Accessibilité numérique : concevoir des outils IA pour tous les usagers

En France, 12 millions de personnes vivent avec un handicap reconnu, et 13 millions d’adultes peinent à accomplir des tâches numériques élémentaires selon l’INSEE. Ces deux chiffres, rarement mis côte à côte, dessinent pourtant le même problème : une large part des usagers potentiels d’un outil IA en est exclue avant même d’avoir ouvert l’interface. Quand les directions générales arbitrent un déploiement d’intelligence artificielle, l’accessibilité arrive rarement en tête de liste des critères d’évaluation. Elle arrive souvent après la performance, après le coût, parfois après l’esthétique. Ce séquencement est une erreur de calcul autant qu’une erreur éthique.

L’accessibilité numérique recouvre deux réalités distinctes qu’il est utile de séparer pour mieux les traiter ensemble. D’un côté, les personnes en situation de handicap, visuel, auditif, moteur, cognitif, pour qui une interface mal conçue n’est pas inconfortable mais inutilisable. De l’autre, les personnes touchées par la fracture numérique : seniors peu familiers des environnements digitaux, salariés peu qualifiés exposés aux nouveaux outils de productivité, populations rurales avec un accès réseau dégradé. Ces deux groupes ont des besoins différents, mais ils partagent une même vulnérabilité face à des outils conçus implicitement pour un usager jeune, urbain, valide et à l’aise avec les interfaces contemporaines.

Le standard WCAG : une fondation technique que l’IA ne remplace pas

Les Web Content Accessibility Guidelines, publiées et maintenues par le W3C, constituent depuis 1999 le référentiel international de l’accessibilité numérique. Leur version 2.2, publiée en octobre 2023, introduit de nouveaux critères spécifiquement pensés pour les interfaces dynamiques et les composants interactifs, deux caractéristiques centrales de la plupart des outils IA grand public et professionnels. En France, le RGAA (Référentiel Général d’Amélioration de l’Accessibilité) transpose ces standards pour les organismes publics et les entreprises de plus de 250 millions d’euros de chiffre d’affaires. Mais l’obligation légale ne suffit pas à produire une accessibilité réelle.

Caroline, cheffe de projet transformation digitale dans un groupe hospitalier de 4 500 salariés, a piloté en 2023 le déploiement d’un assistant IA destiné aux soignants. « Nous avions coché toutes les cases RGAA. Le test automatisé passait. Et puis on a organisé des sessions avec des agents ayant un handicap visuel partiel, pas des non-voyants, des personnes avec une vision réduite qui utilisent un zoom navigateur. L’assistant était illisible pour eux. Les zones de saisie n’avaient pas de label texte alternatif, les réponses générées n’étaient pas balisées pour les lecteurs d’écran. On a dû reprendre le composant de zéro. » Ce que Caroline décrit est banal : les audits automatisés détectent environ 30 à 40 % des problèmes d’accessibilité réels selon les travaux publiés par le Deque Research Group. Le reste exige des tests avec des usagers réels, en situation.

L’IA ne corrige pas ce déficit structurel. Elle peut même l’aggraver. Les modèles de langage génèrent des sorties textuelles longues, non structurées, sans hiérarchie sémantique native. Pour un utilisateur de lecteur d’écran comme JAWS ou NVDA, un bloc de texte généré sans balises HTML appropriées est un mur. Pour une personne avec des troubles de la lecture, une réponse de 400 mots sans sous-titres ni résumé est une barrière. Concevoir un outil IA accessible suppose d’intervenir à deux niveaux : l’interface qui présente les échanges, et le format des sorties du modèle lui-même.

Biais d’entraînement et exclusion silencieuse : ce que les données ne disent pas

La chercheuse Timnit Gebru, cofondatrice du Distributed AI Research Institute, a documenté de façon rigoureuse comment les jeux de données d’entraînement des grands modèles de langage surreprésentent certaines populations, anglophones, urbaines, jeunes, diplômées, et sous-représentent ou ignorent les autres. Cette asymétrie produit des modèles performants pour les uns, médiocres ou inappropriés pour les autres. Quand un outil IA de recrutement est moins précis pour des candidats avec des formulations atypiques, liées à un handicap cognitif ou à une maîtrise partielle du français standard, il pénalise sans en avoir l’air.

