L’intelligence artificielle (IA) s’intègre de plus en plus dans les pratiques d’évaluation, qu’il s’agisse d’analyser de grands volumes de données ou de faciliter l’organisation et la communication des données factuelles. Mais sa valeur repose sur un élément plus fondamental: la confiance que nous pouvons accorder aux données factuelles qu’elle contribue à produire. En matière d’évaluation, où la crédibilité dépend de la qualité et de l’intégrité des données factuelles, des résultats inexacts ou faussés peuvent compromettre à la fois les conclusions et la confiance dans le processus. Comment les évaluateurs peuvent-ils alors utiliser l'IA sans compromettre la confiance sur laquelle repose leur travail?
Le 4 juin 2026, la communauté de pratique EvalforEarth a réuni deux intervenants et un modérateur pour réfléchir à cette question. S'appuyant sur des expériences menées au Népal et en Géorgie, les intervenants ont examiné l'intersection entre politique, pratique et méthodologie dans le cadre de l'utilisation de l'IA en évaluation. Au-delà de ces différents contextes, un message commun s’est dégagé: la confiance dans l’évaluation assistée par l’IA repose sur des approches centrées sur l’humain, des garanties éthiques et la capacité des évaluateurs à juger de manière critique où et comment l’IA doit être utilisée.
La confiance doit être instaurée avant l’analyse
Une question centrale portait sur la manière dont les évaluateurs devraient communiquer l’utilisation de l’IA aux parties prenantes qui pourraient se montrer sceptiques quant à son rôle dans le processus d’évaluation. La confiance est relationnelle: il ne suffit pas que les évaluateurs aient confiance dans les outils d’IA qu’ils utilisent; les parties prenantes doivent également avoir confiance dans le processus et dans les résultats produits. Les participants ont souligné que ce dialogue devait s’engager dès le début, le rapport initial offrant la première occasion de présenter de manière transparente toute méthodologie assistée par l’IA et de solliciter les commentaires des parties prenantes. Ils ont également mis en avant l’importance de communiquer clairement quels outils ont été utilisés, les risques méthodologiques, éthiques et relatifs aux données identifiés avant et pendant la mise en œuvre, ainsi que la manière dont ces risques ont été atténués. Une telle transparence vis-à-vis des parties prenantes est essentielle pour instaurer la confiance et préserver la crédibilité des évaluations assistées par l’IA.
Les domaines où l’IA apporte une aide précieuse et ceux où le jugement humain doit prévaloir
S’appuyant sur une évaluation de type «Outcome Harvesting» (collecte des résultats) menée dans trois pays et en trois langues, les participants ont montré dans quelle mesure l’IA peut apporter une valeur ajoutée en rendant consultables de grands volumes de données, en identifiant des tendances, en regroupant les résultats potentiels et en facilitant la traduction et l’analyse. Ils ont toutefois souligné que les résultats générés par l’IA doivent être considérés comme des ébauches plutôt que comme des conclusions, et qu’ils doivent toujours être vérifiés à la lumière des données sous-jacentes. Le jugement humain reste essentiel pour remettre en question des récits en apparence cohérents, contester les définitions de la réussite dictées par les programmes, évaluer la pertinence des résultats et s’assurer que les conclusions sont proportionnées aux données disponibles. Les intervenants ont illustré ce point par un risque concret: lorsqu’on lui fournit les documents d’un programme, l’IA reproduit la présentation positive des résultats qui y figure. Une «transformation de grande envergure» peut, à y regarder de plus près, reposer sur une seule institution fragile; «l’autonomisation» peut se résumer à une poignée d’individus engagés. Ramener ces affirmations à ce que les données peuvent honnêtement étayer reste un travail humain.
Une IA digne de confiance nécessite des systèmes d’évaluation solides
S’appuyant sur l’expérience du Népal dans la mise en place de structures de gouvernance provinciales à la suite de la fédéralisation, les participants ont souligné l’importance de disposer de systèmes de données et d’évaluation solides. La fiabilité de l’IA dépend entièrement de la qualité des données sur lesquelles elle s’appuie. Lorsque les données sont fragmentées, incomplètes, obsolètes ou ne représentent pas adéquatement les populations marginalisées, les résultats de l’IA peuvent reproduire ces faiblesses et fournir une image incomplète ou déformée. Les participants ont insisté sur le fait que les investissements dans les systèmes de suivi et d’évaluation, les capacités statistiques et l’élaboration de politiques fondées sur des données factuelles restent essentiels pour une utilisation responsable de l’IA. Les cadres juridiques, les politiques de soutien et le renforcement des capacités professionnelles ont également été considérés comme essentiels pour ancrer l’évaluation au sein des institutions et garantir que les données factuelles soient régulièrement générées, examinées et utilisées. L’expérience de la Géorgie a également montré comment les leçons tirées de la pratique peuvent nourrir l'enseignement. Grâce à HubEVAL, ces leçons sont intégrées dans les cours de méthodologie et d’évaluation, aidant ainsi les étudiants à comprendre à la fois les utilisations et les limites de l’IA en matière d’évaluation.
Instaurer la confiance par la pratique
L’IA modifie déjà la manière dont les évaluations sont conçues, menées et communiquées, mais sa valeur dépendra de la confiance que les évaluateurs et les parties prenantes pourront accorder à son utilisation. Cette confiance exige de la transparence sur la manière dont l’IA est utilisée, de l’honnêteté quant à ses limites et un examen minutieux et continu des données qu’elle contribue à produire. À mesure que les évaluateurs continuent d’expérimenter l’IA, le partage de leurs apprentissages contribuera à une meilleure compréhension des domaines dans lesquels elle peut s’avérer utile et de ses limites.