applications dans la production, la logistique, la santé, l’agriculture, l’exploitation minière, l’énergie, l’éducation, l’inspection des infrastructures, la gestion urbaine et les services.

Parler d’infrastructure robotique implique de reconnaître plusieurs couches interconnectées. La première est une couche physique, composée de robots industriels, de robots collaboratifs, de drones, de véhicules autonomes, de robots mobiles, de capteurs, d’actionneurs, de laboratoires, de stations de recharge et d’environnements opérationnels. La deuxième est une couche numérique, qui comprend les logiciels robotiques, les plateformes de contrôle, les jumeaux numériques, les systèmes de simulation, l’intelligence artificielle, l’Internet industriel des objets, les API, l’informatique en nuage et l’edge computing. La troisième est une couche de données, centrée sur la capture, le stockage, l’analyse, la traçabilité, l’entraînement de modèles, la surveillance prédictive et la gouvernance des données. Enfin, il existe une couche organisationnelle, qui comprend les talents humains, les normes, les réglementations, la cybersécurité, les modèles de maintenance, l’éthique technologique et les stratégies d’adoption par les entreprises.

Dans cette perspective, une politique robotique pour l’Amérique latine ne peut pas se réduire à l’achat d’équipements. Elle doit plutôt construire une architecture de capacités capable de relier l’industrie, les universités, le secteur public, l’entrepreneuriat, la recherche appliquée et la formation des talents.

2. Le défi géoéconomique : la Chine se développe à grande échelle, les États-Unis innovent, l’Amérique latine adopte lentement

Le paysage international révèle un écart profond. La Chine a transformé la robotique en une politique industrielle de grande ampleur. Son leadership ne s’explique pas seulement par la taille de son économie, mais aussi par l’articulation coordonnée de sa capacité manufacturière, de ses mécanismes de financement, de ses fournisseurs locaux, de son développement technologique, de son automatisation productive et de sa stratégie industrielle. Selon la Fédération internationale de robotique, la Chine n’a pas seulement été le plus grand marché mondial des robots industriels en 2024 ; elle a également dépassé les deux millions de robots industriels en fonctionnement, constituant ainsi le plus grand parc opérationnel au monde.

Les États-Unis, pour leur part, conservent des forces importantes dans la recherche, l’intelligence artificielle, les logiciels, les startups, les laboratoires universitaires et la robotique avancée. Toutefois, même aux États-Unis, la nécessité d’une stratégie nationale plus coordonnée est de plus en plus reconnue. En 2025, l’Association for Advancing Automation a proposé une vision pour une stratégie nationale de robotique, visant à renforcer la coordination interinstitutionnelle, le leadership technologique, la sécurité économique et l’innovation robotique.

L’Amérique latine occupe une position différente. La région a réalisé des progrès dans l’automatisation industrielle, les drones, la robotique éducative, les applications en santé, la logistique, l’exploitation minière, l’agriculture de précision et l’automatisation des processus. Cependant, elle ne dispose pas encore d’une infrastructure robotique régionale suffisamment articulée. La Banque interaméricaine de développement a souligné que la robotique transforme des secteurs tels que la fabrication, la logistique, l’agriculture et les services, tout en mettant en évidence l’importance croissante des robots collaboratifs, des drones et des systèmes humanoïdes dans les environnements productifs contemporains.

En d’autres termes, le retard de l’Amérique latine n’est pas seulement un retard en matière de robotique. Il s’agit également d’un écart en matière de productivité, d’investissement, de talents, de connectivité, de sophistication industrielle, de gouvernance des données, de financement technologique et de politique publique.

3. Autonomie technologique : au-delà de la dépendance aux plateformes importées

L’autonomie technologique ne doit pas être comprise comme un isolement technologique. Elle renvoie plutôt à la capacité de décider, d’adapter, d’intégrer, de maintenir, d’auditer et de développer des technologies en fonction des besoins spécifiques de chaque territoire. Dans le domaine de la robotique, la dépendance peut apparaître à plusieurs niveaux : matériel importé, logiciels propriétaires, données hébergées hors de la région, services de maintenance externes, modèles d’intelligence artificielle non entraînés sur des données locales et normes définies par des écosystèmes industriels étrangers.

L’Amérique latine peut et doit importer des technologies. Toutefois, elle ne peut pas se limiter à être une consommatrice passive de plateformes externes. La région doit renforcer sa capacité à concevoir des solutions, adapter les robots aux environnements locaux, intégrer des capteurs, développer des logiciels, créer des laboratoires, former des talents spécialisés, générer ses propres données et construire des chaînes de valeur associées à la robotique.

Cette autonomie est particulièrement importante dans des secteurs stratégiques tels que l’agro-industrie, la santé, la transition énergétique, les infrastructures routières, les ports, la biodiversité, la gestion de l’eau, l’exploitation minière responsable, la fabrication, la sécurité au travail et les villes intelligentes. Comme l’a indiqué la CEPALC, les pays d’Amérique latine et des Caraïbes font face à des défis structurels qui limitent l’adoption effective des technologies numériques. Il devient donc nécessaire de renforcer les conditions permettant une transformation numérique inclusive et durable.

4. Compétitivité mondiale : sans robotique, il n’y aura pas de saut productif

L’Amérique latine a historiquement présenté de faibles niveaux de productivité par rapport aux économies plus industrialisées. La robotique pourrait devenir un levier essentiel pour réduire une partie de cet écart, mais seulement si elle est intégrée à une stratégie plus large de transformation productive.

L’infrastructure robotique peut contribuer à automatiser les tâches répétitives, dangereuses ou de faible précision ; améliorer la qualité et la traçabilité ; réduire les déchets ; augmenter la productivité ; optimiser la logistique ; renforcer l’agriculture de précision ; améliorer la sécurité au travail ; et créer de nouvelles capacités d’exportation. Cependant, ces bénéfices n’émergent pas automatiquement. Ils exigent des investissements, de la formation, une infrastructure numérique, de la connectivité, des systèmes de données et des capacités organisationnelles.