Laurence Devillers, professeure à Sorbonne Université et chercheuse au CNRS spécialisée en IA émotionnelle, insiste sur la nécessité d’évaluer les systèmes IA non seulement sur leurs performances moyennes mais sur leurs performances aux marges : « Un modèle qui affiche 92 % de précision globale peut être catastrophique pour 8 % des usagers qui correspondent précisément aux profils les plus vulnérables. » Ce biais de performance différentielle est rarement mesuré lors des phases de déploiement en entreprise, faute de protocoles d’évaluation qui incluent des sous-groupes d’usagers représentatifs des personnes en situation de handicap ou en difficulté avec le numérique.

Pour Karim, data scientist dans une mutuelle santé qui déploie un chatbot d’orientation vers les soins, la question s’est posée concrètement lors des tests utilisateurs. « On a intégré des testeurs seniors, dont plusieurs avec des troubles cognitifs légers. Le modèle répondait en jargon médical, utilisait des tournures conditionnelles complexes, produisait des réponses de huit phrases quand deux auraient suffi. On a dû définir un niveau de lisibilité cible, Falaise-Kincaid adapté au français, et contraindre le modèle à en tenir compte dans le prompt système. Ce n’est pas compliqué, mais ça ne vient pas tout seul. »

Design universel et inclusion active : quand la contrainte devient levier de qualité

Le principe du design universel, formalisé dans les années 1990 par l’architecte Ronald Mace, postule qu’un environnement conçu pour les usagers les plus contraints fonctionne mieux pour tout le monde. Les bateaux de trottoir, prévus pour les fauteuils roulants, bénéficient aussi aux poussettes, aux livreurs à vélo-cargo, aux personnes âgées avec une canne. En numérique, le même principe opère : une interface avec un contraste élevé, des zones de clic larges et un langage clair est plus agréable à utiliser pour l’ensemble des usagers, pas seulement pour ceux qui en ont un besoin impératif.

L’AI Now Institute, dans ses rapports annuels sur les impacts sociaux de l’intelligence artificielle, souligne que l’inclusion par le design ne se décrète pas en fin de projet. Elle suppose d’intégrer des représentants des groupes concernés dès la phase de cadrage : dans la définition des cas d’usage, dans la sélection des données d’évaluation, dans les critères d’acceptance. Cette approche, connue sous le nom de participatory design ou co-conception, reste marginale dans les projets IA des entreprises françaises, où les délais et les budgets poussent à concentrer les tests sur les cas nominaux.

Quelques organisations commencent à inverser cette logique. La SNCF a publié en 2023 un rapport d’accessibilité numérique détaillant les travaux d’intégration de ses outils conversationnels avec les technologies d’assistance standard. Microsoft a intégré des fonctions d’accessibilité natives dans son environnement Copilot, incluant la lecture vocale des réponses, le réglage du niveau de complexité du langage et des raccourcis clavier pour chaque action. Ces démarches restent des exceptions, mais elles prouvent que la contrainte technique est soluble quand elle est posée comme priorité de conception plutôt que comme ajustement de fin de cycle.

Fracture numérique en entreprise : le salarié exclu de l’outil qu’on lui impose

La fracture numérique ne se limite pas aux personnes âgées ou aux territoires ruraux. Elle traverse les organisations elles-mêmes. Selon le rapport 2023 de l’OCDE sur les compétences numériques dans les pays membres, 26 % des adultes en emploi dans les pays de l’OCDE n’atteignent pas le niveau de compétence numérique de base défini pour naviguer dans un environnement professionnel digitalisé. Quand une direction impose un outil IA à l’ensemble d’une organisation, un assistant de rédaction, un outil de recherche documentaire, un système de reporting automatisé, elle présuppose une familiarité avec les interfaces conversationnelles que seule une partie des équipes possède réellement.

