L’IA peut-elle servir une économie plus solidaire ?

En 2023, le rapport annuel de l’AI Now Institute recensait plus de 400 déploiements d’IA dans des organisations à mission sociale à travers l’Europe et l’Amérique du Nord. Parmi eux, moins d’un tiers avaient conduit une évaluation formelle des impacts sur les publics vulnérables qu’ils étaient censés servir. Ce chiffre n’est pas une anecdote : il révèle l’écart structurel entre la promesse technologique et la réalité des usages dans un secteur où chaque décision touche des personnes fragilisées.

L’économie sociale et solidaire représente en France plus de 10 % du PIB et près de 14 % de l’emploi privé, selon les données publiées par le Conseil supérieur de l’ESS. Coopératives agricoles, mutuelles de santé, associations d’insertion, régies de quartier : ces organisations partagent une logique commune, celle de faire primer l’utilité sociale sur la rentabilité financière. Introduire l’IA dans ces écosystèmes n’est ni anodin ni automatiquement bénéfique. La question mérite d’être posée avec rigueur, sans enthousiasme naïf ni rejet de principe.

Les algorithmes de la solidarité : entre promesse d’efficacité et risque de standardisation

Lorsque Céline, directrice d’une coopérative d’insertion en Bretagne, a déployé un outil d’appariement algorithmique entre les candidats en parcours de réinsertion et les entreprises partenaires, elle s’attendait à gagner du temps. Ce qu’elle n’avait pas anticipé, c’est que l’algorithme écartait systématiquement les profils présentant des interruptions supérieures à dix-huit mois, précisément les personnes que sa coopérative avait vocation à accompagner. « L’outil optimisait pour un critère de placement rapide, pas pour notre mission », résume-t-elle. Elle a fini par désactiver le module de recommandation automatique et conserver l’IA uniquement pour la gestion administrative.

L’expérience de Céline illustre un risque que la chercheuse Timnit Gebru documente depuis plusieurs années : les systèmes d’apprentissage automatique reproduisent et amplifient les biais présents dans les données d’entraînement. Dans un secteur où les données historiques reflètent souvent des trajectoires d’exclusion, optimiser sur ces données revient à perpétuer les mécanismes mêmes que l’ESS cherche à corriger. Ce n’est pas un défaut de l’outil en soi : c’est une conséquence directe du choix de la variable à optimiser, une décision qui appartient aux humains.

À l’inverse, certaines applications montrent que l’efficacité algorithmique peut servir des objectifs solidaires lorsque les concepteurs intègrent dès le départ les parties prenantes concernées. La Mutualité Française expérimente depuis 2022 des modèles prédictifs de prévention santé ciblant les territoires sous-dotés en médecins. L’objectif n’est pas de remplacer le généraliste mais d’orienter les ressources rares vers les populations qui en bénéficieront le plus. L’AI Index publié par Stanford HAI note que ce type d’usage preventif, lorsqu’il associe des épidémiologistes et des représentants communautaires à la conception, produit des résultats mesurables sur l’accès aux soins.

La gouvernance des données dans l’ESS : qui détient, qui décide, qui répond

La question de la propriété des données est peut-être la plus structurante pour l’ESS. Mehdi, data scientist dans une fédération de coopératives agricoles du Sud-Ouest, passe une part croissante de son temps à négocier avec des fournisseurs de solutions IA qui conditionnent l’accès aux modèles à la cession des données de production de ses adhérents. « On nous propose de l’intelligence artificielle en échange de nos données agronomiques. C’est un troc asymétrique : eux valorisent les données à l’échelle mondiale, nous récupérons une fonctionnalité de prévision météo », dit-il. La fédération étudie aujourd’hui la création d’un commun numérique, une structure de gouvernance collective des données inspirée du modèle des coopératives elles-mêmes.

Ce modèle de communs numériques n’est pas une utopie. L’OCDE a publié en 2023 un cadre de gouvernance des données d’intérêt général qui reconnaît explicitement les structures coopératives comme vecteurs potentiels de souveraineté collective sur les données. La philosophe du numérique Asma Mhalla souligne pour sa part que la question n’est pas technique mais politique : qui a le droit de définir ce que les données doivent servir ? Dans l’ESS, cette question rejoint directement les statuts et les valeurs fondatrices des organisations.

La CNIL a publié en 2024 des recommandations spécifiques sur l’IA dans les secteurs à finalité sociale, insistant sur la nécessité d’études d’impact sur la vie privée dès la conception des systèmes. Ces recommandations restent insuffisamment connues des directions d’organisations de taille intermédiaire, qui manquent souvent de ressources juridiques internes pour les intégrer. Plusieurs fédérations de l’ESS réfléchissent à des dispositifs mutualisés d’expertise : un commissaire à l’éthique des données partagé entre plusieurs structures, finançable via des dispositifs France 2030.