Pour cette raison, la robotique ne doit pas être considérée comme une simple collection de dispositifs isolés. Elle doit être comprise comme une dimension avancée de la transformation numérique productive. Sa valeur ne dépend pas seulement des machines elles-mêmes, mais aussi des écosystèmes qui rendent possibles leur adoption, leur adaptation et leur montée en échelle.

5. L’infrastructure robotique doit inclure à la fois des robots physiques et des robots logiques
Une idée reçue consiste à associer la robotique exclusivement aux machines physiques. Or, l’infrastructure robotique contemporaine inclut également des robots logiques : des systèmes logiciels capables d’automatiser des processus numériques.

Les robots physiques agissent sur le monde matériel. Ils assemblent, transportent, inspectent, nettoient, assistent, mesurent et manipulent des objets. Les robots logiques, en revanche, agissent sur l’information. Ils valident des données, intègrent des systèmes, traitent des demandes, génèrent des alertes, automatisent des procédures, extraient de l’information, exécutent des règles et soutiennent la prise de décision.

Pour l’Amérique latine, cette distinction est particulièrement importante. De nombreux secteurs peuvent commencer leur transformation robotique par l’automatisation des processus, la robotic process automation, les agents d’intelligence artificielle, les bots d’intégration et les systèmes d’analytique opérationnelle. Avec le temps, cette couche numérique peut être intégrée à des robots physiques dans les hôpitaux, les ports, les usines, les laboratoires, les centres logistiques et les territoires intelligents.

Cette compréhension élargie de la robotique permet à la région de progresser graduellement de l’automatisation numérique vers des formes plus complexes d’intégration cyberphysique.

6. Secteurs prioritaires pour l’Amérique latine
Un agenda latino-américain pour l’infrastructure robotique devrait donner la priorité aux secteurs dans lesquels la région fait face à des besoins critiques tout en possédant des avantages potentiels significatifs.

Dans l’agro-industrie et la sécurité alimentaire, la robotique peut soutenir le suivi des cultures, l’irrigation intelligente, la récolte assistée, l’analyse des sols, les drones agricoles et la traçabilité alimentaire.

Dans la santé et les services hospitaliers, la robotique peut contribuer au moyen de robots de transport interne, de l’automatisation des pharmacies, de la chirurgie assistée, de la gestion logistique, de l’automatisation administrative, du suivi à distance et des processus de traçabilité.

Dans les infrastructures physiques, les drones, les robots mobiles et les réseaux de capteurs peuvent appuyer l’inspection des ponts, des routes, des tunnels, des réseaux électriques, des aqueducs, des barrages et des bâtiments.

Dans la fabrication et la logistique, la robotique collaborative peut accroître la productivité des PME industrielles, des centres de distribution, des ports, des zones franches et des chaînes de valeur orientées vers l’exportation.

Dans l’exploitation minière, l’énergie et la transition écologique, les robots peuvent soutenir l’inspection à distance, les opérations dans des environnements dangereux, la maintenance prédictive et la surveillance environnementale.

Dans l’éducation et la recherche, les universités, les instituts techniques et les écoles devraient devenir des nœuds de formation, d’expérimentation, de recherche appliquée et de transfert technologique.

Ces secteurs montrent que l’infrastructure robotique ne doit pas être comprise uniquement comme une question de modernisation industrielle. Elle doit également être considérée comme une politique de développement liée à la transformation territoriale, à la productivité, à la durabilité et à la souveraineté technologique.

7. Vers un agenda régional
L’Amérique latine doit passer de projets isolés à une stratégie systémique. Une politique régionale d’infrastructure robotique devrait inclure au moins huit axes stratégiques : laboratoires nationaux et régionaux de robotique appliquée ; formation à grande échelle des talents techniques, technologiques et professionnels ; centres d’essai pour les PME ; politiques de données industrielles ; achats publics innovants ; collaboration université-entreprise-État ; cybersécurité et souveraineté numérique ; et coopération latino-américaine.

Un tel agenda est cohérent avec la nécessité d’avancer vers une transformation numérique inclusive, durable et orientée vers le développement productif. Il reconnaît également la robotique comme une technologie transversale capable de transformer simultanément de multiples secteurs.

Le défi n’est pas simplement d’adopter davantage de robots. Le véritable défi consiste à construire les conditions institutionnelles, technologiques, éducatives et productives permettant à la robotique de devenir une plateforme de développement.

8. Les risques de l’inaction
Si l’Amérique latine ne développe pas sa propre infrastructure robotique, elle fera face à plusieurs risques : dépendance technologique accrue, perte de compétitivité industrielle, retard dans les chaînes de valeur mondiales automatisées, difficulté à attirer des investissements avancés, faible productivité persistante, création limitée d’emplois à forte intensité technologique, vulnérabilité face aux fournisseurs externes et capacité réduite à mettre à l’échelle des solutions locales pour les défis territoriaux.

Le plus grand risque n’est pas simplement que les robots remplacent certaines tâches humaines. Le risque le plus important est que l’Amérique latine soit exclue des chaînes de valeur dans lesquelles la robotique, l’intelligence artificielle, les données et l’automatisation sont déjà devenues des conditions fondamentales de la concurrence mondiale.

Alors que la Chine progresse grâce à un déploiement industriel massif et que les États-Unis cherchent à consolider leur leadership à travers une stratégie nationale de robotique, l’Amérique latine doit formuler sa propre feuille de route — une feuille de route qui réponde à ses écarts structurels, à ses capacités existantes et à ses secteurs stratégiques.