Le problème est structurellement sous-documenté parce qu’il est silencieux. Un salarié en difficulté avec un nouvel outil ne lève pas la main : il contourne, il délègue, il simule l’utilisation. Les tableaux de bord d’adoption affichent de bons taux d’activation, mais la valeur réelle générée pour ces usagers est proche de zéro. Sylvie, DRH dans un groupe de distribution de 2 200 personnes, l’a mesuré lors d’un déploiement d’outil IA pour les managers de terrain : « On avait 78 % de connexions au bout de deux mois. Quand on a fait des entretiens qualitatifs, on a découvert que la moitié des managers connectés n’avaient jamais posé une seule question à l’outil. Ils ouvraient la session pour ne pas être signalés comme non-utilisateurs. » Le remède n’est pas un module de formation supplémentaire. Il passe par une refonte de l’interface pour les profils peu à l’aise : exemples de questions pré-rédigées, modes guidés, réponses courtes par défaut avec option d’approfondissement.

L’accessibilité numérique en entreprise exige aussi d’interroger les modalités d’accès aux outils. Un salarié dont le poste de travail n’est pas équipé d’un micro ne peut pas utiliser les interfaces vocales. Un agent en mobilité sur un réseau 3G dégradé subit des temps de latence qui rendent l’outil IA inutilisable en conditions réelles. Ces contraintes matérielles sont rarement intégrées dans les cahiers des charges des projets IA, qui raisonnent en conditions optimales.

« Concevoir pour tous les usagers, c’est d’abord accepter que l’usager moyen n’existe pas. C’est concevoir pour la diversité réelle des personnes qui feront vivre l’outil, et en tirer une meilleure qualité pour chacune d’elles. » La rédaction Afervescence

Vers une ingénierie IA qui intègre l’accessibilité comme contrainte de premier ordre

L’accessibilité numérique des outils IA n’est pas un chantier parallèle au déploiement principal. Elle en est une condition de succès. Un outil que 20 à 30 % des usagers cibles ne peuvent pas utiliser normalement n’atteint pas ses objectifs de transformation, quelles que soient ses performances techniques sur les cas nominaux. Les directions générales et les DSI qui arbitrent les projets IA ont intérêt à poser la question de l’accessibilité au moment du cadrage, pas lors de la recette.

Trois leviers sont actionnables dès à présent. Le premier : intégrer les standards WCAG 2.2 comme critères d’acceptance non négociables, avec des tests impliquant des usagers réels en situation de handicap ou de faible familiarité numérique, pas seulement des audits automatisés. Le second : définir dans le prompt système des contraintes de lisibilité et de structure pour les sorties du modèle, en ciblant un niveau de complexité adapté à l’ensemble du public cible. Le troisième : mesurer l’adoption différenciée par profil d’usager, pour identifier les groupes qui contournent l’outil plutôt que l’utiliser, et adapter l’interface en conséquence.

Le Stanford HAI (Human-Centered AI Institute) documente depuis plusieurs années les écarts de performance des systèmes IA selon les caractéristiques des usagers. Ses travaux montrent que les organisations qui intègrent l’accessibilité dès la conception réduisent leurs coûts de correction post-déploiement de 40 à 60 % par rapport à celles qui traitent l’accessibilité comme un ajustement final. La contrainte n’est pas seulement éthique. Elle est économique.

Faire croître ce qui compte vraiment, dans le contexte d’un déploiement IA, suppose de compter tous les usagers, y compris ceux dont les besoins débordent le cas nominal. C’est là que se joue la différence entre un outil qui performe en démonstration et un outil qui transforme une organisation dans sa réalité complète.

Pour aller plus loin, decouvrez notre accompagnement des organisations et notre approche.

Et si l’accessibilité numérique était, en définitive, le meilleur test de maturité d’un projet IA en entreprise ?

Questions fréquentes