Les angles morts de l'IA dans le sport pour le développement
L'intelligence artificielle s'intègre rapidement au secteur du sport au service du développement, offrant de nouvelles méthodes d'analyse des données, d'aide au suivi et à l'évaluation, d'automatisation des rapports et de renforcement des capacités organisationnelles. Pour un secteur aux ressources limitées et soumis à des exigences de responsabilité croissantes, l'intérêt est évident.
Des recherches récentes menées par Louis Moustakas mettent en lumière les opportunités et les risques liés à l'IA dans le domaine du sport. Or, la plupart des discussions se concentrent sur les capacités de l'IA à exploiter les informations existantes. Pour les systèmes sportifs peu étudiés, le défi réside souvent moins dans l'analyse des connaissances disponibles que dans l'absence même de connaissances. Si l'IA peut contribuer à une plus grande efficacité des organisations, elle ne peut apprendre que de ce qui est déjà documenté. Dès lors, une question cruciale se pose : que se passe-t-il lorsque l'IA est utilisée pour comprendre des systèmes sportifs dont les données sur lesquelles elle s'appuie ne sont que partiellement visibles ?
Que deviennent des données ?
La plupart des discussions sur l'IA dans le domaine du sport partent du principe que le principal défi réside dans l'amélioration de l'analyse des données. Or, dans de nombreux contextes, notamment au sein de systèmes sportifs encore peu étudiés, le problème se pose bien plus tôt. Avant même de pouvoir analyser les données, il est indispensable de définir ce qui doit être mesuré, documenté et, en définitive, considéré comme une connaissance.
Comme le soutiennent Couldry et Mejias (2019), avant toute analyse de données, certains aspects de la vie sociale doivent être transformés en données. Ce processus n'est pas neutre. Certaines réalités deviennent visibles, mesurables et exploitables, tandis que d'autres demeurent en dehors des systèmes formels de production de connaissances. L'IA hérite de ces choix au lieu de les ignorer.
Dans le cadre du SFD, les données les plus susceptibles d'être recueillies sont généralement celles exigées par les bailleurs de fonds, les organisations internationales ou les systèmes de suivi officiels : nombre de participants, taux de présence, répartition hommes-femmes, sessions dispensées, réponses aux enquêtes, indicateurs des ODD et résultats à court terme. Ces mesures sont importantes, mais elles ne donnent pas une image complète de la situation.
Ce qui confère au sport sa valeur sociale est souvent difficile à saisir : la confiance entre un entraîneur et un enfant, les négociations avec les parents concernant la participation des filles, le leadership informel, l’évolution des normes communautaires, les dynamiques de pouvoir locales, le sentiment d’appartenance, la sécurité, la confiance en soi et le développement progressif des relations sociales. Ces formes de savoir sont souvent locales, relationnelles et contextuelles. Elles peuvent être abordées lors de réunions communautaires, mémorisées par les entraîneurs, observées par les parents ou ressenties par les participants, mais jamais consignées dans un tableur. Et si elles ne sont pas transformées en données, l’IA ne peut pas les appréhender.
Une leçon de la santé mondiale
Dans une étude largement citée, Obermeyer et ses collègues ont examiné un algorithme commercial utilisé aux États-Unis pour identifier les patients nécessitant des soins supplémentaires. Cet algorithme ne prenait pas explicitement en compte l'origine ethnique. De prime abord, il semblait techniquement fiable. Cependant, il utilisait les coûts des soins de santé comme indicateur indirect des besoins de santé.
Le problème résidait dans le fait que les patients noirs bénéficiaient de moins de ressources que les patients blancs présentant des symptômes similaires, notamment en raison d'un accès inégal aux soins et d'inégalités structurelles au sein du système de santé. De ce fait, l'algorithme sous-estimait systématiquement les besoins des patients noirs.
Surtout, Obermeyer et ses collègues affirment que ce biais n'est pas dû à un dysfonctionnement de l'algorithme. Il est apparu bien plus tôt, lorsque les coûts des soins de santé ont été choisis comme indicateur mesurable d'un concept beaucoup plus complexe : le besoin de santé. Le choix de l'indicateur a finalement influencé les résultats produits par l'algorithme.
La leçon à retenir n'est donc pas simplement que les algorithmes peuvent être biaisés, mais que les indicateurs que nous choisissons ont une importance capitale. Lorsqu'une variable mesurable ne reflète que partiellement une réalité sociale complexe, l'IA risque de reproduire les inégalités existantes tout en paraissant objective et fondée sur des preuves.
Cette observation est particulièrement pertinente pour le sport au service du développement. Si la fréquentation est utilisée comme indicateur d'inclusion, on risque de passer à côté des personnes qui se sentent en insécurité. Si le nombre de participants est utilisé comme indicateur d'impact, on risque de ne pas voir si la situation a évolué. Si les rapports des bailleurs de fonds sont utilisés comme indicateur des écosystèmes sportifs locaux, on risque de passer complètement à côté du sport informel. Si la documentation en anglais est utilisée comme indicateur de connaissances, on risque de passer à côté des connaissances détenues dans les langues locales. L'IA ne résout pas ces problèmes automatiquement ; elle peut même les rendre plus difficiles à déceler.
