IA, diversité culturelle et inclusion numérique

On parle aujourd'hui plus de sept mille langues sur la planète, mais moins d'une centaine sont réellement prises en charge par les grands modèles d'intelligence artificielle. Autrement dit, l'écrasante majorité de la diversité linguistique humaine reste, pour l'instant, en marge des assistants vocaux, des moteurs de recherche et des outils génératifs qui façonnent notre quotidien numérique. Ce déséquilibre n'est ni une fatalité, ni un sujet de résignation : il a fait naître, sur tous les continents, une vague d'initiatives portées par des communautés, des laboratoires et des institutions déterminés à bâtir une IA plus représentative. Des réseaux de recherche panafricains aux plateformes de collecte vocale ouvertes, des modèles indiens couvrant vingt-deux langues officielles aux projets autochtones de Nouvelle-Zélande, la diversité culturelle s'invite au cœur de la technologie. Cet article dresse un panorama constructif et documenté de ce mouvement : d'où vient le déséquilibre, quelles initiatives le corrigent concrètement, quels obstacles subsistent, et pourquoi une IA plus inclusive profite en réalité à tout le monde — utilisateurs, chercheurs, entreprises et cultures.

Le fil conducteur tient en une idée simple : la diversité linguistique et culturelle n'est pas seulement une question d'équité, c'est aussi un levier de qualité technique et un vaste marché encore peu servi. Nous avancerons du constat vers les solutions — d'abord comprendre la géographie des données, puis explorer les projets qui la rééquilibrent, ensuite mesurer les obstacles structurels, enfin situer les cadres institutionnels et les bénéfices partagés. Chaque chiffre avancé est daté et rattaché à une source ; lorsqu'un point reste incertain, nous le disons plutôt que de trancher artificiellement.

L'état des lieux : une IA taillée pour une fraction de l'humanité

Avant de célébrer les initiatives inclusives, il faut mesurer le point de départ. Les grands modèles de langage se nourrissent de textes disponibles en ligne, et cette matière première est profondément inégale d'une langue à l'autre. Comprendre ce déséquilibre, c'est comprendre pourquoi tant d'efforts sont aujourd'hui nécessaires pour le corriger.

Le déséquilibre linguistique des grands modèles

Les grands modèles de langage grand public ont été entraînés sur des corpus massivement dominés par l'anglais et par une poignée de langues à forte présence numérique. Ce n'est pas un choix idéologique : c'est le reflet fidèle de la composition du web. Selon les mesures de W3Techs, l'anglais représente à lui seul environ la moitié du contenu des sites web indexés en 2024, loin devant l'espagnol, l'allemand et le japonais, chacun autour de 5 à 6 %. Or l'anglais n'est la langue maternelle que d'une fraction limitée de l'humanité. Cette asymétrie entre la population parlante et la présence en ligne se retrouve mécaniquement dans les modèles : plus une langue est abondante sur le web, mieux elle est comprise et produite par l'IA.

À l'autre bout du spectre, des langues parlées par des dizaines de millions de personnes — le yoruba, le haoussa, le quechua, le khmer — ne pèsent qu'une part infime des corpus d'entraînement. Le continent africain compte à lui seul près d'un tiers des langues vivantes du monde, mais elles représentent une portion minuscule du contenu web indexé. La conséquence est directe et mesurable : lorsqu'un modèle dispose de peu de données dans une langue, il produit des réponses de moindre qualité, multiplie les erreurs de traduction et génère parfois des formulations culturellement inadaptées.

Les exemples concrets abondent. Un chercheur qui sollicite un assistant en swahili pour rédiger une synthèse obtient souvent un texte truffé de tournures maladroites et de calques de l'anglais. Un entrepreneur qui interroge un outil en wolof n'obtient parfois aucune réponse exploitable. Un professionnel de santé qui cherche une note médicale en khmer se rabat sur des résultats en anglais qu'il doit ensuite traduire lui-même. Ces frictions, invisibles pour l'utilisateur anglophone, dessinent une expérience numérique à deux vitesses.

Des biais culturels enracinés dans les données

Le déséquilibre ne se limite pas au vocabulaire. Les données d'entraînement transportent aussi des représentations culturelles, des normes sociales et des cadres de référence propres aux sociétés dont elles sont issues. Un modèle nourri principalement de textes nord-américains et européens intègre, souvent de façon implicite, des conceptions du monde qui ne sont pas universelles.

Prenons un exemple parlant. Lorsqu'on demande à un modèle de raconter une histoire autour de la notion de « famille », il propose spontanément un schéma nucléaire occidental — deux parents, un ou deux enfants. Dans de nombreuses cultures africaines, asiatiques ou latino-américaines, c'est la famille étendue et multigénérationnelle qui constitue la norme. De la même manière, les systèmes de reconnaissance vocale conçus pour l'anglais standard peinent à saisir les variantes dialectales, les accents régionaux ou les structures syllabiques propres à d'autres traditions linguistiques.

