J'ai commencé ma carrière à une époque où, à Dakar, Internet s'achetait encore à l'heure dans un cybercafé, sur un ordinateur parfois encore chaud du client précédent. Depuis, j'ai vu passer suffisamment de « prochaines grandes révolutions » pour avoir développé une certaine résistance à l'enthousiasme technologique.
Il y a eu le Web 2.0, puis les réseaux sociaux, à une époque où presque tous les pitch decks comportaient le mot « communauté » dans leurs premières slides. Ensuite est arrivé le SoLoMo — social, local, mobile — si vous vous souvenez encore de cette expression. Puis il fallait une application pour tout. Ensuite sont venus les chatbots, puis la blockchain, qui devait tour à tour révolutionner les paiements, le foncier, les élections et à peu près tout ce qui pouvait être mis dans une présentation PowerPoint.
Le scénario était presque toujours le même. Une vague technologique naissait en Californie et nous arrivait dix-huit mois plus tard. Les conférences changeaient de thème, les investisseurs cherchaient les entreprises qui correspondaient au nouveau mot-clé et les entrepreneurs — y compris de très bons entrepreneurs que je respecte — adaptaient leur discours, et parfois leur entreprise, pour entrer dans la nouvelle tendance. Puis les capitaux se déplaçaient vers autre chose, l'enthousiasme retombait et le mot disparaissait discrètement des présentations.
À force d'observer ce cycle, on devient naturellement sceptique. Mon équipe pourra le confirmer : je ne suis pas quelqu'un qu'une nouvelle technologie impressionne facilement.
C'est donc avec une certaine prudence que je l'écris : cela fait environ trois ans que je cherche de bonnes raisons de considérer l'intelligence artificielle comme une vague de plus, et je commence à en manquer. La différence fondamentale, à mes yeux, est que les précédentes révolutions technologiques ont surtout transformé notre manière de communiquer, de vendre ou de faire circuler l'information. L'IA commence à modifier le coût même de l'exécution du travail. Ce n'est pas tout à fait la même chose.
Il existe une deuxième différence, particulièrement importante pour l'Afrique. Beaucoup des grandes innovations des vingt dernières années supposaient l'existence d'infrastructures que nous n'avions pas encore. Le e-commerce supposait des moyens de paiement largement accessibles et des systèmes d'adressage fiables. Le streaming supposait une connexion suffisamment rapide et abordable. L'économie du partage supposait l'existence d'actifs disponibles, identifiables et facilement accessibles en ligne. Ces innovations ont fini par arriver chez nous, mais souvent plus tard, sous une forme partielle, ou sans produire immédiatement les transformations annoncées ailleurs.
La barrière à l'entrée de l'IA est différente. Dans beaucoup de cas, il suffit aujourd'hui d'un téléphone et d'une question. Elle peut lire un PDF mal scanné, extraire des informations d'une facture, préparer un courrier pour les douanes ou répondre à une question en français au milieu de la nuit. Personne n'a organisé un programme national d'adoption de ChatGPT pour le commerçant de Sandaga ou le transitaire au port. Les gens ont trouvé ces outils eux-mêmes, comme ils trouvent généralement les outils qui leur sont réellement utiles. Pour la première fois de ma carrière, j'ai eu le sentiment d'observer une technologie dont l'adoption se faisait presque toute seule.
Cela me convainc que la vague est réelle. Mais une vague technologique, aussi importante soit-elle, ne constitue pas une stratégie. Vingt ans à observer les technologies apparaître, atteindre leur sommet puis parfois disparaître m'ont laissé trois convictions sur les opportunités qui me semblent réellement durables.
Première conviction : ne construisez pas quelque chose qu'une keynote peut faire disparaître
À chaque fois qu'un grand laboratoire d'IA annonce une nouvelle génération de modèles ou de fonctionnalités, des startups découvrent que le produit sur lequel elles travaillent depuis plusieurs mois vient de devenir une fonctionnalité intégrée à une plateforme beaucoup plus importante. Le risque n'est pas nouveau dans la technologie, mais la vitesse à laquelle cela peut désormais se produire l'est davantage.
