La réduction des financements consacrés à l’aide humanitaire et au développement exerce une pression croissante sur les services d’évaluation, qui doivent produire davantage avec moins de ressources. Mais j’y vois également une opportunité : repenser la manière dont nous menons nos évaluations et mieux exploiter les données dont nous disposons déjà.
Dans notre article de blog commun, Faire plus avec moins : l’IA au service de l’évaluation humanitaire, environnementale et du développement, nous avons exploré comment l’IA pourrait aider les services d’évaluation à faire face à ces pressions. Par exemple, l’IA peut faciliter la synthèse de volumes importants de documents, aider à identifier les lacunes dans les données, analyser les portefeuilles d’évaluations et faciliter la traduction. Utilisée de manière responsable, elle pourrait réduire le temps consacré à certaines tâches analytiques et permettre aux évaluateurs de se concentrer davantage sur l’interprétation des résultats, la compréhension du contexte et l’exercice de leur jugement professionnel.
Il est également possible de voir au-delà des gains d’efficacité dans les évaluations individuelles. Une meilleure utilisation des données existantes pourrait aider les services d’évaluation à identifier les domaines où de nouvelles évaluations sont les plus nécessaires et à éviter les doublons lorsque des données suffisantes existent déjà.
Bien entendu, faire plus avec moins ne doit pas se faire au détriment de la qualité, de l’indépendance ou du caractère inclusif de l’évaluation. Les résultats générés par l’IA doivent être validés, et des garanties appropriées doivent être mises en place. En fin de compte, la question n’est pas simplement de savoir si nous pouvons produire des évaluations plus rapidement ou à moindre coût, mais si nous pouvons utiliser nos ressources de manière plus stratégique pour générer des données crédibles qui éclairent les décisions et renforcent la responsabilité et l’apprentissage.
RE: Evaluation under pressure : Strengthening evidence use, accountability and learning amidst funding constraints (Joint EvalforEarth-ALNAP discussion)
Italy
Anoop sharma
Corporate Evaluation, AI and Data Specialist
IFAD
Posté le 13/10/2026
La réduction des financements consacrés à l’aide humanitaire et au développement exerce une pression croissante sur les services d’évaluation, qui doivent produire davantage avec moins de ressources. Mais j’y vois également une opportunité : repenser la manière dont nous menons nos évaluations et mieux exploiter les données dont nous disposons déjà.
Dans notre article de blog commun, Faire plus avec moins : l’IA au service de l’évaluation humanitaire, environnementale et du développement, nous avons exploré comment l’IA pourrait aider les services d’évaluation à faire face à ces pressions. Par exemple, l’IA peut faciliter la synthèse de volumes importants de documents, aider à identifier les lacunes dans les données, analyser les portefeuilles d’évaluations et faciliter la traduction. Utilisée de manière responsable, elle pourrait réduire le temps consacré à certaines tâches analytiques et permettre aux évaluateurs de se concentrer davantage sur l’interprétation des résultats, la compréhension du contexte et l’exercice de leur jugement professionnel.
Il est également possible de voir au-delà des gains d’efficacité dans les évaluations individuelles. Une meilleure utilisation des données existantes pourrait aider les services d’évaluation à identifier les domaines où de nouvelles évaluations sont les plus nécessaires et à éviter les doublons lorsque des données suffisantes existent déjà.
Bien entendu, faire plus avec moins ne doit pas se faire au détriment de la qualité, de l’indépendance ou du caractère inclusif de l’évaluation. Les résultats générés par l’IA doivent être validés, et des garanties appropriées doivent être mises en place. En fin de compte, la question n’est pas simplement de savoir si nous pouvons produire des évaluations plus rapidement ou à moindre coût, mais si nous pouvons utiliser nos ressources de manière plus stratégique pour générer des données crédibles qui éclairent les décisions et renforcent la responsabilité et l’apprentissage.