Le travail humain au cœur : automatisation et sens dans les métiers du lien

L’ESS emploie massivement dans les métiers du lien : aide à domicile, animation socio-culturelle, accompagnement éducatif, médiation sociale. Ces métiers sont à la fois les plus difficiles à automatiser et les plus exposés aux outils d’IA de gestion qui réorganisent le travail sans en comprendre la substance. Laurence Devillers, directrice de recherche au CNRS et spécialiste des interactions humain-machine, rappelle que les émotions et les relations de confiance ne sont pas un résidu irrationnel du travail : elles en sont souvent la valeur centrale, celle que l’usager vient chercher.

Sophie, directrice des ressources humaines d’une fédération d’associations d’aide à domicile regroupant 1 200 salariés, a testé un outil d’optimisation des tournées intégrant des contraintes de bien-être des intervenants. Le système proposait des plannings réduisant les temps de trajet mais augmentait les ruptures dans la continuité des binômes usager-intervenant. « L’algorithme calculait le kilométrage. Il ne calculait pas la confiance. Or, pour une personne âgée isolée, l’intervenant qui la connaît depuis trois ans, c’est parfois le seul lien social de la semaine », explique-t-elle. La fédération a finalement retenu l’outil pour les seules contraintes logistiques, en réservant à l’équipe de coordination humaine toute décision touchant à la continuité relationnelle.

Gary Marcus, chercheur en sciences cognitives, met en garde contre ce qu’il appelle l’illusion de compréhension des grands modèles de langage : leur capacité à produire des réponses fluides masque une absence totale de compréhension du contexte relationnel. Dans les métiers du soin et de l’accompagnement, confondre fluidité rhétorique et intelligence contextuelle peut conduire à des erreurs graves, notamment lorsque des outils conversationnels sont déployés pour le premier accueil de personnes en détresse.

Les modèles alternatifs qui émergent : vers une IA conçue pour le non-marché

Face aux limites des solutions du marché, plusieurs initiatives développent des modèles d’IA explicitement orientés vers l’utilité sociale non marchande. En Belgique, la coopérative Coop IT Easy développe depuis 2021 des modules d’IA open source pour la gestion associative, distribués sous licence copyleft et enrichis collectivement par ses membres. En France, le collectif d’associations Framasoft poursuit une démarche similaire, en refusant tout modèle économique fondé sur la monétisation des données des usagers.

Ces initiatives posent la question des conditions d’un marché alternatif. L’économiste du numérique Éric Sadin, critique des logiques de rationalisation algorithmique, plaide pour que les pouvoirs publics financent des infrastructures d’IA mutualisées, à l’image de ce que représente le service public dans d’autres secteurs. Cette position rejoint celle de Bernard Stiegler, qui théorisait avant sa mort la nécessité d’une économie de la contribution dans laquelle les systèmes numériques servent le soin des individus et des collectifs, et non leur optimisation au service d’intérêts privés.

Le NIST, l’agence fédérale américaine des standards, a publié en 2023 un cadre de gestion des risques IA qui distingue explicitement les usages à haute criticité sociale. Ce cadre est utilisé par plusieurs organisations de l’ESS américaine comme référence pour leurs propres audits de gouvernance. Son adoption en Europe reste limitée, mais plusieurs think tanks franco-européens travaillent à une transposition adaptée au droit communautaire et aux spécificités du secteur associatif.

« Déployer une IA dans une organisation à mission, c’est d’abord choisir ce qu’on refuse d’optimiser. Ce choix-là n’appartient pas à la machine. », La rédaction Afervescence

Vers une prospective ancrée : faire croître ce qui compte vraiment

L’IA peut servir une économie plus solidaire. Cette affirmation n’est pas un voeu pieux : elle est conditionnelle et exigeante. Elle suppose que les organisations de l’ESS s’approprient la gouvernance de leurs données avant de déléguer leur traitement. Elle suppose que les outils soient évalués sur leurs effets réels sur les publics servis, pas seulement sur leur efficacité opérationnelle mesurée en interne. Elle suppose enfin que les directions acceptent de poser des limites explicites à ce qu’elles confient à des systèmes automatiques, précisément dans les zones où la relation humaine est irremplaçable.

Plusieurs leviers sont actionnables dès maintenant. Former les comités de direction de l’ESS à la lecture critique des promesses des fournisseurs d’IA, sans compétence technique préalable, relève d’un investissement de quelques jours. Inscrire dans les statuts ou les chartes éthiques des organisations une clause de souveraineté sur les données produites par les bénéficiaires constitue un geste de gouvernance fort, reproductible à coût nul. Mutualiser l’expertise juridique et technique entre organisations de taille comparable permet d’accéder à des compétences inaccessibles individuellement.

Les organisations qui traverseront les prochaines années sans se laisser dépasser par les logiques de marché seront celles qui auront su poser ces choix avant que les systèmes soient en production. L’IA ne transforme pas seulement les processus : elle cristallise des valeurs dans du code. Dans un secteur dont la raison d’être est de faire croître ce qui compte vraiment, ce travail de cristallisation est trop important pour être sous-traité.

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

Et si la vraie question n’était pas de savoir si votre organisation peut se permettre l’IA, mais de définir ce qu’elle refuse de lui confier ?