Des lacunes en matière de données aux lacunes en matière de connaissances
Les chercheurs travaillant sur l'intelligence artificielle au service du développement (IA4D) ont alerté sur le fait que de nombreux systèmes d'IA sont conçus, entraînés et gérés dans les pays du Nord avant d'être déployés dans des contextes sociaux, culturels et politiques très différents, notamment dans les pays du Sud. Si ces technologies offrent des perspectives considérables, elles soulèvent également des questions essentielles : quelles connaissances sont représentées dans les données ? Quelles perspectives influencent la conception des systèmes d'IA ? Quelles réalités demeurent invisibles ?
Cette préoccupation dépasse le simple cadre de l'accès à la technologie. Elle concerne également les expériences qui sont mises en lumière dans les données, les perspectives qui façonnent les connaissances et les réalités qui restent ignorées. Si les données utilisées pour entraîner et alimenter les systèmes d'IA reflètent principalement les expériences, les priorités et les institutions déjà présentes dans les infrastructures mondiales du savoir, l'IA risque de renforcer les schémas de visibilité existants plutôt que de les remettre en question.
Dans le domaine sportif, ce risque est particulièrement pertinent. Lorsqu'on demande à une IA de synthétiser un système sportif dans un pays à revenu faible ou intermédiaire, elle a tendance à s'appuyer sur les ressources numériques déjà disponibles : rapports des bailleurs de fonds, documents des fédérations internationales, études de cas d'ONG, publications universitaires, documents en anglais et programmes officiels dotés de systèmes de suivi établis.
Pourtant, de nombreux écosystèmes sportifs opèrent en dehors de ces formes de visibilité. Les groupes informels de football féminin, les entraîneurs communautaires, le sport dans les cours d'école, les tournois locaux, les initiatives confessionnelles, les récits oraux et les petites associations de base peuvent jouer un rôle central dans la construction des expériences et des opportunités sportives. Cependant, souvent mal documentés ou absents des archives numériques, ils restent largement invisibles aux systèmes d'IA.
Prenons l'exemple d'une organisation qui cherche à comprendre la participation des filles au football dans une communauté rurale. Un outil d'IA peut rapidement identifier les rapports existants, les évaluations de programmes et les initiatives financées par des donateurs. Cependant, si cette participation est principalement influencée par des entraîneurs communautaires informels, des réseaux de parents ou des normes culturelles locales jamais documentées, ces facteurs risquent de ne pas apparaître dans l'analyse. Le tableau qui en résulte peut être utile, mais il peut aussi être incomplet, et ce, de manière difficilement perceptible.
Il n'en résulte pas nécessairement une connaissance inexacte. Il s'agit plutôt du risque que des connaissances très partielles soient considérées comme une image complète du fonctionnement réel du sport au sein d'une communauté.
De ce fait, les connaissances générées par l'IA risquent de favoriser les acteurs déjà identifiés par les systèmes internationaux. Le danger réside non seulement dans le fait que l'IA fournisse une réponse incomplète, mais aussi dans le risque qu'elle donne l'illusion d'une vision d'ensemble alors même que des aspects importants des réalités sportives locales demeurent méconnus.
Le risque de rétrécissement épistémique
Le risque le plus grave réside peut-être dans un cercle vicieux. Imaginons une région où la recherche formelle sur le sport est limitée. Les outils d'IA sont entraînés à partir des informations disponibles, les organisations les utilisent pour réaliser des analyses de contexte, des propositions et des évaluations des besoins, et de nouveaux documents reproduisent et standardisent ensuite ces mêmes récits partiels. Les futurs systèmes d'IA s'appuient alors sur ce corpus croissant de connaissances recyclées, rendant les lacunes initiales de plus en plus difficiles à identifier.
C’est ce que j’appellerais un rétrécissement épistémique : un processus dans lequel l’IA n’élargit pas la compréhension, mais la restreint progressivement à ce qui est déjà documenté, mesurable et finançable.
Des préoccupations similaires ont été soulevées dans les travaux sur l'IA décoloniale, qui soutiennent que les systèmes d'IA doivent être appréhendés non seulement comme des outils techniques, mais aussi comme des systèmes ancrés dans les rapports de pouvoir existants. Pour le sport au service du développement, cela soulève une question importante : l'IA peut-elle aider les communautés à devenir actrices de la connaissance de leurs propres systèmes sportifs, ou risque-t-elle de concentrer davantage la production de connaissances entre les mains d'institutions déjà puissantes ?
