À l’occasion de la Glocal Evaluation Week 2026, EvalforEarth a organisé une table ronde sur les opportunités et les défis liés à l’intégration des nouvelles technologies, en particulier l’intelligence artificielle (IA), dans le suivi et l’évaluation des politiques publiques.
Maria Paz Gutiérrez, secrétaire adjointe à la gestion stratégique de la province de Santa Fe, en Argentine, et América Hernández, spécialiste de l'évaluation, de la gestion axée sur les résultats et de l'analyse des politiques publiques, ont abordé le sujet sous des angles différents mais étroitement liés. Mme Gutiérrez s’est appuyée, elle, sur l’expérience de Santa Fe en matière de mise en place de systèmes permettant d’organiser et d’utiliser les informations gouvernementales. Mme Hernández s’est concentrée, pour sa part, sur les changements qui interviennent lorsque des outils algorithmiques s’intègrent au processus d’évaluation. Leur discussion a permis de rapprocher ces deux perspectives autour d’une même question sous-jacente: disposer de plus de données et d’outils plus puissants ne garantit pas automatiquement l'obtention de meilleurs éléments probants. La manière dont l’information est organisée, traitée, interprétée et gérée est toute aussi importante.
Trois questions clés ont guidé la discussion.
1. Comment les données deviennent-elles des éléments probants utiles?
Maria Paz Gutiérrez: Les gouvernements produisent des volumes croissants de données. Or, disposer de plus de données ne signifie pas nécessairement en savoir davantage. Leur valeur dépend de ce que les gouvernements peuvent en faire: transformer les données en informations, les informations en éléments probants, et les éléments probants en connaissances pouvant éclairer l’action publique. Bien utilisées, ces données peuvent donc aider les gouvernements à porter un regard critique sur leurs actions, à identifier les domaines où les politiques peuvent être améliorées et à prendre des décisions mieux éclairées.
Des systèmes communs de suivi et de traçabilité peuvent fournir aux différentes composantes de l’administration une base cohérente pour enregistrer et comparer les informations. Cela peut améliorer la qualité des données et permettre de mieux cerner les liens entre les programmes, de repérer où des problèmes apparaissent et de déterminer où une coordination ou des ressources supplémentaires pourraient être nécessaires.
Notre expérience à Santa Fe l’a clairement démontré. Le système a généré plus de 40 000 enregistrements. Mais la véritable réussite ne tenait pas au nombre d’enregistrements; ce qui comptait, c’était ce que ces données nous permettaient de mettre en évidence: les chevauchements entre les programmes, les disparités régionales, les goulots d’étranglement et les possibilités d’une meilleure coordination. Les données n’étaient qu’un moyen; le véritable résultat, c’était le savoir institutionnel.
América Hernández: La manière dont les évaluateurs travaillent avec les données évolue. Pendant longtemps, ces données étaient générées presque exclusivement par l’évaluateur: la conception méthodologique, l’analyse et les conclusions reposaient en grande partie sur son jugement. Désormais, les outils algorithmiques jouent un rôle plus important dans certaines étapes de ce processus.
Nous évoluons vers un modèle plus hybride dans lequel les évaluateurs travaillent en collaboration avec des outils algorithmiques pour traiter et présenter les informations. Le traitement des données s’inscrit ainsi dans la question méthodologique. Ce qui importe, ce n’est pas seulement la qualité des données d’origine, mais aussi ce qu’il en advient lorsqu’elles sont classées, combinées, interprétées ou transformées pour devenir des éléments probants.
L’utilité de l’IA dépend de l’étape du cycle d’évaluation, du type de projet ou de programme évalué et de la complexité du problème traité. Elle peut s’avérer particulièrement utile pour nettoyer de grands volumes de données, classer les informations, identifier des schémas comportementaux permettant de cibler les visites sur le terrain et développer des modèles prédictifs pouvant éclairer la validation de la théorie du changement d’une intervention.
Les données sont donc bien plus qu’une simple donnée d’entrée pour mesurer les résultats. À mesure que les outils algorithmiques s’intègrent au processus d’évaluation, la manière dont les données sont traitées façonne de plus en plus les éléments probants sur lesquels s’appuient les évaluateurs. Cependant, ce potentiel ne peut être exploité que si nous conservons un regard critique sur la manière dont leurs résultats sont interprétés, vérifiés et validés.
2. Quelles sont les compétences nécessaires pour travailler avec les technologies émergentes?
Maria Paz Gutierrez: Introduction: Le principal défi consiste à développer la capacité à gouverner la technologie dans l’intérêt public. Cela nécessite de renforcer au moins trois domaines stratégiques:
- Gouvernance des données. Elle nécessite des règles, des normes, des responsabilités et des dispositifs institutionnels pour gérer la qualité, l’interopérabilité, la traçabilité, la sécurité et l’utilisation éthique des informations.
- Capacité d’analyse pour travailler avec l’IA. L’IA peut traiter rapidement de grands volumes d’informations et prendre en charge des tâches analytiques complexes, mais ses résultats peuvent également comporter des biais, des erreurs ou des interprétations qui ne reflètent pas correctement le contexte. Par conséquent, les gouvernements ont besoin d’équipes capables de poser les bonnes questions, de comprendre les limites des outils qu’ils utilisent et de valider les résultats avant que ceux-ci n’orientent les décisions publiques. Le jugement humain et la responsabilité restent essentiels tout au long de ce processus.