Ce phénomène nourrit une forme d'homogénéisation culturelle en ligne. Les créateurs de contenu dans des langues peu dotées se retrouvent désavantagés par des systèmes qui ne saisissent pas les nuances de leur langue ; beaucoup finissent par publier en anglais pour gagner en visibilité, alimentant involontairement l'uniformisation qu'ils souhaitaient éviter. Reconnaître ce mécanisme, c'est déjà se donner les moyens d'agir, car un biais identifié est un biais que l'on peut mesurer et corriger.

Une langue n'est pas un simple code de communication : c'est une manière de découper le réel, de nommer les couleurs, de compter le temps, de tisser les relations sociales. Chaque langue absente des modèles, c'est une façon de penser le monde qui reste hors de portée de l'IA.

Des effets très concrets sur le terrain

Ce déficit de représentation a des retombées tangibles. Les outils de traduction automatique pour les langues africaines, autochtones ou d'Asie du Sud-Est restent en retrait par rapport aux langues bien pourvues. Les moteurs de recherche indexent peu de contenu dans ces langues, rendant l'accès à l'information moins équitable. Dans l'éducation, les plateformes d'apprentissage et les outils de correction fonctionnent d'abord en anglais et dans quelques grandes langues européennes ; un élève qui cherche un soutien scolaire dans une langue régionale peu numérisée trouve rarement une ressource adaptée.

L'enjeu dépasse la seule technologie. Selon l'UNESCO, au moins 40 % des langues du monde sont considérées comme menacées, et l'écrasante majorité d'entre elles n'a quasiment aucune présence numérique. Si l'IA continuait de se développer sans intégrer cette diversité, elle risquerait de renforcer l'attractivité des langues déjà dominantes dans l'espace numérique, au détriment des autres. C'est précisément pour éviter ce scénario que se multiplient les initiatives décrites dans la suite de cet article.

Indicateur	Ordre de grandeur	Portée
Langues vivantes recensées	≈ 7 164 (Ethnologue, 27e éd.)	Diversité mondiale totale
Langues considérées comme menacées	≥ 40 % (UNESCO)	Fragilité du patrimoine linguistique
Part de l'anglais dans le contenu web	≈ 49-50 % (W3Techs, 2024)	Matière première des modèles
Langues réellement bien prises en charge par les grands modèles	Moins d'une centaine	Couverture effective de l'IA

Les réseaux communautaires : construire ensemble ce que le marché ignore

Face à ce déséquilibre, la réponse la plus vigoureuse est venue non pas des géants technologiques, mais de communautés de chercheurs et de contributeurs bénévoles. Leur pari : ce que le marché ne juge pas rentable, une mobilisation collective peut le rendre possible. Deux modèles illustrent cette dynamique avec une force particulière.

Masakhane : un réseau panafricain du traitement des langues

Masakhane — « nous construisons ensemble », en isiZulu — est un mouvement de recherche participative lancé en 2019, dédié au traitement automatique des langues africaines. Ce qui a commencé comme un cercle de chercheurs passionnés est devenu l'une des communautés de traitement du langage naturel les plus dynamiques du monde, réunissant des centaines de contributeurs issus de dizaines de pays africains. Sa force tient à son modèle horizontal : plutôt qu'un laboratoire central pilotant tout, un réseau où chaque contributeur apporte son expertise linguistique, ses données ou ses compétences techniques. Un locuteur natif de l'igbo peut ainsi collaborer avec un spécialiste des données kenyan et un linguiste sud-africain pour construire ensemble un modèle de traduction.

Les réalisations sont tangibles. Masakhane a contribué à créer des jeux de données et des modèles pour un large éventail de langues africaines, couvrant plusieurs tâches fondamentales : traduction automatique, reconnaissance d'entités nommées, analyse de sentiments, classification de textes. Le réseau a nourri de nombreuses publications dans des conférences scientifiques de premier plan et, surtout, il a formé une génération de chercheurs africains en traitement des langues. Ses ateliers, ses hackathons et ses programmes de mentorat créent un vivier de talents dont plusieurs membres travaillent désormais dans les grandes équipes de recherche internationales, où ils apportent une perspective africaine précieuse.

Un choix structurant renforce l'impact du réseau : les modèles sont publiés en accès ouvert, notamment sur des plateformes de partage comme Hugging Face. Cette ouverture garantit que les bénéfices de la recherche profitent d'abord aux communautés qui en ont le plus besoin, et non uniquement aux organisations capables d'acquérir des licences. C'est un principe qui traverse l'ensemble du mouvement pour une IA inclusive.

Common Voice : la voix du monde, collectée par le monde

Du côté de la parole, le projet Common Voice de Mozilla constitue sans doute l'entreprise participative la plus ambitieuse jamais lancée. Le principe est limpide : demander aux internautes du monde entier de donner leur voix en lisant des phrases dans leur langue, ou en validant les enregistrements d'autres contributeurs. La dynamique est impressionnante. Dans sa version 19.0, publiée en 2024, Common Voice rassemble plus de 32 500 heures de parole enregistrée, dont plus de 21 500 heures validées, réparties sur 131 langues.