Conclusion

L’infrastructure robotique doit devenir une priorité stratégique pour l’Amérique latine. Non pas comme une mode technologique, mais comme une condition pour construire l’autonomie, la productivité et la compétitivité mondiale.

La Chine avance grâce à son échelle industrielle. Les États-Unis continuent de renforcer leurs capacités de pointe en innovation, intelligence artificielle et logiciels. L’Amérique latine a encore l’occasion de construire sa propre voie, fondée sur ses besoins productifs, sociaux et territoriaux.

Cette voie ne doit pas se limiter à l’importation de robots. Elle doit inclure le développement des talents, les laboratoires appliqués, le soutien aux PME, le développement logiciel, la génération de données, la protection des infrastructures critiques, la collaboration entre universités et entreprises, ainsi que des politiques publiques de long terme.

La question centrale n’est plus de savoir si l’Amérique latine doit adopter la robotique. La véritable question est de savoir si elle le fera en tant que consommatrice dépendante ou comme une région capable de construire ses propres capacités technologiques.

Une infrastructure robotique latino-américaine est, en définitive, une infrastructure pour l’autonomie. Et sans autonomie technologique, la compétitivité mondiale sera de plus en plus difficile à soutenir.

References

Association for Advancing Automation. (2025). A3 releases vision for a U.S. National Robotics Strategy. A3.

Banco Interamericano de Desarrollo. (2025). The robotics revolution: Technology, trends, and impact in 2024. BID.

Comisión Económica para América Latina y el Caribe. (2022). A digital path for sustainable development in Latin America and the Caribbean. CEPAL.

International Federation of Robotics. (2025). World Robotics 2025: Industrial robots. IFR.

Pendant longtemps, l’informatique a été perçue comme un domaine réservé exclusivement aux ingénieurs, programmeurs, mathématiciens ou spécialistes des systèmes. Dans les universités comme dans le monde de l’entreprise, parler d’informatique revenait à parler de laboratoires, de lignes de code, de serveurs, de bases de données ou de logiciels. Cependant, cette vision étroite ne suffit plus à expliquer le monde actuel. Au XXIe siècle, l’informatique a cessé d’être une discipline fermée pour devenir une infrastructure transversale et fondamentale de la vie économique, scientifique, éducative, sociale et culturelle.

Aujourd’hui, pratiquement aucune profession ne peut être comprise en dehors des données, des algorithmes, des plateformes numériques, de l’automatisation et de l’intelligence artificielle (IA).

• La médecine analyse les images diagnostiques à l’aide de modèles d’apprentissage profond.
• Le secteur juridique s’appuie sur des outils avancés de recherche et d’analyse documentaire.
• L’éducation intègre des tuteurs intelligents.
• L’agriculture repose sur des capteurs, des drones et des modèles prédictifs.
• L’industrie travaille avec la robotique, la maintenance prédictive et les jumeaux numériques.
• Les sciences sociales traitent de volumes massifs de texte pour cartographier l’opinion publique et le comportement numérique.
• Les arts explorent de nouvelles frontières de création assistée par IA.

Cette expansion rapide confirme que l’IA ne fonctionne pas simplement comme une technologie sectorielle, mais comme une technologie à usage général qui transforme des économies, des organisations et des pratiques sociales entières (OCDE, 2019 ; Stanford HAI, 2025).

Par conséquent, le grand débat ne devrait plus être de savoir si l’IA appartient ou non au domaine strict de l’ingénierie. La question cruciale est désormais la suivante : Comment former tous les professionnels à comprendre, utiliser et orienter de manière critique l’intelligence artificielle dans leurs propres domaines de connaissance ?

L’informatique ne se limite plus à la programmation

L’un des changements de paradigme les plus importants des dernières décennies est que l’informatique n’est plus synonyme de programmation. Bien que l’écriture de code reste importante, l’informatique englobe bien plus : c’est une manière de penser, de modéliser, de conceptualiser des problèmes, d’organiser l’information, d’identifier des motifs (patterns) et de concevoir des solutions.

Jeannette Wing a proposé le concept de pensée informatique (computational thinking) pour désigner une compétence fondamentale qui ne devrait pas être l’apanage exclusif des informaticiens. Pour Wing (2006), penser de manière informatique implique de formuler des problèmes et leurs solutions de façon à ce qu’ils puissent être traités efficacement par un agent de traitement de l’information — qu’il s’agisse d’une machine ou d’un être humain suivant des procédures formelles. Cette idée est essentielle car elle place l’informatique au même niveau que d’autres compétences générales, telles que la lecture, l’écriture, l’argumentation ou le raisonnement mathématique.

Dans cette perspective, un médecin, un avocat, un gestionnaire, un biologiste, un communicant ou un designer n’a pas nécessairement besoin de devenir un ingénieur logiciel. En revanche, ils doivent comprendre comment les données sont structurées, comment les processus sont automatisés, comment les modèles sont entraînés, ce que signifie une prédiction algorithmique et quelles sont les limites d’une réponse générée par l’IA. Comme le soulignent Lockwood et Mooney (2017), la pensée informatique est devenue une compétence éducative de plus en plus pertinente, bien qu’il existe encore des lacunes quant à la manière de l’intégrer largement dans les programmes académiques.

En d’autres termes, l’informatique devient le nouveau langage universel de la vie professionnelle.

L’intelligence artificielle comme technologie à usage général

L’intelligence artificielle possède une caractéristique unique qui la distingue de la plupart des autres technologies : elle ne transforme pas un seul secteur, mais peut modifier presque tous les domaines de l’activité humaine. C’est pourquoi elle est souvent comprise comme une technologie à usage général, à l’instar de ce que l’électricité, la machine à vapeur, l’ordinateur personnel ou Internet ont représenté en leur temps.

