Les données avant l’IA

Les fédérations sportives africaines se précipitent sur l’intelligence artificielle, dans l’espoir de « sauter » l’étape des infrastructures de données traditionnelles pour obtenir des résultats immédiats. Cet ordre des priorités est fondamentalement vicié. Sans données de base — des registres de joueurs élémentaires et des dossiers vérifiés —, l’IA n’est qu’une boîte noire incapable de résoudre les problèmes locaux, qui risque en plus de renforcer des biais importés.

L’illusion du saut d’étape

Dans les couloirs des ministères des Sports et les salles de conseil des fédérations africaines, une idée dangereuse s’est imposée : l’intelligence artificielle offrirait un raccourci vers la modernisation. Alimenté par les vendeurs de technologies et les consultants internationaux, ce récit laisse entendre que l’Afrique pourrait sauter les étapes traditionnelles, laborieuses, de la collecte industrielle de données pour passer directement à l’analyse prédictive.

Le raisonnement est séduisant. Pourquoi bâtir de fastidieux registres de jeunes joueurs quand un outil d’IA promet de dénicher le prochain Messi à partir de vidéos ? Pourquoi passer des années à auditer des dossiers papier quand l’apprentissage automatique peut optimiser le calendrier d’un championnat ?

Ce raisonnement n’est pas seulement optimiste : il est fatalement vicié. L’IA n’a rien de magique. C’est de la reconnaissance de motifs appliquée à des données historiques — un moteur vorace qui exige un carburant de qualité, structuré et historique. Le mirage du saut d’étape ignore une loi fondamentale des sciences de l’information : à données médiocres, résultats médiocres. Et dans le contexte africain, s’ajoute un risque supplémentaire : sans données, pas de résultats du tout.

Prenons le Scout Advisor du FC Séville, conçu avec IBM. Les recruteurs peuvent y formuler des requêtes en langage naturel pour rechercher des profils précis. Mais le système fonctionne parce que Séville a accumulé plus de 200 000 rapports de recrutement au fil des années. Le club avait le papier avant le pixel ; la base de données avant le tableau de bord.

On ne peut pas entraîner un algorithme sur du vide. Bâtir une IA prédictive sans registre de joueurs, c’est poser un toit sur une maison sans murs.

L’erreur de séquençage

Nous appelons cet échec de politique publique l’erreur de séquençage : vouloir déployer une technologie de niveau 5 — l’IA prédictive — alors que l’infrastructure de niveau 1 — la documentation de base — n’existe pas.

L’erreur coûte cher. Elle détourne des ressources limitées du travail ingrat mais essentiel — enregistrer les joueurs, vérifier les âges, suivre les blessures — au profit d’une décoration technologique aussi clinquante qu’inutile. Une fédération qui dépense 100 000 dollars pour une licence d’IA alors que son registre de joueurs dort dans des cartons n’innove pas : elle joue la comédie de l’innovation.

La hiérarchie de la maturité des données est rigide : d’abord le registre, puis la base de données, puis l’audit, puis l’analyse, et seulement ensuite l’intelligence. La plupart des fédérations africaines peinent encore à franchir la première étape. Sauter directement à la cinquième, c’est la déception assurée. Le mandat des politiques publiques pour la prochaine décennie doit être de bâtir les données, pas seulement d’acheter l’IA.

L’effacement algorithmique

Si nous ignorons cet ordre et importons des modèles d’IA clés en main d’Europe ou d’Amérique, nous introduisons un second danger : l’effacement algorithmique.

Les modèles d’IA ne sont pas objectifs ; ce sont des artefacts culturels. Ils valorisent ce qu’on leur a appris à valoriser. Un algorithme de recrutement entraîné sur dix ans de données de Premier League apprendra sans doute à privilégier les sprints à haute intensité, les duels physiques et une discipline positionnelle structurée.

Appliqué à un match à Bamako ou à Kinshasa, il rencontre un autre langage footballistique. Le jeu africain au milieu de terrain peut faire la part belle à la pause, aux changements de rythme, au dribble dans les petits espaces et à la feinte. Ce sont des gestes de grande technicité, mais ils risquent d’être mal captés par des indicateurs importés. Un joueur qui temporise pour attirer un défenseur peut être pénalisé pour avoir gardé le ballon trop longtemps ; celui qui décroche pour créer un surnombre peut être signalé pour manque de discipline tactique.

Sans données de suivi collectées localement — sans bases de données décrivant à quoi ressemble l’excellence dans les contextes africains —, le modèle ne peut pas être réentraîné. Les talents locaux sont jugés avec une règle étalonnée pour un autre continent. Des joueurs peuvent échouer au test des données alors qu’ils réussissent celui du regard.

Nous jugeons la poésie africaine avec un correcteur orthographique conçu pour la prose anglaise. L’outil voit des fautes parce qu’il ne comprend pas le rythme.

Résultat : le milieu de terrain sous-évalué, un joueur qui domine localement mais ne décroche pas de contrat à l’étranger parce que ses statistiques ne plaisent pas à l’acheteur. Une forme de biais algorithmique qu’invite l’absence de souveraineté sur les données.

Le problème de la boîte noire

Dépendre d’une IA importée crée aussi un piège de dépendance. Si un algorithme affirme que le joueur A est meilleur que le joueur B, mais que la fédération ne peut pas expliquer pourquoi parce que le modèle est propriétaire, elle a perdu une part de sa souveraineté.

Les choix de sélection — qui joue en équipe nationale, qui obtient une bourse — commencent à être sous-traités à la machine. Si la machine est biaisée, le biais devient automatique et invisible. Nous risquons de fabriquer des joueurs optimisés pour les données : des enfants qui apprennent à plaire à un algorithme, avec plus de sprints et des passes plus sûres, plutôt qu’à jouer le jeu qui fait gagner les matchs.

Une intelligence maison

Refuser l’IA d’abord, ce n’est pas refuser l’IA. C’est exiger une intelligence maison : des outils conçus pour résoudre les vrais problèmes africains.

Nous n’avons peut-être pas besoin d’une IA pour savoir qui est un bon dribbleur ; les entraîneurs le voient. En revanche, nous avons besoin de systèmes de résolution d’identité capables d’établir si « John Kamau », né en 2008 à Nairobi, est la même personne que « J. Kamau », enregistré comme né en 2005 à Nakuru. C’est la plomberie ingrate de la science des données, mais c’est elle qui s’attaque à la fraude sur l’âge et l’identité.

Nous avons besoin de systèmes de reconnaissance capables d’analyser des vidéos basse résolution filmées au téléphone, pas seulement des flux télé en 4K. Nous avons besoin d’outils d’infrastructure qui optimisent les déplacements des équipes dans des pays aux routes en mauvais état, pour économiser des budgets rares.

Voilà le bon usage de l’intelligence : résoudre les problèmes que nous avons, plutôt que ceux que les vendeurs voudraient nous voir avoir. Rien de tout cela n’est possible tant que les fondations n’existent pas.

D’abord le registre. Ensuite l’intelligence.

L’infrastructure de données n’est pas un retard bureaucratique avant l’innovation. C’est la condition qui rend l’innovation utile, redevable et souveraine à l’échelle locale.

Version originale publiée en anglais par Football Business Africa · 7 octobre 2026. Lire la version anglaise ↗