Ce qui distingue Common Voice, c'est son ouverture radicale. Les données sont publiées sous licence Creative Commons CC0, ce qui les place dans le domaine public : n'importe qui — chercheur, développeur, association, entreprise — peut les réutiliser librement pour entraîner des systèmes de reconnaissance vocale. Cette accessibilité est décisive pour les langues qui n'intéressent pas spontanément les grands acteurs. Pour beaucoup d'entre elles, Common Voice représente la toute première base de données vocales structurée, ouvrant la voie à des assistants, des systèmes de dictée et des outils d'accessibilité auparavant inexistants.

Le succès de la plateforme repose sur sa dimension communautaire. Les contributeurs ne fournissent pas seulement des données : ils deviennent les ambassadeurs de leur langue dans l'espace numérique. Certaines communautés, comme celles réunies autour du catalan, du breton, du kabyle ou du kinyarwanda, ont montré qu'une mobilisation régulière de quelques dizaines de personnes pouvait produire des centaines d'heures de parole en quelques mois. C'est la preuve concrète qu'une petite communauté motivée peut peser sur la couverture linguistique de l'IA.

• Modèle horizontal — chaque contributeur apporte une brique, sans dépendre d'un laboratoire unique.
• Ouverture des données et des modèles — les résultats reviennent d'abord aux communautés concernées.
• Formation locale — au-delà des modèles, on forme des chercheurs qui restent connectés à leurs communautés.
• Effet d'entraînement — une réussite dans une langue inspire des efforts similaires ailleurs.

Langues nationales et autochtones : de la recherche aux services publics

Au-delà des réseaux communautaires, certaines initiatives ont franchi une étape supplémentaire : traduire la recherche en services concrets pour des populations entières. Deux exemples, l'un à l'échelle d'un sous-continent, l'autre à celle d'un peuple autochtone, montrent la diversité des chemins possibles.

AI4Bharat : l'Inde prend en main sa mosaïque linguistique

Porté par l'Indian Institute of Technology de Madras (IIT Madras), le projet AI4Bharat vise à développer des technologies pour les vingt-deux langues officielles de l'Inde, et au-delà pour les centaines de langues du sous-continent. Avec près d'un milliard et demi d'habitants et une diversité linguistique colossale, l'Inde représente à la fois un défi et un terrain d'expérimentation unique pour l'IA multilingue.

Les contributions d'AI4Bharat sont substantielles. La famille de modèles de traduction IndicTrans couvre l'ensemble des langues officielles indiennes, y compris des langues à faibles ressources avec plusieurs systèmes d'écriture, et rivalise sur ces langues avec les meilleurs outils du marché. Le projet a aussi produit des suites complètes d'outils de traitement du langage, ainsi que des jeux de données de parole à grande échelle comme IndicVoices, qui documentent la variété des accents et des registres à travers le pays. AI4Bharat développe également des systèmes de reconnaissance et de synthèse vocale pour des langues qui n'en avaient jamais bénéficié, rendant les contenus numériques plus accessibles, notamment aux personnes malvoyantes.

L'aboutissement le plus visible est Bhashini, la plateforme nationale de services linguistiques soutenue par le ministère indien de l'Électronique et des Technologies de l'information. Bhashini agrège des interfaces de traduction, de reconnaissance et de synthèse vocale — dont plusieurs développées par AI4Bharat — et se déploie progressivement dans les services publics. L'ambition affichée est claire : permettre à tout citoyen d'interagir avec l'administration numérique dans sa langue maternelle. C'est un cas d'école où la recherche en IA multilingue se traduit directement en politique publique inclusive.

Te Hiku Media : souveraineté des données et langues autochtones

En Nouvelle-Zélande, l'organisation Te Hiku Media a développé un système de reconnaissance vocale pour le te reo Māori, la langue du peuple autochtone māori, qui compte environ 185 000 locuteurs. Le modèle atteint une précision proche de 92 % pour le te reo, un résultat remarquable pour une langue disposant de ressources limitées. Il a été rendu possible par une campagne de collecte participative, Kōrero Māori : en une dizaine de jours, des milliers de personnes se sont inscrites pour lire des centaines de milliers de phrases, réunissant plusieurs centaines d'heures de parole annotée.

Mais ce qui fait de Te Hiku Media un pionnier, c'est sa position sur la gouvernance des données. L'organisation a créé un cadre juridique original, la licence Kaitiakitanga, qui repose sur un principe de tutelle plutôt que de propriété : les données vocales ne sont pas « possédées » mais « gardées » au bénéfice de la communauté māori, et tout avantage tiré de ces données doit revenir à leur source. Contrairement aux licences entièrement ouvertes, cette approche reconnaît que les données linguistiques d'un peuple autochtone constituent un taonga, un trésor collectif qui ne peut être exploité sans le consentement de la communauté.