L’OCDE a souligné que l’IA reconfigure activement les économies et les sociétés en générant de nouvelles capacités de productivité, d’efficacité, d’automatisation, d’analyse de l’information et de prise de décision. En même temps, elle avertit que son adoption généralisée soulève des défis majeurs liés aux valeurs humaines, à l’équité, à la vie privée, à la sécurité et à la responsabilité (OCDE, 2019). Cette double nature est fondamentale : l’IA n’est pas un simple outil neutre conçu pour accélérer ce que nous faisions déjà. C’est une force transformatrice qui change notre façon de décider, de chercher, de produire, d’enseigner, de diagnostiquer, de concevoir des politiques publiques et d’interpréter la réalité.

Agrawal, Gans et Goldfarb (2018) avancent une idée très puissante : l’intelligence artificielle réduit considérablement le coût de la prédiction. Cela signifie que de nombreuses décisions qui dépendaient auparavant uniquement de l’intuition et de l’expérience humaines peuvent désormais s’appuyer sur des systèmes capables d’anticiper des comportements, des risques, des demandes, des tendances ou des scénarios. La conséquence est profonde : si la prédiction devient moins chère et plus accessible, de nombreuses professions devront redéfinir leurs cadres de prise de décision.

Dans la même lignée, Iansiti et Lakhani (2020) soutiennent que les organisations qui rivalisent à l’ère de l’IA ne se contentent pas d’adopter de nouveaux logiciels ; elles repensent entièrement leurs modèles opérationnels autour des données, des algorithmes, des plateformes et des réseaux numériques. Par conséquent, l’impact de l’IA ne se limite pas à l’efficacité technique ; il transforme fondamentalement la stratégie, l’architecture organisationnelle et la création de valeur.

Une compétence transversale pour toutes les professions

Parler de l’informatique et de l’intelligence artificielle comme d’un domaine transversal implique de reconnaître qu’il ne suffit plus de former des spécialistes isolés. Toutes les professions exigent désormais un socle minimal de littératie algorithmique, de pensée informatique et de compréhension critique de l’IA.

Les applications sont déjà omniprésentes :

• En santé : l’IA soutient le diagnostic, classifie l’imagerie médicale, prédit les risques et personnalise les traitements.
• En éducation : elle aide à identifier les difficultés d’apprentissage, génère des parcours personnalisés et enrichit le travail des enseignants.
• En finance : elle permet la détection des fraudes, l’évaluation des risques et l’automatisation des décisions de crédit.
• Dans l’industrie : elle optimise les processus grâce à la maintenance prédictive, la vision par ordinateur et la robotique.
• En agriculture : elle facilite la gestion des cultures, des sols, du climat et des parasites.
• Dans la gouvernance : elle améliore le ciblage des politiques publiques, le service aux citoyens et l’analyse des données territoriales.

Pourtant, face à tous ces cas d’usage, une même question surgit : Qui interprète, valide et gouverne ces décisions automatisées ?

C’est là le cœur du sujet. L’IA ne décharge pas le professionnel de sa responsabilité ; au contraire, elle rend l’exigence d’imputabilité plus stricte. Un professionnel du XXIe siècle doit non seulement savoir utiliser des outils intelligents, mais aussi comprendre leurs conséquences techniques, éthiques, sociales et organisationnelles. Russell (2019) avertit que l’avancement rapide de l’IA oblige à repenser l’alignement entre les systèmes intelligents et les valeurs humaines, en particulier lorsque ces systèmes participent à des décisions qui affectent directement des vies humaines.

De la littératie numérique à la littératie algorithmique

Pendant des années, la littératie numérique a été définie comme la capacité de base à utiliser des ordinateurs, naviguer sur Internet, utiliser des plateformes, gérer des feuilles de calcul ou utiliser des outils de communication. Bien que ce socle reste nécessaire, il n’est plus suffisant.

La nouvelle ère exige une littératie algorithmique et une intelligence artificielle appliquée. Cela implique de comprendre, du moins à un niveau fondamental, ce qu’est une donnée, comment fonctionne un algorithme, comment un modèle apprend, ce que signifie entraîner une IA, ce que sont les biais algorithmiques, comment une prédiction est évaluée et pourquoi un résultat automatisé ne doit jamais être accepté aveuglément sans esprit critique.

L’UNESCO (2024) a proposé un référentiel de compétences en IA pour les enseignants, comprenant les principes fondamentaux de l’IA, l’éthique, la pédagogie, le développement professionnel et une approche centrée sur l’humain. Bien que conçu pour le corps enseignant, ce cadre s’avère un excellent modèle pour penser la formation transversale de n’importe quel professionnel. Il insiste à juste titre sur le fait que l’IA ne doit pas être enseignée uniquement comme une technique, mais aussi comme une pratique éthique, critique et socialement située.

Il s’agit là d’un mandat clair pour l’enseignement supérieur. Si l’IA pénètre tous les secteurs, les universités ne peuvent pas se contenter de proposer des cours optionnels ou des ateliers isolés. Une refonte structurelle est nécessaire pour intégrer l’informatique et l’IA comme des composantes de formation transversales au sein de chaque cursus.

L’IA comme méthode de recherche augmentée

Au-delà de l’automatisation des tâches professionnelles, l’intelligence artificielle transforme fondamentalement la manière dont nous produisons des connaissances dans toutes les disciplines académiques.

• Sciences naturelles : Elle accélère l’analyse des données génomiques, de l’imagerie satellitaire, des modèles climatiques et des cycles écologiques.
• Sciences sociales : Elle facilite le traitement de volumes massifs de textes, l’analyse des réseaux sociaux, des enquêtes et des registres administratifs.
• Sciences humaines : Elle ouvre de nouvelles perspectives pour l’analyse informatique des archives historiques, des discours politiques, de l’iconographie, de la linguistique et du patrimoine culturel.
• Ingénierie : Elle permet de simuler des systèmes complexes, d’optimiser des processus et de concevoir des solutions avancées grâce à des modèles prédictifs.

