Dans le cadre de la gLOCAL Evaluation Week 2026, EvalforEarth a organisé une session intitulée «L’évaluation à l’ère de l’intelligence artificielle: de la conception des projets à la gouvernance des systèmes». Animée par Fatou Thiam, cette discussion a réuni Gilles Dédéhouanou et Rhode Early Charles autour d’une question qui devient de plus en plus incontournable pour les professionnels de l’évaluation: comment intégrer l’intelligence artificielle (IA) de manière responsable, crédible et utile dans les systèmes d’évaluation?
Au-delà des outils et des innovations technologiques, les échanges ont mis en évidence une réalité importante: l’IA transforme progressivement la manière dont nous concevons les projets, analysons les données, prenons des décisions et assurons la gouvernance de l’évaluation. Mais cette transformation soulève également des questions fondamentales liées à la confiance, à la transparence et au rôle de l’évaluateur.
Préserver la confiance dans un monde de plus en plus automatisé
Dans sa présentation, Gilles Dédéhouanou a rappelé que l’IA est déjà présente dans de nombreux processus organisationnels et évaluatifs. La question n’est donc plus de savoir si nous devons l’utiliser, mais plutôt dans quelles conditions nous pouvons lui faire confiance.
Il a souligné plusieurs risques associés à l’intégration croissante de l’IA dans les systèmes d’évaluation:
- les biais algorithmiques qui peuvent reproduire ou amplifier des inégalités existantes;
- l'opacité des processus décisionnels lorsque les outils fonctionnent comme des «boîtes noires»;
- la délégation excessive du jugement humain aux algorithmes;
- les risques d’exclusion liés à la fracture numérique.
L’un des messages les plus marquants de son intervention était que la crédibilité d’une évaluation dépend de la capacité des parties prenantes à comprendre et à contester les résultats qui sont produits. Une décision automatisée qui ne peut être expliquée ou remise en question risque de fragiliser la confiance plutôt que de la renforcer.
Pour répondre à ces défis, Gilles a proposé une approche centrée sur ce qu’il a appelé le «human envelope»: l’IA traite l’information, mais l’humain contextualise les résultats et la décision demeure collective. Dans cette perspective, l’IA doit rester un outil au service du jugement humain, et non l’inverse.
L’intelligence artificielle comme outil de conception et de simulation des projets
La deuxième présentation, animée par Rhode Early Charles, a abordé un aspect souvent moins abordé: le potentiel de l’IA pour améliorer la conception même des projets de développement.
Les théories du changement constituent aujourd’hui l’un des principaux outils de conception des interventions. Pourtant, elles reposent fréquemment sur des hypothèses qui ne sont jamais réellement testées avant la mise en œuvre. Les contraintes de temps, les exigences des bailleurs et l’accès limité à certaines informations peuvent conduire à des modèles qui ne reflètent qu’imparfaitement la réalité du terrain.
L’IA ouvre de nouvelles possibilités en permettant d’intégrer un volume beaucoup plus important d’informations et d’analyser simultanément un grand nombre de facteurs qui influencent les résultats des projets. Gouvernance, climat, économie, conflits, comportements des acteurs ou capacités institutionnelles peuvent être pris en compte dans des simulations beaucoup plus complexes que celles traditionnellement utilisées dans les processus de conception.
L’utilisation de scénarios simulés permet alors de:
- tester les hypothèses d’une théorie du changement;
- détecter certaines incohérences avant la mise en œuvre;
- identifier plus tôt les risques opérationnels;
- explorer différentes stratégies d’adaptation face aux changements de contexte.
L’objectif n’est pas de prédire parfaitement l’avenir, mais de renforcer la solidité des projets avant que les ressources ne soient investies. Comme cela a été souligné durant la discussion, de nombreuses évaluations identifient des problèmes qui auraient peut-être pu être anticipés plus tôt si davantage d’hypothèses avaient été testées dès la phase de conception.
Le défi de la fragmentation des connaissances
Les discussions ont également mis en évidence un paradoxe important.
Les organisations produisent aujourd’hui une quantité considérable de données, d’évaluations, d’études et d’enseignements tirés. Pourtant, ces connaissances demeurent souvent fragmentées entre organisations, bailleurs, gouvernements et autres acteurs du développement.
Le défi principal n’est donc pas nécessairement l’absence d’information, mais plutôt notre capacité collective à accéder à ces connaissances, à les partager et à les utiliser pour améliorer les décisions futures.