La licence Kaitiakitanga déplace la question de la donnée : il ne s'agit plus de savoir qui possède, mais qui prend soin — et à qui profite ce soin. C'est une contribution majeure à la réflexion mondiale sur la gouvernance des données culturelles.

Ce cadre a essaimé bien au-delà de la Nouvelle-Zélande. Il a inspiré d'autres communautés autochtones — des Premières Nations d'Amérique du Nord aux peuples aborigènes d'Australie — à concevoir leurs propres protocoles de souveraineté sur leurs données linguistiques. Te Hiku Media démontre ainsi qu'il est possible de développer une IA de pointe tout en respectant pleinement les droits collectifs des communautés dont les données sont utilisées.

Un tour du monde des initiatives inclusives

Le mouvement pour une IA plus diverse ne se limite pas à quelques projets phares. Sur chaque continent, un écosystème se structure, avec des approches complémentaires et des résultats de plus en plus concrets. En dresser la carte, c'est mesurer l'ampleur d'une dynamique qui dépasse largement les frontières.

Afrique : un écosystème en pleine effervescence

L'Afrique connaît une véritable ébullition en matière d'IA linguistique. En Afrique du Sud, l'entreprise Lelapa AI, cofondée par Pelonomi Moiloa, a lancé InkubaLM, présenté comme le premier petit modèle de langage multilingue conçu spécifiquement pour des langues africaines. Avec seulement 0,4 milliard de paramètres, ce modèle prend en charge le swahili, le yoruba, l'isiXhosa, le haoussa et l'isiZulu, et obtient des résultats comparables à ceux de modèles bien plus volumineux sur des tâches comme la traduction ou la réponse à des questions. Son nom, inspiré du bousier — un insecte capable, selon Lelapa AI, de déplacer environ 250 fois son poids — résume la philosophie du projet : faire beaucoup avec peu, un atout décisif dans des contextes où les ressources de calcul sont limitées.

Au Ghana, l'initiative GhanaNLP a développé l'application Khaya, l'une des premières solutions de traduction pour les langues ghanéennes s'appuyant sur l'IA. Elle couvre désormais le twi, l'ewe, le ga, le dagbani et d'autres langues, avec des fonctions de reconnaissance et de synthèse vocale, et s'est étendue à des langues d'autres pays comme le yoruba nigérian ou le kikuyu kenyan. GhanaNLP illustre parfaitement comment la recherche peut déboucher sur des usages pratiques dans la vie quotidienne : dictée, traduction sur les marchés, outils éducatifs multilingues.

D'autres acteurs consolident cet écosystème. Des plateformes de référencement recensent les ressources disponibles pour les langues africaines — jeux de données, modèles pré-entraînés, publications — et aident les chercheurs à repérer les manques à combler. En Afrique du Nord, des universités investissent dans la constitution de corpus pour les variantes dialectales de l'arabe et pour l'amazigh, des langues parlées par des millions de personnes mais historiquement peu présentes dans les ressources numériques.

Amérique latine : la revitalisation numérique des langues autochtones

L'Amérique latine abrite une richesse linguistique considérable, avec des centaines de langues autochtones encore vivantes — du nahuatl mexicain au guarani paraguayen, langue co-officielle parlée par une large majorité de la population, en passant par le quechua andin, partagé entre plusieurs pays. Plusieurs initiatives structurent la recherche sur ces langues. Le projet AmericasNLP, animé par des chercheurs nord-américains et mexicains, organise des compétitions ouvertes pour encourager la communauté scientifique à travailler sur les langues autochtones du continent : quechua, aymara, guarani, nahuatl, otomí, huichol et plusieurs autres y ont été couvertes.

Ces efforts commencent à se traduire dans les politiques publiques. Au Pérou, des travaux sur la traduction automatique entre le quechua et l'espagnol atteignent des performances suffisantes pour des usages concrets dans l'administration, l'éducation ou l'accès aux services de santé, en cohérence avec la législation sur les droits linguistiques. Au Paraguay, des corpus parallèles guarani-espagnol nourrissent des modèles de traduction qui s'intègrent peu à peu dans des applications largement utilisées. Ici encore, l'IA multilingue devient un outil au service d'une administration plus accessible.

Asie du Sud-Est et Océanie : préserver la diversité dans la transition numérique

L'Asie du Sud-Est fait face à des défis d'une ampleur particulière : l'Indonésie compte à elle seule plusieurs centaines de langues, les Philippines et la Birmanie plus d'une centaine chacune. Des projets communautaires s'inspirent du modèle panafricain pour rassembler et standardiser les ressources de la région. En Indonésie, des modèles ont été développés pour l'indonésien et le javanais — l'une des plus grandes langues austronésiennes — et alimentent des applications de modération de contenu et de service client. En Océanie, au-delà du te reo Māori, des efforts émergent pour numériser et outiller des langues du Pacifique comme le samoan, le tongien ou le fidjien. Pour ces langues à communautés parfois réduites, l'intégration dans des outils numériques constitue une forme de revitalisation : redevenir fonctionnelles en ligne renforce leur attractivité auprès des jeunes générations.