Par conséquent, l’IA est en train de s’imposer comme une méthode de recherche augmentée. Elle ne remplace ni la théorie fondamentale, ni l’interprétation humaine, ni l’expertise disciplinaire. En revanche, elle amplifie notre capacité à observer, classifier, corréler, simuler et découvrir des motifs qui étaient auparavant invisibles ou impossibles à traiter manuellement.

Le rapport AI Index Report 2025 de Stanford souligne que l’intelligence artificielle s’est rapidement propagée dans la recherche scientifique, l’industrie, le capital-risque, la réglementation et l’adoption par les entreprises. Cela confirme que l’IA n’est plus une tendance technologique émergente et marginale, mais un pilier structurel de la science, de l’économie et de la société contemporaines (Stanford HAI, 2025).

Un nouveau socle commun pour la connaissance humaine

La thèse de fond est claire : l’informatique et l’intelligence artificielle doivent être reconnues comme une nouvelle aire commune de la connaissance. Cela ne signifie pas que tout le monde doive devenir un expert en réseaux de neurones, en programmation avancée ou en architecture de modèles. Cela signifie plutôt que chaque profession évoluera inévitablement dans une réalité façonnée par des systèmes intelligents.

Tout comme les statistiques sont devenues indispensables pour interpréter les données en santé, en économie, en psychologie, en gestion ou en sociologie, l’IA devient une compétence de base pour naviguer dans un monde automatisé. Tout comme l’écriture a permis à l’humanité d’organiser et de transmettre le savoir, et les mathématiques ont fourni le langage de la science moderne, les algorithmes sont en train de devenir le langage opérationnel de la société numérique.

Pour y répondre, les universités devraient envisager un programme d’IA transversal structuré autour de cinq niveaux progressifs :

1. Littératie en IA : Saisir les concepts fondamentaux, y compris les structures de données, les algorithmes, les modèles d’apprentissage automatique et l’automatisation.
2. Pensée informatique : Formuler des problèmes par l’abstraction, la logique, la reconnaissance de formes et des processus reproductibles.
3. Application professionnelle de l’IA : Utiliser des outils intelligents spécifiques à une discipline pour résoudre des problèmes sectoriels.
4. Analyse décisionnelle : Interpréter les données, les prédictions algorithmiques, les visualisations complexes et les scénarios prospectifs.
5. Éthique et gouvernance : Évaluer de manière critique les biais, les risques, les contraintes de confidentialité, la transparence, la responsabilité et les impacts sociétaux plus larges.

Ce cadre structuré permet d’éviter deux extrêmes dangereux : l’idée fausse selon laquelle l’IA devrait être laissée uniquement aux élites techniques, et l’hypothèse tout aussi périlleuse selon laquelle il suffit d’utiliser ces outils sans comprendre leur fonctionnement.

Le défi éthique : Faisabilité technique vs Désirabilité sociale

Une évaluation académique de l’IA ne peut se limiter à l’enthousiasme technologique. L’intelligence artificielle introduit des risques profonds : elle peut perpétuer des biais structurels, porter atteinte aux droits fondamentaux, aggraver les inégalités socio-économiques, centraliser le pouvoir technologique, précariser l’emploi, envahir la vie privée ou automatiser des décisions sans aucune transparence.

Par conséquent, enseigner l’IA ne peut pas simplement consister à former des utilisateurs d’outils ; cela doit se concentrer sur le développement du jugement critique.

Russell (2019) insiste sur le fait que l’un des plus grands défis de notre époque est de veiller à ce que les systèmes intelligents restent strictement alignés sur les valeurs humaines. Il ne s’agit pas d’un dilemme philosophique abstrait. Dans des domaines tels que la médecine, la justice pénale, l’éducation, l’emploi et l’attribution de crédits, une décision automatisée a un impact direct sur des destins humains.

C’est pourquoi l’informatique et l’IA doivent toujours être enseignées aux côtés de l’éthique, de la responsabilité professionnelle, de la pensée critique, de l’analyse sociale et de la gouvernance technologique. Comme le soutient l’OCDE (2019), le développement de l’IA doit être guidé par des principes de confiance, de transparence, de robustesse, de sécurité et de responsabilité, en particulier lorsqu’elle est déployée dans des secteurs sociaux sensibles.

Conclusion : Une nouvelle littératie pour une époque en transformation

L’informatique et l’intelligence artificielle représentent l’un des changements de paradigme les plus profonds du XXIe siècle. Leur véritable importance ne réside pas dans la simple prolifération de nouveaux logiciels, mais dans l’émergence d’une toute nouvelle façon de penser, de chercher, de produire, de décider et de travailler.

L’IA ne peut plus être traitée comme le terrain de jeu exclusif des ingénieurs ou des scientifiques des données ; elle doit être adoptée comme une dimension transversale de l’ensemble des connaissances humaines. Chaque domaine doit développer son propre dialogue spécialisé avec ces technologies : la médecine avec l’IA diagnostique, le droit avec l’IA documentaire, l’éducation avec l’IA pédagogique, la biologie avec l’IA computationnelle, la gestion avec l’IA stratégique, les arts avec l’IA créative et la gouvernance avec l’IA publique.

Le défi à venir pour les universités, les entreprises et les institutions publiques va bien au-delà de l’apprentissage de l’utilisation des derniers logiciels à la mode. Le véritable mandat est de former des professionnels qui comprennent la logique sous-jacente des systèmes intelligents, savent comment les appliquer de manière responsable dans leurs domaines, possèdent le recul critique pour remettre en question leurs résultats et s’engagent à orienter leur puissance vers des fins éthiques, humaines et socialement valables.

