L’aide au développement vient de subir la plus forte contraction annuelle jamais enregistrée, alors même que l’intelligence artificielle (IA) s’est généralisée rapidement — et inégalement — au sein des organisations qui fournissent des services de première ligne. Les recherches suggèrent que la capacité du secteur à absorber ces changements financiers et technologiques dépend moins de la technologie elle-même que des capacités organisationnelles et des modèles de financement qui les façonnent.
Le financement du développement a brutalement changé ces dernières années. L’aide publique au développement (APD) nette a chuté de 23 % en termes réels en 2025, soit la plus forte baisse annuelle jamais enregistrée. Cette baisse fait suite à une autre l’année précédente, et l’OCDE en prévoit une nouvelle en 2026, marquant trois années consécutives de contraction pour la deuxième fois seulement dans l’histoire.
L’aide destinée aux programmes de développement de base et à la coopération technique a chuté de 26 %, soit la baisse la plus forte jamais enregistrée pour cette composante, tandis que le financement de la santé devrait chuter de près de 63 % par rapport à son pic de 2022. L’analyse des données préliminaires de 2025 réalisée par l’OCDE, ainsi que ses projections à court terme mettent en évidence des réductions de services et des fermetures d’organisations dans toutes les régions touchées.
Dans le même temps, l’adoption de l’IA dans le secteur social est devenue quasi universelle. Une étude comparative menée en 2026 auprès de 346 organisations a révélé que 92 % d’entre elles déclarent recourir à des outils d’IA sous une forme ou une autre, bien que seulement 7 % rapportent des gains importants au niveau de leurs capacités organisationnelles — une tendance connue sous le nom de « plateau d’efficacité ». On est tenté d’y voir une question de technologie. Les preuves suggèrent qu’il s’agit plutôt d’une question de capacités et de financement.
Un déficit de capacités antérieur à l’IA
La difficulté à absorber les chocs est structurelle. Les recherches sur le cycle de famine des organisations à but non lucratif décrivent une dynamique qui s’autoalimente. En effet, les bailleurs de fonds ont des attentes irréalistes quant aux coûts de fonctionnement d’une organisation, les organisations s’y conforment en sous-utilisant leurs fonds et en sous-déclarant leurs frais administratifs et ces rapports renforcent à leur tour les attentes des financeurs.
Ce qui a commencé comme une affirmation largement anecdotique a depuis accumulé des preuves empiriques. Une analyse de 25 ans de données financières a confirmé une tendance à la baisse soutenue des frais généraux déclarés, entrainée par de fortes réductions des dépenses administratives. Une étude sur les finances d’associations allemandes de 2006 à 2015 a également révélé une baisse des ratios de frais généraux, mais par le biais de mécanismes différents.
Le lien entre frais généraux et résultats a désormais été testé directement. L’examen pour déterminer si les dépenses administratives affectent les résultats des programmes a révélé une relation en forme de U inversé : en dessous d’un seuil optimal, la réduction des frais généraux dégrade les résultats des programmes au lieu de les préserver. Notons que les niveaux optimaux identifiés se situent nettement au-dessus du plafond de 25 % généralement recommandé par les agences de notation des associations caritatives, ainsi que de la moyenne de 27 % de leur échantillon. La conclusion est dérangeante : le ratio le plus largement utilisé pour signaler l’efficacité est, au-delà d’un certain seuil, un indicateur d’autodestruction.
L’adoption est générale, superficielle et inégale
Les données de l’enquête suggèrent systématiquement que l’enthousiasme dépasse les capacités. À partir d’un échantillon de plus de 1 300 professionnels du secteur associatif, l’étude State of AI in Nonprofits a révélé que si 86 % d’entre eux exploraient les outils d’IA, seuls 24 % avaient une stratégie formelle — et que les organisations avec des budget supérieurs à 1 million de dollars adoptaient ces outils à un rythme environ deux fois supérieur à celui des plus petites.
L’étude de référence de 2026 confirme cette tendance. Près de la moitié des organisations n’ont aucune politique formelle en matière d’IA et la mesure des résultats de son utilisation est rare. Par conséquent, la plupart d’entre elles sont incapables de déterminer si l’IA renforce leurs capacités ou accélère simplement les tâches existantes. Une revue systématique de 65 études sur l’adoption de l’IA dans les ONG révèle également des données dispersées entre différents cas d’utilisation de l’engagement, de la prise de décision, de la prédiction, de la gestion et de l’optimisation, avec des défis regroupés plutôt au niveau organisationnel que technique.
Cette inégalité est aussi géographique. Un rapport sur l’écart d’adoption dans les pays du Sud note que l’utilisation de l’IA générative touche environ un quart de la population en âge de travailler dans les pays du Nord, contre 14 % dans les pays du Sud – et que cet écart se creuse.