Europe : langues régionales et minoritaires aussi concernées

La question ne concerne pas seulement l'hémisphère Sud. En Europe, des langues régionales et minoritaires — breton, basque, catalan, gallois, sarde, frison, sami — font face à des défis comparables. Des infrastructures mutualisées, souvent financées par l'Union européenne, rassemblent outils et ressources pour les langues officielles de l'Union comme pour de nombreuses langues régionales, et travaillent à créer des modèles pour les langues européennes les moins pourvues. La France a montré, avec le modèle CamemBERT développé par des équipes de recherche publiques, l'intérêt de concevoir des modèles spécifiquement optimisés pour une langue plutôt que de s'appuyer uniquement sur des modèles multilingues généralistes. Cette démarche a inspiré des équivalents en Italie, en Suède, en Finlande ou au Portugal, confirmant qu'un investissement ciblé dans les ressources propres à une langue produit des résultats supérieurs pour les tâches spécialisées.

Le passage à l'échelle industrielle

Les grands acteurs industriels ne sont pas restés à l'écart. Le projet No Language Left Behind (NLLB) de Meta, lancé en 2022, propose un modèle de traduction capable de couvrir 200 langues, dont beaucoup étaient jusqu'alors absentes des systèmes de traduction automatique — langues africaines, asiatiques, autochtones. Pour l'évaluer, Meta a créé FLORES-200, un banc d'essai dont les phrases ont été traduites par des locuteurs natifs professionnels, ce qui en fait une référence fiable pour comparer la qualité entre des dizaines de milliers de directions de traduction.

Les résultats sont probants : sur ce banc d'essai, NLLB-200 a amélioré la qualité de traduction d'environ 44 % en moyenne par rapport aux systèmes antérieurs, avec des gains dépassant 70 % pour certaines langues africaines et indiennes. Le modèle, publié en accès ouvert, a notamment été mobilisé pour améliorer la traduction d'articles encyclopédiques dans des langues sous-représentées. Ce type de projet illustre un cercle vertueux : les efforts communautaires, académiques et industriels se renforcent mutuellement et accélèrent les progrès pour l'ensemble des langues peu dotées.

Les obstacles structurels d'une IA véritablement diverse

Le tableau serait incomplet sans une lecture lucide des freins qui subsistent. Construire une IA inclusive se heurte à des obstacles réels — de données, de financement, d'infrastructure — qu'il vaut mieux nommer clairement pour mieux les lever. Ces difficultés n'ont rien d'insurmontable, mais elles expliquent pourquoi les progrès, bien réels, demandent du temps et de la persévérance.

Le nerf de la guerre : des données rares et hétérogènes

Le premier obstacle est la disponibilité même des données. Entraîner un modèle performant suppose des corpus volumineux et de qualité dans la langue cible. Or, pour la grande majorité des langues du monde, ces corpus n'existent tout simplement pas. Beaucoup de langues sont principalement orales, avec peu de production écrite numérisée ; d'autres disposent d'une riche littérature écrite, mais jamais convertie en format numérique exploitable.

Même lorsque des données existent, leur représentativité pose question. Les textes disponibles en ligne dans certaines langues se concentrent souvent dans quelques domaines — actualités, textes religieux, documents administratifs — et ne reflètent pas la richesse de l'usage quotidien. Un modèle entraîné uniquement sur des articles de presse ne captera pas les nuances de la langue parlée sur un marché ou dans une conversation familiale. Constituer des jeux de données de qualité pour les langues peu dotées reste un travail exigeant, mobilisant des locuteurs natifs, des linguistes et des processus de validation rigoureux. Les projets participatifs ont montré que la mobilisation communautaire peut accélérer considérablement ce processus, mais le chantier demeure vaste.

Le financement et la viabilité économique

Développer de l'IA pour des langues parlées par quelques millions — ou quelques centaines de milliers — de personnes n'est pas immédiatement rentable selon les critères classiques du marché. Les grands acteurs investissent en priorité dans les langues offrant les marchés les plus vastes, ce qui crée un cercle où les langues les moins pourvues reçoivent le moins d'attention. Les financements proviennent surtout de trois sources — subventions de recherche, programmes de responsabilité sociale des entreprises, fonds publics — dont aucune ne garantit à elle seule une continuité sur le long terme.

Des modèles économiques alternatifs émergent néanmoins. Certaines organisations combinent recherche fondamentale et services commerciaux, vendant des solutions multilingues à des entreprises et des administrations tout en contribuant à la recherche ouverte. D'autres nouent des partenariats avec des institutions publiques qui ont besoin de services linguistiques pour leurs citoyens. Des fonds spécialisés voient aussi le jour : le programme Lacuna Fund, soutenu par des fondations philanthropiques, finance spécifiquement la création de jeux de données labellisés pour des langues et des communautés sous-représentées. Ces approches, encore jeunes, tracent des voies prometteuses vers une viabilité durable.