L’informatique à l’ère de l’intelligence artificielle est la nouvelle littératie professionnelle du XXIe siècle : une capacité fondamentale, critique et stratégique requise pour façonner activement l’avenir de notre société de la connaissance.

Références

Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machines: The simple economics of artificial intelligence. Harvard Business Review Press.

Agrawal, A., Gans, J., & Goldfarb, A. (2022). Power and prediction: The disruptive economics of artificial intelligence. Harvard Business Review Press.

Iansiti, M., & Lakhani, K. R. (2020). Competing in the age of AI: Strategy and leadership when algorithms and networks run the world. Harvard Business Review Press.

Lockwood, J., & Mooney, A. (2017). Computational thinking in education: Where does it fit? A systematic literary review. arXiv. https://arxiv.org/abs/1703.07659

OECD. (2019). Artificial intelligence in society. OECD Publishing. https://doi.org/10.1787/eedfee77-en

Russell, S. (2019). Human compatible: Artificial intelligence and the problem of control. Viking.

Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.

Stanford Institute for Human-Centered Artificial Intelligence. (2025). Artificial Intelligence Index Report 2025. Stanford University.

UNESCO. (2024). AI competency framework for teachers. UNESCO.

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

L’expansion rapide de l’intelligence artificielle (IA) a transformé de manière structurelle les processus de prise de décision dans des domaines tels que la santé, l’éducation, le secteur public et la gestion environnementale. Loin d’être un ensemble neutre d’outils techniques, l’IA constitue aujourd’hui une infrastructure sociotechnique qui incorpore des valeurs, des présupposés normatifs et des rapports de pouvoir. Dans ce contexte émerge l’approche Artificial Intelligence for Social Good (AI4SG), comprise comme un cadre théorico-pratique visant à aligner la conception, la mise en œuvre et l’évaluation des systèmes d’IA sur des objectifs explicites de bien-être social, d’équité et de durabilité.

AI4SG (Artificial Intelligence for Social Good) peut être définie comme un champ de recherche et de pratique qui cherche à appliquer les développements et avancées de l’intelligence artificielle afin de résoudre des problèmes sociaux et d’améliorer le bien-être des individus, de la société et de la planète dans son ensemble.

AI4SG ne se limite pas à l’application de technologies avancées à des problématiques sociales ; elle propose plutôt une réorientation normative de l’innovation algorithmique, intégrant l’éthique appliquée, la gouvernance et l’évaluation de l’impact social comme composantes structurelles du développement technologique.

De l’optimisme technologique à la critique algorithmique

La littérature critique contemporaine a montré que l’adoption indiscriminée de systèmes algorithmiques peut générer des effets indésirables significatifs. O’Neil (2016) montre comment des modèles prédictifs opaques, même lorsqu’ils sont statistiquement robustes, peuvent amplifier les inégalités et consolider des formes d’exclusion structurelle. De manière complémentaire, Benjamin (2019) met en évidence que les systèmes d’IA tendent à reproduire des hiérarchies raciales et sociales préexistantes, configurant ce qu’elle appelle le New Jim Code.

Dans une perspective plus large, l’IA est de plus en plus comprise comme un phénomène matériel et politique, dont le fonctionnement dépend de chaînes mondiales d’extraction des ressources, de travail humain précarisé et de concentrations asymétriques de pouvoir (Crawford, 2021). Ces contributions convergent pour souligner que l’efficacité technique ne constitue pas un critère suffisant pour évaluer la légitimité sociale de l’IA, ouvrant ainsi un espace conceptuel pour des approches telles que l’AI4SG.

Définition et portée de l’AI4SG

Selon Cowls (2022), l’AI4SG peut être définie comme l’ensemble des approches, méthodologies et pratiques visant à maximiser l’impact social positif de l’IA tout en minimisant les risques éthiques, sociaux et environnementaux. Cette approche se caractérise par trois traits fondamentaux :

• Intentionnalité normative : les objectifs sociaux ne sont pas des effets collatéraux, mais des finalités explicites du système.
• Centralité de l’être humain : l’IA est conçue comme un soutien à la délibération et à la décision humaines, et non comme un substitut à la responsabilité morale.
• Évaluation de l’impact : la performance du système est mesurée tant en termes techniques que sociaux.

Dans cette perspective, l’AI4SG se situe à l’intersection de la science des données, de l’éthique des technologies et des politiques publiques.

La littérature spécialisée converge autour d’un ensemble de principes qui structurent les projets d’AI4SG :

• Justice et équité algorithmiques, par l’identification et l’atténuation des biais.
• Transparence et explicabilité, comme conditions de la confiance publique.
• Responsabilité et reddition de comptes, définissant clairement les acteurs et leurs rôles.
• Précaution et proportionnalité, en particulier dans les contextes de forte vulnérabilité.
• Impact social vérifiable, au-delà de l’efficacité opérationnelle.

Christian (2020) conceptualise ce défi comme le problème d’alignement, soulignant que l’adéquation des systèmes intelligents aux valeurs humaines constitue simultanément un problème technique, institutionnel et moral.

L’AI4SG dans les secteurs critiques : le cas de la santé et du secteur public

L’IA peut être mobilisée dans de nombreux domaines afin d’avoir un impact positif sur les individus, les communautés ou les écosystèmes :

• Inclusion sociale : contribution à la réduction des inégalités grâce à des applications facilitant la communication des personnes en situation de handicap ou à des outils détectant les biais de genre dans les processus de recrutement et d’octroi de crédit.
• Santé et bien-être : utilisation pour le diagnostic de maladies (telles que la septicémie ou la rétinopathie diabétique) à partir de l’analyse de dossiers médicaux et d’images. Elle facilite également la télémédecine, permettant d’atteindre des zones éloignées grâce aux dispositifs mobiles.
• Éducation de qualité : développement de systèmes d’apprentissage personnalisés (tuteurs intelligents ou avatars) s’adaptant au rythme et aux besoins spécifiques de chaque apprenant.
• Agriculture et environnement : emploi dans l’agriculture de précision à l’aide de robots optimisant les semis et l’irrigation, ainsi que dans la surveillance climatique, la protection de la vie marine et la lutte contre le braconnage à l’aide de drones et d’algorithmes de vision par ordinateur.