- Capacité à générer des connaissances stratégiques. Produire et enregistrer des informations ne suffit pas; les institutions doivent également être capables d’en tirer des enseignements. Transformer les données en connaissances susceptibles d’éclairer les décisions exige une rigueur méthodologique, du temps pour l’analyse et une compréhension claire de l’intérêt général que ces décisions sont censées servir.
Le tableau de bord numérique unique de Santa Fe est devenu un exercice pratique de renforcement de cette capacité. Il nous a permis d’harmoniser les informations entre les programmes mis en œuvre par différents ministères et agences en posant les mêmes questions fondamentales: en quoi consiste chaque programme? Quel est son objectif? Où est-il mis en œuvre? Quel est son budget? Qui en est responsable? Quels sont les délais? Où en est sa mise en œuvre actuellement?
S’accorder sur ces questions a également signifié établir un langage commun à l’ensemble de l’administration. Nous avons appris que la gouvernance des données nécessite un soutien institutionnel, à travers par exemple un décret ou une unité de gestion dédiée. Sans cette structure, il est difficile de gérer les données publiques comme un atout stratégique partagé.
América Hernández: D’après mon expérience en matière d’évaluations menées à l’aide d’outils algorithmiques, trois aspects méritent une attention particulière: la capacité à détecter les biais, la capacité à comprendre les limites imposées par des systèmes opaques et la capacité à évaluer si les résultats sont cohérents avec le contexte.
- La capacité à détecter les biais. Lorsque de grands volumes de données sont traités, les catégories qualitatives peuvent être altérées lors de leur recoupement avec des données quantitatives, modifiant ainsi le sens initial de l’information sans que cela soit immédiatement perceptible dans le résultat. Les évaluateurs ont donc besoin de protocoles pour vérifier l’absence de biais et remonter aux informations sources à partir des modifications apportées aux classifications de données. Lorsqu’une catégorie a été modifiée ou réinterprétée, ils doivent être en mesure d’identifier ce qui a changé et d’évaluer ce que ce changement implique pour l’analyse.
- La capacité à travailler dans des conditions d’opacité. Dans de nombreux cas, nous ne sommes pas toujours en mesure de voir clairement comment un système d’IA a transformé les informations qui lui ont été fournies ou comment un résultat particulier a été produit. Il est donc essentiel d’examiner de manière critique et de valider les résultats en continu avant de les considérer comme fiables ou de les intégrer dans les évaluations.
- La capacité à évaluer les résultats dans leur contexte. Les évaluateurs doivent vérifier si les conclusions et recommandations produites à l’aide d’algorithmes sont logiquement solides, réalisables et cohérentes avec la réalité de l’intervention et du problème évalué. Un résultat peut paraître cohérent en soi tout en ne tenant pas compte de caractéristiques importantes du contexte. Il ne s’agit pas ici de capacités purement techniques mais de compétences qui reposent sur le jugement professionnel, la connaissance du contexte et une supervision humaine continue.
3. Comment utiliser l’IA sans perdre notre esprit critique?
María Paz Gutiérrez: L’IA peut faciliter les tâches analytiques, mais ses résultats ne tiennent pas compte, à eux seuls, du contexte institutionnel et politique dans lequel s’inscrit une problématique. Son utilisation dépendra donc des capacités techniques; elle nécessite également des capacités institutionnelles et une orientation claire vers des objectifs publics.
Notre expérience dans la province de Santa Fe montre qu’avant d’envisager l’utilisation de l’IA, nous devons mettre en place une infrastructure d’information fiable, des règles communes pour la production de données, des mécanismes de gouvernance et des équipes capables d’interpréter ces données.
Utiliser l’IA de manière responsable implique également une supervision humaine continue, la transparence, la protection des données, la traçabilité des décisions, l’évaluation d’impact et la responsabilité institutionnelle.
Le défi le plus large consiste à renforcer la capacité des institutions à comprendre les données factuelles, à en tirer des enseignements, à anticiper les problèmes et à prendre des décisions éclairées, tout en veillant à ce que les nouvelles technologies servent l’intérêt général et les institutions démocratiques.
América Hernández: C’est là que la gouvernance algorithmique prend toute son importance: les évaluateurs doivent rester activement impliqués dans les décisions concernant l’utilisation de ces outils, l’évaluation de leurs résultats et le rôle que ces derniers jouent dans l’évaluation.
Les éléments probants s’appuient de plus en plus sur des outils algorithmiques, mais leur interprétation ne peut pas être simplement déléguée à ces derniers. Il nous incombe toujours d’adopter une approche critique vis-à-vis de l’IA, de remettre en question ses résultats, de les recouper avec les informations sous-jacentes avant de les intégrer dans un rapport et de vérifier les recommandations à la lumière de ce que nous savons du contexte.
Cela nécessite également des équipes capables d’auditer les modèles, de reconnaître quand l’opacité d’un système affaiblit le fondement d’une conclusion et de s’assurer que les données utilisées sont vérifiables, solides et adaptées à leur objectif. Plutôt que de rejeter ces technologies, nous devons exiger la transparence et conserver la capacité d’examiner minutieusement les résultats sur lesquels reposent leurs conclusions et leurs recommandations.
En fin de compte, l’IA peut élargir notre capacité à traiter l’information, mais nous restons responsables de l’interprétation des données, de l’évaluation de leur qualité et des décisions quant à la manière dont elles doivent guider l’action.