Infrastructures, talents et normalisation

L'accès aux ressources de calcul constitue un autre frein. L'entraînement des modèles modernes exige une puissance considérable, inégalement répartie dans le monde. Des programmes de crédits cloud et de mise à disposition de matériel spécialisé réduisent cet écart sans l'effacer complètement. S'y ajoute la question des talents : les chercheurs les plus qualifiés formés localement sont souvent recrutés par des acteurs offrant des conditions difficiles à concurrencer. Les réseaux communautaires travaillent précisément à créer les conditions qui permettent aux chercheurs de contribuer à la recherche internationale tout en restant reliés à leurs communautés d'origine.

Enfin, un travail linguistique préalable, souvent invisible, conditionne tout le reste. De nombreuses langues ne disposent pas encore d'une orthographe standardisée unanimement acceptée ; les variations dialectales et l'absence de normes typographiques compliquent la collecte et le traitement des données. Documenter, normaliser, harmoniser : ce travail mobilise linguistes, enseignants et locuteurs natifs, et représente un investissement indispensable avant même de pouvoir entraîner un modèle. Sans norme partagée, les données risquent l'incohérence et les modèles produisent des résultats variables. Des institutions linguistiques régionales œuvrent à accélérer ces processus pour les principales langues concernées.

Les cadres institutionnels et réglementaires

Les efforts de terrain s'inscrivent désormais dans un environnement institutionnel qui les soutient et les oriente. Des recommandations internationales aux stratégies continentales, un cadre se dessine pour faire de la diversité linguistique une priorité collective plutôt qu'un supplément d'âme.

L'UNESCO et la diversité linguistique numérique

L'UNESCO a pris une position claire en faveur de la diversité culturelle dans l'espace numérique. Sa Recommandation sur l'éthique de l'intelligence artificielle, adoptée en novembre 2021 par ses 193 États membres, constitue le premier cadre mondial sur le sujet. Parmi ses domaines d'action figure explicitement la protection des expressions culturelles et de la diversité linguistique, avec des recommandations concrètes invitant les États à soutenir le développement de ressources numériques pour leurs langues nationales et régionales.

Ce cadre s'articule avec la Décennie internationale des langues autochtones (2022-2032), proclamée par les Nations unies et coordonnée par l'UNESCO. Cette décennie offre un contexte propice au développement de technologies linguistiques pour les langues autochtones, et plusieurs pays y ont adossé des programmes nationaux comportant des volets dédiés à la numérisation et à l'outillage de leurs langues. L'organisation a par ailleurs documenté les inégalités linguistiques dans les technologies du langage et formulé des recommandations pour y remédier, notamment en intégrant des critères de diversité dans l'évaluation des systèmes.

L'Union africaine et la stratégie continentale

À l'échelle du continent africain, l'Union africaine a adopté en juillet 2024, lors de sa session tenue à Accra, une Stratégie continentale pour l'intelligence artificielle. Ce texte, le premier cadre global de ce type à l'échelle continentale, promeut une approche centrée sur les besoins africains et fait de la diversité linguistique et culturelle l'un de ses axes. Il appelle les États membres à investir dans la création de ressources numériques pour leurs langues nationales. Plusieurs pays ont lancé des initiatives en ce sens, souvent avec l'appui de partenaires internationaux, pour numériser et outiller leurs langues principales.

Le règlement européen sur l'IA et la représentativité des données

En Europe, le Règlement sur l'intelligence artificielle (Règlement UE 2024/1689, dit « IA Act »), entré en vigueur le 1er août 2024, contient des dispositions pertinentes pour la diversité. Son article 10, consacré aux données d'entraînement, exige que les jeux de données des systèmes à haut risque soient « pertinents, suffisamment représentatifs » et, dans la mesure du possible, exempts d'erreurs et complets au regard de leur finalité. Le texte précise que les données doivent refléter le contexte géographique, comportemental et fonctionnel d'usage du système. Cette exigence de représentativité, dont l'application aux systèmes à haut risque s'échelonne jusqu'en 2026, peut se lire comme une incitation à intégrer une diversité linguistique et culturelle dans les données. Le cadre européen encourage par ailleurs la création de bacs à sable réglementaires où tester des systèmes multilingues, et le financement d'infrastructures partagées de ressources linguistiques pour l'ensemble des langues de l'espace européen.

Pourquoi la diversité profite à toute l'IA

L'argument le plus fort en faveur de la diversité linguistique n'est peut-être pas moral, mais technique et économique. Loin d'être un simple geste d'équité, l'inclusion des langues sous-représentées améliore la qualité des modèles, stimule l'innovation et ouvre des marchés considérables. C'est un point essentiel : la diversité n'est pas un coût à consentir, c'est un investissement qui rapporte à tous.

