IA for Good : ce que l'expression recouvre vraiment

L'expression circule partout : dans les appels à projets, les plaquettes d'entreprise, les intitulés de poste. « AI for Good », ou IA au service du bien commun. Elle sonne comme une évidence, ce qui devrait déjà éveiller la méfiance. Une notion que personne ne conteste est en général une notion que personne n'a définie.

Il existe pourtant une origine précise, un corpus de recherche solide et une série de critiques argumentées. Faire le tri entre les trois permet de savoir ce que l'on désigne quand on emploie le terme, et surtout ce que l'on s'engage à démontrer.

Une expression née à Genève

« AI for Good » est d'abord un programme. L'Union internationale des télécommunications, l'agence des Nations unies chargée des technologies numériques, le lance en 2017 avec un premier sommet à Genève. L'objectif affiché tient en une phrase : identifier des applications concrètes de l'intelligence artificielle pour faire avancer les 17 Objectifs de développement durable à l'horizon 2030.

Le format a grossi. La plateforme est aujourd'hui coportée par une quarantaine d'agences onusiennes et par la Suisse, et revendique plus de 37 000 contributeurs issus de plus de 180 pays. L'édition 2025 a réuni plus de 11 000 participants venus de 169 pays, dont des ministres de 100 États, plus de la moitié de pays en développement. La septième édition s'est tenue du 7 au 10 juillet 2026 au Palexpo de Genève, autour des stratégies d'IA souveraine, des normes internationales et des applications en santé, éducation, sécurité alimentaire et réduction des risques de catastrophe. Elle a suivi de deux jours le premier Dialogue mondial des Nations unies sur la gouvernance de l'IA.

Le programme a produit des résultats tangibles côté normalisation : des normes ITU-T sur l'apprentissage automatique dans les réseaux 5G, un cadre commun avec l'Organisation mondiale de la santé sur l'IA en santé, des groupes de travail sur la conduite autonome et la gestion des catastrophes.

Trois sens pour une même étiquette

Le mot a ensuite débordé de son cadre d'origine, et il désigne désormais trois réalités distinctes.

Le programme institutionnel de l'ONU, décrit ci-dessus, avec ses sommets et son travail de normalisation.

Les programmes d'entreprise, qui ont repris l'expression telle quelle : AI for Good Lab chez Microsoft, AI for Social Good chez Google, initiatives équivalentes chez Nvidia et ailleurs. Ces programmes financent de vrais projets et publient de vrais résultats. Ils remplissent aussi une fonction de communication, et les deux dimensions cohabitent sans être distinguées.

Le champ de recherche, enfin, qui se donne une définition plus exigeante : traiter un problème sociétal non résolu par des méthodes d'IA, avec un effet mesurable. Le mot important est « mesurable ». C'est lui qui sépare un projet d'un communiqué.

Ce que dit la recherche sur les effets réels

L'étude de référence reste celle de Vinuesa et ses coauteurs, publiée dans Nature Communications en 2020. Un collège d'universitaires pluridisciplinaires a passé en revue les 169 cibles des Objectifs de développement durable pour évaluer, cible par cible, si l'IA pouvait les favoriser ou les entraver.

Le résultat est double, et c'est tout l'intérêt de l'étude. L'IA peut favoriser 134 cibles, soit 79 % du total. Elle peut aussi en entraver 59, soit 35 %. Les deux chiffres se recouvrent : une même technologie apparaît souvent dans les deux colonnes.

Le détail par pilier est plus parlant encore. Sur le volet environnemental, 93 % des cibles sont potentiellement favorisées. Sur le volet social, 82 % le sont, mais 38 % sont aussi menacées. Sur le volet économique, 70 % contre 33 %.

Les auteurs assortissent ces chiffres de trois mises en garde. La majorité des applications d'IA visent des problèmes propres aux pays riches, ce qui crée un risque net d'aggravation des inégalités mondiales. Les jeux de données d'entraînement reconduisent les discriminations existantes. Et les lacunes en matière de transparence, de sécurité et de standards éthiques appellent des cadres réglementaires qui n'existaient pas au moment de la publication.

Les critiques qu'il faut connaître

La première critique de fond est venue tôt. Dès 2018, la chercheuse Bettina Berendt analyse 99 contributions présentées lors de conférences « AI for Good » et constate que quatre questions élémentaires y sont rarement traitées : en quoi consiste exactement le problème, qui a le pouvoir de le définir, quel rôle joue la connaissance dans sa résolution, et quels sont les effets de bord non anticipés. Elle propose une méthode qu'elle appelle « ethics pen-testing », transposition du test d'intrusion informatique : attaquer délibérément la conception éthique d'un système pour en trouver les failles avant le déploiement.

La deuxième critique porte sur la représentation. Lors du sommet 2025, la chercheuse Abeba Birhane a relevé que 45 % des intervenants de la scène principale venaient de l'industrie, la recherche académique et la société civile restant largement minoritaires. Elle a par ailleurs indiqué qu'on lui avait demandé de modifier sa présentation. La chercheuse Payal Arora reproche de son côté à l'initiative une posture paternaliste envers les pays du Sud, où les problèmes sont définis ailleurs que là où ils se posent.