Si votre produit n'est essentiellement qu'une interface construite au-dessus du modèle de quelqu'un d'autre, une partie importante de votre roadmap est définie à San Francisco par des gens qui ignorent probablement jusqu'à l'existence de votre entreprise. Cela ne signifie évidemment pas qu'il ne faut pas construire avec les modèles de fondation. Au contraire. Cela signifie simplement que l'accès à un modèle, aussi performant soit-il, ne constitue pas à lui seul un avantage compétitif durable.
La question qui m'intéresse davantage est donc de savoir ce que vous pouvez posséder et qu'une nouvelle version d'un modèle ne pourra pas facilement absorber : un workflow profondément intégré dans les opérations d'un secteur, un réseau de distribution, des relations difficiles à reproduire, des données propriétaires ou une connaissance opérationnelle accumulée sur plusieurs années. L'IA doit augmenter la valeur de ces actifs, pas être la seule raison pour laquelle l'entreprise existe.
Deuxième conviction : construisez là où Internet ne voit rien
Les grands modèles apprennent principalement à partir de ce qui a été numérisé, publié et rendu accessible. Or, une partie considérable de l'économie africaine fonctionne encore en dehors de cet univers : notes vocales WhatsApp, lettres de voiture papier, appels téléphoniques, adresses approximatives, accords verbaux et paiements en espèces. Une grande partie de l'information qui détermine réellement la manière dont nos économies fonctionnent n'a jamais été structurée dans une base de données, encore moins intégrée dans un corpus d'entraînement.
Cela crée une situation intéressante. Ce que nous avons longtemps considéré uniquement comme un retard de numérisation peut devenir, dans certains secteurs, une source d'avantage compétitif pour les entreprises qui font le travail difficile consistant à capter et structurer cette réalité. Un modèle entraîné sur Internet en sait relativement peu sur ces environnements. Une entreprise qui vit quotidiennement au cœur de ces opérations peut, elle, apprendre énormément.
C'est notamment pour cette raison que j'aime les problèmes ennuyeux. Les vrais. Ceux qui sont tellement locaux, opérationnels et compliqués qu'une équipe située à plusieurs milliers de kilomètres n'a aucune raison de passer son week-end à essayer de les résoudre, mais qui représentent des marchés suffisamment importants pour que leur résolution crée une vraie valeur économique. Les sujets à la mode attirent naturellement les concurrents. Les problèmes ennuyeux ont plutôt tendance à les décourager.
Chez Chargel, cela fait quatre ans que nous travaillons sur un sujet qui n'a rien de particulièrement glamour : numériser le transport routier de marchandises, camion après camion, corridor après corridor, lettre de voiture après lettre de voiture. Moustapha écrivait récemment que l'avenir de la logistique africaine ne serait probablement pas le camion autonome, mais la coordination. En construisant cette couche de coordination, nous avons progressivement découvert quelque chose d'autre : la logistique telle qu'elle apparaît sur un écran et la logistique telle qu'elle fonctionne réellement sur le terrain sont parfois deux réalités très différentes.
L'optimisation des itinéraires en est un bon exemple. Lorsqu'on aborde le problème en tant qu'ingénieur, la logique semble assez simple : identifier les itinéraires disponibles, intégrer la distance et le temps de trajet estimé, puis recommander le parcours optimal. Nous nous sommes pourtant rendu compte que les chauffeurs ignoraient parfois l'itinéraire que notre système considérait comme le meilleur pour en choisir un autre, plus long.
Le premier réflexe d'un ingénieur peut être de considérer que le chauffeur fait un choix sous-optimal. Mais lorsque l'on prend le temps de comprendre ce qui se passe réellement sur le terrain, on découvre souvent que le chauffeur possède simplement une information que le système n'a pas.