De manière analogue, dans le secteur public, l’application de l’IA au ciblage des politiques sociales exige des cadres de gouvernance robustes afin d’éviter l’automatisation non critique de décisions à fort impact social.

Analyse de l’AI4SG depuis une perspective décoloniale : limites épistémiques et possibilités émancipatrices

D’un point de vue décolonial, l’approche AI4SG requiert une problématisation supplémentaire qui dépasse les cadres normatifs dominants de l’éthique de l’IA. À la suite d’Aníbal Quijano, la technologie moderne est indissociablement liée à la colonialité du pouvoir, entendue comme un schéma historique articulant savoir, économie et autorité. En ce sens, l’IA — y compris celle orientée vers le « bien social » — ne peut être considérée comme neutre ni universelle.

La majorité des systèmes d’IA sont conçus à partir d’épistémologies et de rationalités techniques propres au Nord global, ce qui implique que les problèmes sociaux et les critères d’optimisation sont souvent définis depuis des cadres extérieurs aux contextes dans lesquels ces technologies sont déployées. Comme le souligne Walter Mignolo, ce processus reproduit une forme de colonialité du savoir, dans laquelle certains types de connaissances sont légitimés comme universels tandis que d’autres sont systématiquement marginalisés.

Réflexion finale

L’Artificial Intelligence for Social Good constitue aujourd’hui un cadre indispensable pour orienter le développement de l’intelligence artificielle dans des contextes de forte complexité sociale. En intégrant l’éthique, la gouvernance et la critique épistémologique, l’AI4SG permet de dépasser les visions réductrices de l’innovation technologique et de progresser vers une conception de l’IA comme un outil au service du bien-être collectif. L’intégration d’une perspective décoloniale élargit encore cette approche, rappelant qu’il ne peut y avoir de véritable « bien social » sans justice épistémique, contextualisation culturelle et participation effective des communautés concernées. L’avenir de l’AI4SG dépendra, en définitive, de la capacité institutionnelle à traduire ces principes en pratiques concrètes de conception, de régulation et d’évaluation.

Références

Benjamin, R. (2019). Race after technology: Abolitionist tools for the new Jim code. Polity Press.
Christian, B. (2020). The alignment problem: Machine learning and human values. W. W. Norton & Company.
Coeckelbergh, M. (2020). AI ethics. MIT Press.
Cowls, J. (Ed.). (2022). Artificial intelligence for social good. Springer.
Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.
O’Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown.

PhD. Wilmer Lopez Lopez – Marzo 2026

L’enseignement supérieur à la convergence de l’intelligence artificielle, de la transition démographique et du changement générationnel

’enseignement supérieur fait face à une reconfiguration structurelle issue de trois dynamiques convergentes : l’expansion de l’intelligence artificielle (IA) et de l’hyperconnectivité numérique, le déclin démographique dans plusieurs régions du monde et la transformation des attentes culturelles et professionnelles des nouvelles générations.

Ce texte propose une réflexion sur ces forces qui obligent à repenser trois questions stratégiques fondamentales — Qui former ? Sur quoi former ? Où former ? — non pas comme de simples interrogations pédagogiques isolées, mais comme des axes de refonte institutionnelle.

À partir des données d’organismes internationaux et de la littérature académique récente, il est soutenu que la durabilité et la pertinence de l’enseignement supérieur dépendront de sa capacité à adopter un modèle intergénérationnel, transversal en matière de littératie numérique et hybride dans son architecture formative.

De l’expansion massive à la reconfiguration structurelle

Au cours des dernières décennies, l’enseignement supérieur a connu une expansion sans précédent. Selon l’UNESCO (2022), les inscriptions mondiales sont passées d’environ 100 millions d’étudiants en 2000 à plus de 235 millions en 2020. Toutefois, cette expansion s’est développée sur la base d’hypothèses démographiques et technologiques aujourd’hui profondément transformées.

Les avancées de l’intelligence artificielle modifient les dynamiques de travail, d’apprentissage et de production des connaissances. L’UNESCO (2023) souligne que l’IA n’affecte pas uniquement les outils pédagogiques, mais l’architecture même du système éducatif, y compris l’évaluation, la conception curriculaire et la gouvernance institutionnelle.

Parallèlement, la Division de la population des Nations Unies indique que le taux mondial de fécondité est descendu à 2,3 enfants par femme en 2021, avec des projections en dessous du seuil de remplacement dans plusieurs régions (Nations Unies, 2022). Ce phénomène affecte directement la taille des cohortes en âge universitaire, historiquement centrales dans les systèmes d’enseignement supérieur.

En outre, les générations actuellement engagées dans les processus de formation présentent elles-mêmes des transformations significatives. Les études sur la Génération Z montrent une évolution des attentes vis-à-vis de l’apprentissage et du travail. Twenge (2017) met en évidence des changements dans les modes de socialisation numérique et les priorités professionnelles, tandis que Gallup (2024) souligne des perceptions ambivalentes concernant l’impact de l’IA sur l’éducation et l’emploi.

La transformation générationnelle ne se limite pas aux préférences pédagogiques ; elle redéfinit la relation entre formation et projet de vie. Les institutions qui n’intègrent pas flexibilité, modularité, apprentissage appliqué et accompagnement des transitions professionnelles risquent de perdre en pertinence auprès d’étudiants qui valorisent à la fois l’employabilité et la cohérence éthique des savoirs acquis.