La troisième critique vise le décalage entre le discours et les décisions. L'« ethics washing » décrit le moment où l'éthique devient un actif de réputation plutôt qu'une contrainte opposable : des pages de valeurs et des chartes de principes d'un côté, des feuilles de route produit, des cycles de sortie et des priorités de partenariats de l'autre, sans que les premières pèsent sur les secondes. Les signaux d'alerte identifiés sont assez stables : promesses de transformation sans données chiffrées, absence d'explication du mécanisme technique, automatisation annoncée qui repose en réalité sur une supervision humaine massive, et messages « pour le bien commun » qui coexistent avec un modèle économique contradictoire.

Reste la question que le vocabulaire du bien commun escamote le plus volontiers : le coût énergétique. Selon l'Agence internationale de l'énergie, la consommation électrique mondiale des centres de données passerait d'environ 415 TWh en 2024 à environ 945 TWh en 2030. La demande a bondi de 17 % sur la seule année 2025, et plus vite encore pour les centres dédiés à l'IA. Un projet qui sert l'ODD 13 sur le climat tout en s'appuyant sur une infrastructure énergivore doit poser son bilan net, pas seulement son intention.

Un exemple qui tient la route

Toutes les critiques précédentes ne disqualifient pas la démarche, elles fixent le niveau d'exigence. Certains projets le franchissent.

Google Flood Hub prévoit les crues jusqu'à sept jours à l'avance à partir de données publiques. La couverture a été étendue en 2024 à l'ensemble de l'Afrique et de l'Amérique du Sud, des régions où l'intensification des précipitations et l'urbanisation rapide accroissent l'exposition. Les modèles ont porté la fiabilité des prévisions dans ces régions à un niveau comparable à celui dont dispose l'Europe. L'accès est gratuit, sans abonnement et sans obligation d'être une agence gouvernementale.

Ce cas coche les cases que Berendt réclamait : un problème défini là où il se pose, un bénéficiaire identifiable, un résultat mesurable, une absence de barrière à l'accès. On peut discuter des motivations de l'acteur, pas de l'utilité du dispositif.

Quatre questions avant d'apposer l'étiquette

Pour une structure à impact qui envisage un projet d'IA, ou qui évalue celui d'un partenaire, ces quatre questions suffisent le plus souvent à trancher.

Qui a défini le problème ? Si la réponse est « l'équipe technique » ou « le financeur », le projet répond à une capacité disponible plutôt qu'à un besoin exprimé. Les personnes concernées doivent avoir participé au cadrage, pas seulement au test.

Qu'est-ce qui est mesuré, et par rapport à quoi ? Un indicateur d'usage ne dit rien de l'effet. Il faut une situation de référence, une variable de résultat et un ordre de grandeur. Sans point de comparaison, il n'y a pas d'impact, il y a une activité.

Qui paie les effets de bord ? Consommation énergétique, dépendance à un fournisseur unique, données personnelles collectées, emplois transformés. Les coûts sont rarement supportés par ceux qui touchent les bénéfices, et l'écart entre les deux est l'essentiel de l'analyse.

Que se passe-t-il si le modèle se trompe ? Une erreur sur une recommandation de contenu et une erreur sur une orientation médicale ou un accès à un droit ne se comparent pas. Plus l'enjeu est lourd, plus la supervision humaine doit être documentée, et pas seulement mentionnée.

Ce qu'il faut en retenir

« IA for Good » n'est pas une catégorie de technologies, c'est une revendication. Elle désigne un programme onusien réel, des initiatives d'entreprise à géométrie variable et un champ de recherche qui, lui, exige des preuves.

Pour une structure à impact, l'intérêt de la notion n'est pas de s'en réclamer. Il est de s'en servir comme grille de lecture : sur les 169 cibles des ODD, la recherche identifie autant de risques que de leviers, et rien dans la technologie ne détermine de quel côté un projet donné va tomber. Cela se décide au cadrage, dans le choix de qui définit le problème et de ce que l'on accepte de mesurer.

---

Sources

• AI for Good, ITU
• Artificial intelligence for good, ITU Media Centre
• Communiqué ITU sur le Sommet mondial AI for Good 2026
• ITU AI for Good, Wikipédia
• Vinuesa et al., « The role of artificial intelligence in achieving the Sustainable Development Goals », Nature Communications
• Bettina Berendt, « AI for the Common Good?! Pitfalls, challenges, and Ethics Pen-Testing »
• « What does it mean to be good? The normative and metaethical problem with AI for good », AI and Ethics
• « AI For Good: What Does It Mean Today? », Forbes
• Google Research, « Using AI to expand global access to reliable flood forecasts »
• Agence internationale de l'énergie, consommation électrique des centres de données