Une route parfaitement praticable sur une carte peut devenir extrêmement difficile pendant la saison des pluies. Un corridor théoriquement plus rapide peut passer par un poste-frontière où les contrôles et les files d'attente ajoutent régulièrement plusieurs heures au trajet. Un itinéraire plus long peut être beaucoup plus fiable pour un camion lourdement chargé. Certaines conditions peuvent également changer en quelques jours sans que ces changements soient immédiatement visibles dans les données numériques disponibles.
Dans ce contexte, recommander dix fois au chauffeur le trajet mathématiquement le plus court ne rend pas ce trajet plus pertinent. Le chauffeur prend la route qui fonctionne dans le monde réel et, très souvent, il a de bonnes raisons de le faire.
C'est à ce moment-là que le problème devient, à mon sens, beaucoup plus intéressant d'un point de vue technologique. La question n'est plus simplement de savoir comment construire un meilleur algorithme d'optimisation. Elle devient : comment faire en sorte que le système apprenne progressivement ce que le chauffeur sait déjà ?
Lorsque des centaines de chauffeurs refusent régulièrement un itinéraire que l'algorithme considère comme optimal, leur comportement contient de l'information. Lorsque les temps de trajet évoluent de manière récurrente pendant la saison des pluies, cette évolution contient de l'information. Lorsque les transporteurs acceptent systématiquement de parcourir davantage de kilomètres pour éviter un poste-frontière particulier, là encore, il y a quelque chose à apprendre.
À terme, le problème que l'on cherche à résoudre n'est donc plus simplement : « Quel est l'itinéraire le plus court ? » Il devient : « Quel itinéraire a le plus de chances de fonctionner pour ce camion, sur ce corridor, à cette période de l'année et dans les conditions réelles du moment ? »
Cette différence est fondamentale, car l'essentiel de cette connaissance n'existe pas sur Internet.
Au fil des années, nous avons observé le même phénomène dans d'autres dimensions de notre activité. Nous savons combien de temps un camion attend réellement au port de Dakar, comment les prix de certains corridors évoluent pendant les périodes de récolte, quels transporteurs respectent systématiquement leurs engagements et comment les opérations réelles diffèrent parfois fortement des processus tels qu'ils sont décrits sur le papier. Une grande partie de ces informations n'existait tout simplement nulle part auparavant, parce que personne n'avait eu de raison de les collecter de manière structurée.
Nous n'avons pas commencé Chargel avec l'ambition de constituer un dataset pour l'intelligence artificielle. Nous voulions résoudre les problèmes très concrets de coordination nécessaires pour déplacer des marchandises. Mais résoudre ces problèmes produit de la donnée et, surtout, du contexte autour de cette donnée. Or, plus les modèles deviennent performants, plus ce contexte devient précieux, parce qu'une intelligence n'est réellement utile que lorsqu'elle comprend suffisamment bien l'environnement dans lequel elle doit prendre une décision.
Troisième conviction : résoudre Dakar suffisamment bien pour pouvoir servir Kampala
Je ne pense pas que les entreprises technologiques africaines aient vocation à essayer de battre les grands laboratoires mondiaux dans la course aux modèles généralistes. Nous n'en avons généralement ni les moyens ni, surtout, la nécessité. L'opportunité se trouve ailleurs. Notre continent compte davantage de problèmes économiques importants à résoudre que d'équipes qui travaillent sérieusement à leur résolution, et beaucoup de ces problèmes nécessitent une connaissance du terrain extrêmement difficile à acquérir depuis l'extérieur.
Être profondément local ne signifie cependant pas construire un produit condamné à rester dans un seul pays. L'une des choses que notre expérience chez Chargel nous a apprises est que les marchés africains ne sont ni identiques ni complètement différents. Les routes changent, les réglementations changent, les procédures aux frontières changent, les langues et les moyens de paiement changent. Ce qui fonctionne au Sénégal ne peut pas simplement être copié en Côte d'Ivoire, au Kenya ou en Ouganda.