L’IA peut contribuer à analyser et synthétiser ces volumes d’information. Cependant, elle ne peut produire de résultats pertinents que si les données sont accessibles, fiables et de qualité. Comme plusieurs participants l’ont rappelé, les résultats générés par l’IA peuvent eux-mêmes être biaisés, incomplets ou erronés.
Quel avenir pour l’évaluation?
L’une des idées centrales qui a émergé de cette session est que l’évaluation pourrait progressivement évoluer d’une fonction principalement rétrospective vers une fonction davantage prédictive, adaptative et orientée vers la prise de décision.
Les fonctions de suivi, d’évaluation et d’apprentissage ne serviraient plus uniquement à mesurer les résultats après coup, mais aussi à soutenir la conception, l’anticipation des risques et l’apprentissage continu tout au long du cycle des projets.
Cependant, les deux intervenants ont convergé vers un même constat: l’IA ne remplace pas l’évaluateur. Elle ne possède ni compréhension du terrain, ni jugement contextuel, ni capacité à interpréter les dynamiques sociales, culturelles ou politiques qui influencent les résultats des interventions.
Comme l’a résumé Gilles Dédéhouanou en conclusion: «Un outil est fait pour vous faire gagner du temps, pas pour vous retirer du jugement.»
Poursuivre la réflexion
Les échanges avec les participants ont permis d’approfondir plusieurs questions importantes: l’intégration de l’IA dans les contextes fragiles, les risques d’exclusion numérique, l’analyse des données qualitatives, l’évolution du rôle de l’évaluateur et la participation des parties prenantes dans les processus assistés par l’IA.
Une question est toutefois revenue à plusieurs reprises sous différentes formes: parmi les nombreux outils d’intelligence artificielle disponibles aujourd’hui, lesquels devraient être utilisés par les évaluateurs dans leur travail quotidien?
Cette préoccupation est compréhensible. Face à la multiplication rapide des plateformes et des applications, il peut être difficile de savoir quel outil est le plus adapté à un besoin particulier. Cependant, comme cela a été souligné durant les échanges, la question n’est peut-être pas de savoir quel est le «meilleur» outil, mais plutôt quel est l’outil le plus adapté à un contexte, un objectif et un problème spécifiques.
Rhode Early Charles a souligné qu’il n’existe pas d’outil universel adapté à toutes les situations. Selon lui, les évaluateurs peuvent utiliser l’IA pour identifier les outils, méthodes et approches les plus pertinents pour leur contexte spécifique, tout en vérifiant les recommandations obtenues avant de les appliquer.
Par exemple, un évaluateur pourrait demander:
«Je réalise une évaluation finale d’un projet agricole dans un contexte fragile. Je dispose de 30 entretiens semi-structurés, d’un budget limité et d’un délai de deux semaines. Quels outils d’IA pourraient m’aider à analyser les données qualitatives, produire une synthèse thématique et identifier les principales leçons apprises?»
Une telle approche permet d’obtenir des recommandations adaptées à un besoin concret plutôt que de rechercher une liste générique d’outils. Les recommandations produites par l’IA doivent néanmoins être vérifiées, car certains outils peuvent évoluer rapidement ou être présentés de manière inexacte.
Les participants ont également souligné que la qualité des résultats dépend largement de la qualité des instructions fournies à l’IA. Un prompt efficace respecte généralement les principes des «5 C»:
- Clear: indiquer clairement l’objectif recherché;
- Complete: fournir toutes les informations nécessaires;
- Contextualized: expliquer le contexte, les contraintes et le public visé;
- Constrained: préciser les exigences, le format attendu, la longueur ou les éléments à inclure;
- Checked: revoir et améliorer le prompt après avoir analysé les résultats obtenus.
Ces principes sont particulièrement utiles dans le domaine de l’évaluation, où les résultats dépendent souvent de nuances contextuelles, de contraintes opérationnelles et de besoins d'analyse très spécifiques.
Au final, l’enjeu n’est pas seulement de maîtriser de nouveaux outils, mais aussi de développer une véritable culture de l’IA au sein de la profession. Les évaluateurs qui sauront formuler les bonnes questions, interpréter les résultats avec discernement et intégrer ces outils dans leurs pratiques seront les mieux placés pour tirer parti des possibilités offertes par l’intelligence artificielle.