Où la productivité gagne du terrain
Les données de terrain les plus rigoureuses sur l’IA générative au travail proviennent d’une étude portant sur 5 179 agents de service client, publiée dans le Quarterly Journal of Economics. L’accès à un assistant IA a entrainé l’augmentation du nombre de problèmes résolus par heure d’environ 14 % en moyenne — mais la répartition compte beaucoup plus que la moyenne. Les travailleurs novices et peu qualifiés ont gagné environ 34 % d’efficacité, tandis que les effets sur les travailleurs expérimentés et très performants ont été minimes.
Ce constat est étonnamment bien adapté aux besoins en main-d’œuvre du secteur. Les organisations qui assurent la fourniture des services dans des pays à faibles et moyens revenus ne peuvent généralement pas égaler les salaires du secteur privé pour les spécialistes seniors et finissent donc par fonctionner avec des équipes juniors et un turnover important. C’est précisément le profil pour lequel les gains mesurés sont les plus importants, ce qui suggère que l’opportunité offerte par l’IA dans ce secteur réside moins dans l’innovation des programmes phares que dans le cœur opérationnel peu glamour : tri des cas, documentation, dépôts réglementaires, rapports, flux de données.
Il existe des exemples de cette tendance. Au Brésil, l’association à but non lucratif NoHarm.ai a développé des modèles cliniques en portugais qui classent les ordonnances par niveau de risque afin que les pharmaciens, dont les heures sont précieuses, puissent se consacrer aux patients présentant le risque le plus élevé. L’association a ensuite appliqué la même catégorie d’outils à ses propres tâches d’assistance et de conformité.
Le modèle de financement est la contrainte déterminante
Si la capacité est le goulot d’étranglement, il est à présent question de savoir si les pratiques de financement permettent de la développer. Ici, les données ont considérablement changé. Une étude menée pendant trois ans par le Center for Effective Philanthropy a examiné les effets des dons importants non affectés. Elle a constaté que les bénéficiaires avaient renforcé leur stabilité financière à long terme au lieu de se heurter aux difficultés financières que de nombreux bailleurs de fonds avaient prédites, les responsables signalant une diminution de l’épuisement professionnel et d’une plus grande capacité d’innovation. Les bénéficiaires disposaient d’environ deux fois plus de réserves de trésorerie que d’autres organisations comparables, et la crainte d’un effet d’éviction des autres donateurs ne s’est globalement pas concrétisée.
Dans leur ensemble, ces quatre sources convergent. Le financement de l’aide connaît une forte contraction. L’infrastructure organisationnelle est systématiquement sous-financée depuis des décennies, ce qui entraine des coûts mesurables sur les résultats des programmes. L’adoption de l’IA est générale mais superficielle, et elle est la plus inégale précisément là où la pression budgétaire est la plus forte. Enfin, le financement flexible renforce manifestement les capacités que le financement de projets restreint ne permet pas de renforcer.
Implications pour les bailleurs de fonds et les responsables politiques
- Abandonner le ratio des frais généraux comme indicateur d’efficacité. Continuer à récompenser de faibles frais généraux dans un contexte de contraction des financements pénalise les investissements — systèmes, compétences, infrastructure de données — qui déterminent si les organisations survivront au choc.
- Financer les capacités IA, et non les outils d’IA. L’utilisation quasi universelle des outils combinée à des gains de capacités minimes suggère que ce qui manque, c’est la stratégie, la refonte et la mesure des flux de travail, et non les licences logicielles. La gouvernance devrait être une exigence de financement plutôt qu’un motif de prudence.
- Traiter l’écart d’adoption comme une politique d’infrastructure. Les programmes informatiques publics, les investissements dans les données en langues locales et le soutien aux organisations s’appuyant sur les systèmes administratifs nationaux répondent à une fracture que la diffusion par le marché creuse davantage au lieu de combler.
- Diriger des capitaux flexibles vers les organisations plus petites et du Sud. Étant donné que l’adoption est déjà corrélée à la taille, un financement indifférencié ne fera que reproduire cette fracture. La base de données probantes sur le financement non restreint s’est construite en grande partie autour de grands bénéficiaires du Nord. L’étendre et la tester dans des contextes à faibles et moyens revenus est une question de recherche à la fois ouverte et urgente.
On demande au secteur du développement d’en faire plus avec beaucoup moins, au moment même où apparaît une technologie à usage général dont les avantages mesurés profitent principalement aux travailleurs inexpérimentés évoluant dans des environnements aux ressources limitées. Que cette coïncidence s’avère finalement être un amortisseur partiel ou une fracture plus large n’est pas une question de modèles. La question est de savoir comment les organisations de développement sont financées — et la réponse s’impose actuellement par défaut, en l’absence de politiques délibérées.