Des modèles plus robustes grâce à la variété des données

Les modèles entraînés sur des données diversifiées sont intrinsèquement plus solides que ceux nourris de données homogènes. La variété linguistique agit comme un régulateur naturel contre le surapprentissage et renforce la capacité de généralisation. Les recherches menées dans le cadre du projet NLLB ont montré qu'ajouter des données dans des langues à faibles ressources améliorait aussi la performance du modèle sur les langues bien pourvues — un phénomène de transfert positif entre langues, qui s'explique par les structures syntaxiques et sémantiques partagées que le modèle apprend mieux lorsqu'il est exposé à une plus grande variété de manifestations.

Les modèles multilingues ont par ailleurs démontré que la diversité dans l'entraînement améliore les performances en apprentissage zéro-coup — la capacité à réaliser une tâche dans une langue sur laquelle le modèle n'a pas été spécifiquement entraîné. Concrètement, investir dans les langues rares a un effet bénéfique indirect sur la qualité globale des modèles, y compris pour les langues dominantes. Un modèle exposé aux structures agglutinantes du swahili ou du turc sera, par exemple, mieux armé pour analyser les morphologies complexes d'autres langues.

L'innovation née de la contrainte

Travailler avec des langues à faibles ressources pousse les chercheurs à inventer des méthodes qui bénéficient ensuite à toute la communauté. Les techniques d'augmentation de données, les approches à quelques exemples ou sans exemple, les méthodes de transfert d'apprentissage entre langues sont nées, en partie, de la nécessité de faire beaucoup avec peu. Ces innovations trouvent des applications bien au-delà de leur contexte d'origine, y compris dans des domaines spécialisés — médical, juridique, technique — où les données sont rares même pour les langues bien dotées. La créativité méthodologique qui émerge de ces contextes contraints enrichit la boîte à outils de l'ensemble de la recherche.

Des marchés vastes et une autonomie renforcée

D'un point de vue économique, la diversité linguistique ouvre l'accès à des marchés immenses. Le continent africain, avec une population jeune et de plus en plus connectée, et l'Inde, avec son marché de plus d'un milliard de personnes et ses vingt-deux langues officielles, représentent un potentiel commercial gigantesque pour les acteurs capables de proposer des produits multilingues de qualité. Les travaux du cabinet CSA Research (anciennement Common Sense Advisory) ont depuis longtemps établi que la grande majorité des consommateurs préfèrent acheter des produits présentés dans leur langue maternelle, et qu'une part importante d'entre eux renoncent purement et simplement à un achat dans une autre langue. L'enjeu commercial de la diversité linguistique est donc bien réel.

À cette dimension s'ajoute celle de la souveraineté numérique. Les pays qui développent leurs propres capacités en IA multilingue réduisent leur dépendance envers les technologies étrangères et renforcent leur autonomie. Cette dimension géostratégique explique pourquoi de nombreux gouvernements investissent désormais dans des modèles adaptés à leurs langues et à leurs cultures — un choix qui sert à la fois l'inclusion des citoyens et l'indépendance technologique.

Comment contribuer, à son échelle

La bonne nouvelle, c'est que ce mouvement n'est pas réservé aux laboratoires ou aux gouvernements. Chacun, selon ses moyens et ses compétences, peut y prendre part. Voici quelques pistes concrètes, du geste individuel à la démarche d'organisation.

Donner sa voix et tester les modèles

La contribution la plus accessible passe par les plateformes participatives. Sur Common Voice, quelques minutes suffisent pour créer un compte, sélectionner sa langue, lire des phrases à voix haute et valider les enregistrements d'autres contributeurs. Si une langue n'y figure pas encore, on peut demander son ajout. Pour les locuteurs de langues peu représentées, tester les modèles existants et signaler les erreurs constitue une contribution précieuse : les retours des locuteurs natifs sont irremplaçables pour améliorer la qualité des systèmes.

• Contribuer à la collecte vocale — donner sa voix et valider celle des autres, notamment dans les langues peu dotées.
• Signaler les erreurs — rapporter les défauts des modèles dans sa langue pour aider à les corriger.
• Privilégier les modèles multilingues — plus ils sont utilisés, plus ils sont améliorés et maintenus.
• Publier en accès ouvert — partager un jeu de données ou un outil pour une langue peu servie enrichit l'écosystème commun.

Pour les organisations et les décideurs

À l'échelle d'une entreprise ou d'une institution, quelques réflexes simples font la différence. Un audit linguistique permet d'identifier combien d'utilisateurs n'ont pas accès aux services dans leur langue maternelle. Une évaluation honnête de la qualité des outils — chatbots, traduction, recherche — dans les langues des utilisateurs révèle souvent des écarts insoupçonnés. Les partenariats avec des organisations locales spécialisées sont plus efficaces qu'une adaptation menée a posteriori. Enfin, intégrer des indicateurs de diversité linguistique dans les processus d'évaluation évite de ne mesurer la performance qu'en anglais, alors que le service prétend couvrir plusieurs langues. Sensibiliser les équipes techniques est tout aussi utile : les biais linguistiques restent souvent invisibles pour des développeurs travaillant dans une seule langue.