En revanche, la structure profonde de certains problèmes se répète. Les chaînes logistiques restent fragmentées, une partie importante des échanges demeure informelle, les données disponibles sont mal structurées et les infrastructures ne se comportent pas toujours dans la réalité comme elles apparaissent sur une carte ou dans un document administratif.
L'enjeu n'est donc pas de résoudre un problème sénégalais puis de reproduire exactement la même solution ailleurs. Il faut résoudre le problème local suffisamment en profondeur pour comprendre ce qui relève réellement du Sénégal et ce qui est structurel. C'est cette seconde partie qui peut ensuite devenir la base d'un produit continental.
C'est également pour cette raison que je pense que l'opportunité créée par l'IA en Afrique est plus intéressante que le simple fait de donner aux entreprises africaines accès aux mêmes modèles que le reste du monde. Les modèles vont devenir de plus en plus accessibles et une partie importante de leurs capacités finira probablement par se banaliser. Le contexte, lui, ne se banalise pas aussi facilement.
Un modèle peut devenir dix fois plus performant sans savoir ce qui arrive à une route en Guinée après plusieurs jours de pluie, combien de temps un camion passe réellement à un poste-frontière ou pourquoi un transporteur expérimenté prend une décision qui paraît irrationnelle dans un dataset parfaitement propre.
Pendant longtemps, le fait qu'une grande partie de notre économie soit insuffisamment numérisée a constitué un désavantage évident. L'IA introduit une possibilité intéressante : les entreprises capables de numériser ces opérations et, surtout, de comprendre les comportements qui se cachent derrière les données peuvent transformer une partie de ce désavantage en actif stratégique.
L'opportunité n'est donc pas de reproduire les produits de la Silicon Valley en leur ajoutant une étiquette africaine. Elle est de construire des systèmes qu'il est difficile de concevoir depuis la Silicon Valley parce que les connaissances nécessaires pour les rendre réellement utiles se trouvent ici.
Des équipes africaines ont déjà démontré jusqu'où cette logique pouvait aller. InstaDeep, née à Tunis, est devenue une entreprise d'intelligence artificielle reconnue mondialement en appliquant une ingénierie de haut niveau à des problèmes complexes, sans attendre que quelqu'un d'autre définisse pour elle le terrain sur lequel elle devait jouer.
La fenêtre qui s'ouvre aujourd'hui me paraît particulière. Des capacités de calcul sont progressivement déployées sur le continent, plusieurs gouvernements travaillent sur leurs stratégies nationales d'intelligence artificielle et les ingénieurs africains ont de plus en plus accès aux mêmes technologies fondamentales que leurs homologues ailleurs dans le monde. Surtout, cette rupture technologique nous atteint alors qu'elle est encore récente partout.
Historiquement, nous avons souvent reçu les grandes vagues technologiques avec un temps de retard, lorsque les infrastructures avaient déjà été construites ailleurs et qu'une grande partie de la valeur économique avait déjà été captée. Pour une fois, nous avons la possibilité de participer à la construction pendant que les règles du jeu sont encore en train de s'écrire.
Depuis vingt ans, « cette fois-ci, c'est différent » est probablement l'une des phrases les plus coûteuses de l'industrie technologique. C'est aussi une phrase que j'ai toujours évité d'écrire. Après avoir passé trois ans à chercher les raisons pour lesquelles l'intelligence artificielle ne serait qu'un nouveau tour dans un cycle que je connais bien, je suis de moins en moins convaincu qu'il s'agisse simplement de cela.
Si vous travaillez quelque part sur ce continent sur un problème difficile, très local, peut-être un peu ennuyeux, et que l'IA commence à en changer la manière de le résoudre, ma porte est ouverte. Et si vous pensez au contraire que j'ai fini par attraper cette fièvre technologique dont je me méfie depuis le début de ma carrière, cela m'intéresse tout autant.
Les discussions les plus intéressantes commencent souvent comme ça.