Pourquoi le sport pourrait être particulièrement vulnérable
Le sport au service du développement est particulièrement vulnérable à ce problème pour plusieurs raisons. Une grande partie de sa valeur sociale est informelle et relationnelle, ce qui signifie que les changements les plus importants ne sont pas toujours immédiatement mesurables. Parallèlement, de nombreuses organisations de sport au service du développement sont petites et sous-financées, ce qui peut limiter leur capacité à examiner de manière critique les hypothèses sous-jacentes aux résultats générés par l'IA. Le secteur est également fortement influencé par les priorités des bailleurs de fonds et les cadres de reporting, ce qui incite à reproduire ce qui est déjà mesurable. Enfin, de nombreux systèmes sportifs dans les pays du Sud restent insuffisamment étudiés, ce qui signifie que l'IA risque de simplement réorganiser des connaissances limitées plutôt que de générer une nouvelle compréhension.
Cela ne signifie pas qu'il faille rejeter l'IA. Elle peut s'avérer utile pour la traduction, l'administration, le nettoyage des données, l'accessibilité, la surveillance de la sécurité, la rédaction de demandes de subventions et l'allègement de la charge de travail. Elle peut aider les petites organisations à participer aux débats internationaux, souvent dominés par les acteurs disposant de plus de ressources. Toutefois, l'IA doit soutenir la production locale de connaissances, et non la remplacer.
Que devrait faire le secteur SFD ?
Le secteur des SFD a besoin d'une approche plus prudente en matière d'IA.
Premièrement, l’IA ne doit pas se substituer à la recherche participative. Les communautés, les formateurs et les participants doivent demeurer au cœur de la définition des problèmes, de l’interprétation des données et de l’évaluation de l’impact.
Deuxièmement, les organisations devraient faire preuve de transparence quant aux données utilisées par les outils d'IA et aux connaissances qui font défaut.
Troisièmement, les bailleurs de fonds ne devraient pas privilégier un langage générique produit par l'IA au détriment d'une compréhension ancrée dans le contexte local. Si l'IA a pour effet de rendre chaque proposition plus lisse, le secteur aura besoin de meilleurs moyens d'en évaluer le fond.
Quatrièmement, les organisations SFD devraient investir dans des écosystèmes de données locaux : surveillance menée par la communauté, documentation multilingue, évaluation participative et suivi des résultats à long terme.
Cinquièmement, la maîtrise de l'IA dans le domaine de la science et de la technologie devrait inclure non seulement des compétences techniques, mais aussi la capacité à répondre à des questions essentielles : Qui a produit ces données ? Qui est absent ? Quel indicateur est utilisé ? Quelles connaissances locales n'ont pas été prises en compte ? À qui profite cette interprétation ?
Conclusion
L’intelligence artificielle pourrait devenir un outil précieux pour le secteur du sport au service du développement. Elle peut alléger les charges administratives, faciliter le suivi et l’évaluation, améliorer l’accessibilité et aider les organisations à travailler plus efficacement. Toutefois, comme le souligne cet article, le principal défi n’est peut-être pas d’ordre technologique, mais épistémologique.
Dans le domaine du sport et du développement, une grande partie des éléments essentiels demeure difficile à appréhender par les systèmes de suivi classiques. Les relations locales, les pratiques informelles, la dynamique communautaire, les normes culturelles et autres formes de savoir qui façonnent les expériences sportives se situent souvent en dehors des structures de reporting officielles. Si ces réalités restent sous-représentées dans les données utilisées pour entraîner et alimenter les systèmes d'IA, il est peu probable que l'IA parvienne à combler les lacunes existantes en matière de connaissances. Au contraire, elle risque de les reproduire à grande échelle, tout en donnant l'illusion d'une plus grande certitude et d'une meilleure compréhension.
Le rôle futur de l'IA dans le sport au service du développement ne doit donc pas être jugé uniquement à l'aune de la sophistication des algorithmes ou des gains d'efficacité qu'ils permettent. Il doit également être évalué selon la qualité, la diversité et la maîtrise des connaissances sur lesquelles reposent ces systèmes. En définitive, la question n'est pas seulement de savoir si l'IA peut générer de nouvelles perspectives sur les systèmes sportifs, mais aussi si les données dont elle dispose reflètent les réalités que nous cherchons à comprendre.
Avant de nous interroger sur ce que l'IA peut nous apprendre sur le sport et le développement, il convient de se demander d'abord quelles connaissances ont été collectées, lesquelles restent invisibles et qui définit ce qui constitue une preuve. Ce n'est qu'alors que nous pourrons commencer à comprendre non seulement ce que l'IA nous révèle, mais aussi ce qu'elle omet.
- Nick Couldry, Ulises A. Mejias (2019). Les coûts de la connexion : comment les …
- Shakir Mohamed, Marie-Thérèse, William Isaac (2020). IA décoloniale : la théori…
- Louis Moustakas (2025). Un changement de paradigme : exploiter l'intelligence a…
- Ziad Obermeyer, Brian Powers, Christine Vogeli, Sendhil Mullainathan (2019) Di…
Activité