Perspectives : vers une IA plus universelle

Plusieurs tendances laissent entrevoir une accélération dans les années à venir. Les architectures plus économes rendent le développement de modèles viable pour des marchés plus petits ; ce qui exigeait des moyens considérables il y a quelques années devient accessible à des équipes aux ressources modestes. Les techniques d'adaptation fine permettent de spécialiser un modèle pré-entraîné pour une nouvelle langue avec beaucoup moins de données qu'auparavant — une démocratisation technique décisive. Enfin, la montée des modèles multimodaux, capables de traiter directement la parole sans passer par l'écrit, ouvre des perspectives pour les langues à forte tradition orale qui ne disposent pas d'un système d'écriture standardisé.

L'Afrique et l'Asie du Sud sont appelées à jouer un rôle croissant, non seulement comme marchés mais comme productrices de technologies et de connaissances. La jeunesse de la population africaine, combinée à l'essor de la connectivité mobile et à la multiplication des formations en IA, crée un terreau favorable à l'émergence d'une communauté technique de premier plan. Les réussites déjà citées le prouvent : l'innovation en IA ne provient pas exclusivement des grands pôles historiques, et des solutions conçues localement peuvent atteindre l'excellence technique tout en répondant à des besoins que les acteurs extérieurs ne priorisent pas.

Vers une diversité cognitive

Au-delà de la langue au sens strict se dessine un enjeu plus profond : celui de la diversité cognitive. Chaque langue encode une façon singulière de percevoir et de catégoriser le monde. Certaines distinguent comme des couleurs fondamentales des nuances que d'autres regroupent ; certaines codent le temps ou les relations sociales selon des logiques radicalement différentes. Ces différences ne sont pas de simples curiosités : elles reflètent des cadres conceptuels distincts qui, intégrés dans les modèles, pourraient enrichir leur capacité à raisonner et à résoudre des problèmes.

Une IA véritablement universelle ne sera pas seulement une IA qui traduit correctement entre les langues. Ce sera une IA qui intègre la diversité des façons humaines de penser, de raisonner et de percevoir le monde — et qui en sort plus riche.

Cette perspective, encore largement prospective, constitue l'un des arguments les plus stimulants en faveur de la diversité. Les travaux en linguistique cognitive suggèrent que la langue influence la pensée de manière mesurable. Nourrir les modèles de la richesse de milliers de manières de conceptualiser le monde pourrait ouvrir des capacités de raisonnement qu'aucun modèle monoculturel ne peut aujourd'hui atteindre. En construisant des systèmes qui captent cette pluralité, on ne rend pas seulement l'IA plus équitable : on la rend fondamentalement plus intelligente.

Conclusion : chaque langue compte

Le panorama dressé au fil de cet article dessine une réalité encourageante : la diversité culturelle et linguistique dans l'IA progresse, portée par des communautés mobilisées, des chercheurs inventifs et des institutions engagées sur tous les continents. Des réseaux panafricains aux projets autochtones du Pacifique, des plateformes de collecte vocale ouvertes aux stratégies continentales, les initiatives se multiplient et produisent des résultats concrets. Les modèles deviennent plus multilingues, les jeux de données plus représentatifs, les outils plus accessibles.

Les obstacles restent réels — données, financement, infrastructures, normalisation — mais la dynamique est nette et les cadres institutionnels se mettent en place. La question n'est plus de savoir si l'IA deviendra multilingue et multiculturelle, mais à quelle vitesse et avec quelle profondeur d'intégration culturelle. Les fondations sont posées, les communautés sont à l'œuvre, les outils gagnent en maturité. Chaque voix enregistrée, chaque modèle partagé en accès ouvert, chaque jeu de données constitué dans une langue peu servie rapproche l'écosystème d'une IA qui reflète mieux la richesse de l'humanité. Les sept mille langues du monde ne sont pas un obstacle à surmonter : ce sont une ressource à valoriser, et chaque langue qui rejoint l'IA l'enrichit pour tous.

Sources

• UNESCO — Recommandation sur l'éthique de l'intelligence artificielle (2021, 193 États membres)
• Mozilla Foundation — Common Voice 19.0 (32 584 heures, 131 langues, 21 593 heures validées)
• Meta AI — No Language Left Behind (NLLB-200) et FLORES-200
• Nature — « Scaling neural machine translation to 200 languages » (NLLB, gains BLEU)
• IEEE Spectrum — Te Hiku Media, souveraineté des données māori et licence Kaitiakitanga
• AI4Bharat (IIT Madras) — IndicTrans, IndicVoices et plateforme Bhashini
• arXiv — InkubaLM : petit modèle de langage pour les langues africaines (Lelapa AI)
• GhanaNLP — application de traduction Khaya pour les langues ghanéennes
• Masakhane — réseau de recherche pour le traitement des langues africaines
• Ethnologue — recensement des langues vivantes du monde (27e édition)
• W3Techs — statistiques des langues de contenu des sites web
• Règlement UE 2024/1689 (IA Act) — Article 10 : données et gouvernance des données
• Union africaine — Stratégie continentale pour l'intelligence artificielle (juillet 2024)