Dans ce contexte, l’enseignement supérieur ne traverse pas une crise conjoncturelle, mais une redéfinition systémique.

Qui former ? La transition démographique et le virage vers l’apprentissage tout au long de la vie

La transition démographique constitue l’un des facteurs les plus structurels du changement. Le rapport World Population Prospects (Nations Unies, 2022) confirme un ralentissement durable de la croissance des populations jeunes en Amérique latine, en Europe et en Asie orientale.

Encoura (2023) projette une diminution significative du nombre de diplômés du secondaire aux États-Unis au cours de la prochaine décennie, phénomène également observé dans d’autres pays à faible taux de fécondité.

Ce contexte transforme la logique institutionnelle :

• Moins d’étudiants traditionnels
• Plus grande concurrence interinstitutionnelle
• Nécessité de diversifier les publics

L’OCDE (2019) souligne que l’apprentissage tout au long de la vie sera essentiel pour maintenir la productivité dans les sociétés vieillissantes. L’enseignement supérieur doit donc élargir son focus vers :

• Les professionnels en reconversion face à l’automatisation
• Les adultes nécessitant une actualisation technologique continue
• Des parcours flexibles intégrant travail et formation

L’étudiant traditionnel n’est plus le centre exclusif du modèle. La durabilité institutionnelle dépendra de sa capacité à fonctionner comme plateforme d’actualisation permanente.

Sur quoi former ? IA, automatisation et compétences humaines élargies

L’intelligence artificielle redéfinit les compétences professionnelles demandées. Le Future of Jobs Report du Forum Économique Mondial (2023) identifie la littératie technologique, l’analyse de données et la pensée analytique comme compétences en forte croissance.

Brynjolfsson et McAfee (2014) soutiennent que l’automatisation transforme non seulement les tâches manuelles, mais également les tâches cognitives, obligeant à reconfigurer les profils professionnels. L’UNESCO (2023) insiste sur le fait que l’intégration responsable de l’IA dans l’éducation doit inclure des cadres éthiques, la transparence algorithmique et le développement de la pensée critique.

Dans ce contexte, la formation transversale en :

• Données
• IA appliquée
• Automatisation
• Éthique numérique

devient une condition fondamentale, et non optionnelle.

La littérature converge également pour affirmer que l’automatisation n’élimine pas la valeur humaine ; elle la déplace vers des compétences supérieures. La technologie complète les tâches exigeant jugement, créativité et compétences sociales.

L’enseignement supérieur doit donc former des professionnels hybrides : technologiquement compétents et solides en capacités cognitives avancées.

Où former ? Hyperconnectivité et expansion de l’écosystème formatif

L’hyperconnectivité redéfinit structurellement l’espace éducatif. Castells (2010) décrit la « société en réseau » comme un système où la production, la circulation et la validation des connaissances s’articulent à travers des infrastructures numériques globales.

L’université, historiquement organisée comme espace physique centralisé, s’inscrit désormais dans une architecture distribuée du savoir.

La pandémie de COVID-19 a accéléré les processus de virtualisation sans en être l’origine. La numérisation éducative était déjà en marche grâce aux plateformes d’apprentissage ouvert, aux ressources éducatives numériques et aux réseaux professionnels mondiaux.

Le modèle émergent se caractérise par :

• L’éducation hybride
• Les microcertifications (OCDE, 2021)
• L’évaluation fondée sur les compétences
• L’intégration avec des environnements productifs réels

La Génération Z valorise flexibilité, sens et applicabilité immédiate (Gallup, 2024). Le campus physique ne disparaît pas, mais il cesse d’être l’unique nœud du système éducatif.

Réflexion finale

La convergence entre transition démographique, automatisation cognitive et transformation culturelle générationnelle crée un environnement structurellement différent de celui qui a donné naissance au modèle universitaire traditionnel.

Il ne s’agit pas de variations marginales, mais d’une altération des hypothèses fondatrices du système : l’abondance de population jeune, la stabilité des profils professionnels et la centralité du campus physique comme unique espace légitime de formation.

Le nouveau scénario est prévisible :

Moins de jeunes.
Plus de technologies transversales.
Des attentes croissantes de flexibilité, de sens et d’applicabilité immédiate.

Ce contexte redéfinit la concurrence dans l’enseignement supérieur. Il ne s’agit plus seulement d’élargir la couverture ou de renforcer les infrastructures, mais de repenser la proposition de valeur institutionnelle en termes de pertinence, d’adaptabilité et de capacité d’articulation avec un environnement dynamique.

Les institutions qui comprendront la nature systémique de cette convergence seront en mesure de redessiner leur architecture académique, de diversifier leurs publics et de se consolider comme plateformes d’apprentissage tout au long de la vie. Celles qui maintiendront des logiques exclusivement expansionnistes — centrées sur le volume, la rigidité présentielle ou une segmentation disciplinaire fermée — feront face à des pressions croissantes de soutenabilité académique, financière et réputationnelle.

Referencias

Autor, D. H. (2015). Why are there still so many jobs? Journal of Economic Perspectives, 29(3), 3–30.
Brynjolfsson, E., & McAfee, A. (2014). The second machine age. W. W. Norton.
Castells, M. (2010). The rise of the network society. Wiley-Blackwell.
Encoura. (2023). Regional impacts of the demographic decline on higher education.
Gallup. (2024). Gen Z and AI in education.
OECD. (2019). Getting skills right: Future-ready adult learning systems.
OECD. (2021). Micro-credentials for lifelong learning and employability.
UNESCO. (2022). Global education monitoring report.
UNESCO. (2023). AI and the future of education: Disruptions, dilemmas and directions.
United Nations. (2022). World population prospects 2022.
World Economic Forum. (2023). Future of jobs report 2023.

PhD. Wilmer Lopez Lopez – Febrero 2026