Signal
En novembre 2023, le Rwanda lançait RwaSIS, un système national d’information sur les sols entièrement numérisé, opérationnel à l’échelle nationale. Derrière ce projet, une conviction simple : avant de déployer l’IA, il faut structurer la donnée. C’est cette logique, et non le talent disponible, qui déterminera quels pays et quels acteurs tireront vraiment parti de l’intelligence artificielle en Afrique de l’Ouest.
Lecture
Le diagnostic est simple. Les systèmes d’IA apprennent à partir de données générées par des capteurs, des appareils connectés et des archives numérisées. En Afrique de l’Ouest, cette couche de base est encore peu dense. Les dossiers médicaux dans les systèmes publics sont largement sur papier. Les données logistiques sont incohérentes et rarement centralisées. Les terres agricoles sont rarement équipées de capteurs. Ce n’est pas un retard technologique. C’est le résultat de décennies de sous-investissement dans les systèmes de collecte et de structuration de l’information.
A cela s’ajoute un vide réglementaire. Sans cadre juridique clair sur la collecte, la propriété et le partage des données, les accords entre acteurs publics et privés sont impossibles à structurer. Les ministères ne peuvent pas partager des données anonymisées avec des chercheurs. Les agences agricoles ne peuvent pas mutualiser des données de terrain avec des partenaires privés. Le résultat : les données restent dans des silos, et les jeux de données d’entraînement nécessaires à tout déploiement d’IA sérieux ne peuvent pas être constitués.
Implication
Le Rwanda a choisi une approche inverse. Plutôt que d’attendre que les usages d’IA émergent pour construire le cadre autour d’eux, il a traité la gouvernance de la donnée et l’infrastructure de collecte comme des prérequis. Le résultat est visible, et il est instructif.
En avril 2023, le gouvernement rwandais a approuvé la première politique nationale sur l’IA du continent africain. Ce document n’est pas un texte de communication. Il prévoit la création d’une task force multisectorielle chargée de développer des cadres de gouvernance et des protocoles de partage des données, et d’accompagner le secteur public dans la migration de ses données vers des formats numériques compatibles avec l’IA. En parallèle, une loi sur la protection des données personnelles et la vie privée a été adoptée en octobre 2021 et est entrée en vigueur en 2023, avec pour objectif explicite de permettre des flux de données domestiques et transfrontaliers fiables, et de maximiser les bénéfices économiques des technologies pilotées par la donnée. TechAfrican-miningweek
L’agriculture illustre concrètement ce que produit cette approche. RwaSIS permet à chaque agriculteur d’entrer l’identifiant de sa parcelle et d’obtenir une analyse de la composition de son sol, une évaluation des risques d’érosion, et des recommandations de fertilisation calibrées pour les cultures qu’il pratique, maïs, haricots, pommes de terre, riz. Ce n’est pas un prototype. C’est un service opérationnel, déployé à l’échelle nationale, qui repose sur une infrastructure de collecte de données construite en amont et délibérément structurée pour être compatible avec des usages d’IA.
L’écosystème privé suit la même logique. Des startups comme Faminga proposent des plateformes d’agriculture de précision qui combinent détection de maladies par IA, alertes en temps réel et outils de gestion de ferme accessibles en Kinyarwanda, y compris hors connexion. D’autres, comme Exuus, utilisent des modèles de scoring alternatifs basés sur des données locales pour offrir des microcrédits et des assurances climatiques aux agriculteurs non bancarisés. Tech With Africa
Ce qui rend ces exemples pertinents pour l’Afrique de l’Ouest n’est pas leur sophistication technologique. C’est leur point de départ. Ils fonctionnent parce que la donnée sur laquelle ils s’appuient a été collectée, structurée et rendue accessible de manière délibérée, dans un cadre juridique qui permet le partage et l’interopérabilité. Sans cette couche de base, ces produits n’auraient pas de matière sur laquelle opérer. Le secteur des technologies de l’information et de la communication a contribué 67 milliards de francs rwandais au PIB au troisième trimestre 2024, soit une croissance de 19% sur un an. Le gouvernement vise à porter cette contribution à 35% du PIB d’ici 2030.
Le contraste avec la majorité des pays d’Afrique de l’Ouest est direct. Dans la zone UEMOA, la gouvernance de la donnée reste fragmentée, les cadres nationaux sont rares ou inappliqués, et la numérisation des archives publiques est encore largement un projet plutôt qu’une réalité opérationnelle. Les entreprises qui opèrent dans ces environnements partent d’une base qui ralentit structurellement leurs ambitions d’IA, quelle que soit la qualité de leurs équipes techniques.
Projection
Le Rwanda n’est pas reproductible à l’identique. Mais la logique de son approche est exportable, et trois leviers concrets peuvent permettre aux acteurs de la région d’avancer.
Pour les gouvernements, la priorité est la clarté juridique et la numérisation ciblée. Adopter des cadres sur la gouvernance de la donnée, créer des bases légales pour le partage entre acteurs publics et privés, et commencer à numériser les archives dans les secteurs économiquement stratégiques : agriculture, mines, douanes, santé. La politique nationale d’IA du Rwanda et la loi nigériane de 2023 sur la protection des données fournissent deux modèles adaptables. Ce n’est pas un investissement optionnel. C’est l’infrastructure sans laquelle aucune stratégie d’IA nationale ne produira de résultats mesurables.
Pour les opérateurs, la donnée doit être traitée comme un actif stratégique dès la conception d’un projet. Cela signifie budgéter une phase de collecte et de structuration en amont, identifier les partenaires capables de produire des données locales de qualité, et structurer des accords de partage là ou c’est juridiquement possible. Les entreprises qui investissent tôt dans cette démarche construisent un avantage compétitif difficile à répliquer : une donnée propriétaire de qualité, dans un secteur peu documenté, s’accumule dans le temps et s’améliore avec l’usage.
Pour les investisseurs, la question n’est plus seulement quelle technologie un acteur utilise, mais quelles données il possède ou peut structurer localement. Un modèle entraîné sur des données locales de qualité dans un secteur peu documenté vaut structurellement plus qu’un produit construit sur des données génériques importées. Les entreprises qui ont compris cela méritent une place distincte dans les thèses d’investissement.
La question du talent se résoudra avec le temps. Celle de la structuration de la donnée ne se résoudra pas seule. Le Rwanda a montré qu’une approche délibérée, ancrée dans le cadre réglementaire et construite secteur par secteur, produit des résultats concrets et mesurables. C’est le modèle que l’Afrique de l’Ouest a intérêt à étudier sérieusement.