Une étude de la Banque asiatique de développement publiée en juin 2026 documente un décalage massif entre les déclarations d’intention et la réalité opérationnelle. Les gouvernements asiatiques ont multiplié les systèmes d’IA présentés comme biens publics numériques, mais très peu respectent les standards d’ouverture, de réutilisabilité et de responsabilité qui donnent sens à cette étiquette. Lorsqu’une administration délègue une décision à un algorithme partagé, la question de la responsabilité en cas d’erreur reste sans réponse claire.

L’essentiel

  • L’étude ADB de juin 2026 conclut que très peu de systèmes d’IA présentés comme biens publics numériques respectent les trois critères cumulatifs : ouverture réelle, réutilisabilité et responsabilité identifiable.
  • L’enjeu dépasse la technique : une étiquette “bien public” sans audit indépendant ni licence ouverte avec obligations de maintenance revient à socialiser les coûts tout en privatisant les choix architecturaux.
  • Le choix décisif porte sur la frontière entre modèles partageables et responsabilité : un système commun sans mécanisme d’imputabilité dilue la chaîne de responsabilité administrative.
  • Deux trajectoires se dessinent pour la décennie 2026-2040 : standards effectifs avec interopérabilité, ou fragmentation d’écosystèmes fermés labellisés sans critères.
  • Des pistes concrètes existent, notamment les cadres d’audit indépendants et les licences ouvertes avec obligations de maintenance, mais aucun pays asiatique n’a encore publié de référentiel complet.

La définition réelle d’un bien public numérique

Le terme est séduisant. Il évoque l’accès universel, la gratuité, le partage entre administrations. Mais la Banque asiatique de développement s’est donnée la peine de vérifier, en juin 2026, si les systèmes d’IA qui s’en réclament satisfont aux critères qui définissent cette catégorie. La définition onusienne, issue du Roadmap for Digital Cooperation de 2020 et opérationnalisée par la Digital Public Goods Alliance en neuf indicateurs, couvre les logiciels open-source, données ouvertes, modèles IA ouverts, standards ouverts et contenus ouverts qui respectent la vie privée, ne causent pas de préjudice et contribuent aux objectifs de développement durable. Elle exige notamment une licence ouverte, une propriété claire, une documentation exploitable et une indépendance vis-à-vis des composants propriétaires.

Le résultat est sévère. Une large majorité des systèmes recensés ne satisfont pas simultanément à ces exigences. Certains publient partiellement leur code mais sans documentation exploitable par d’autres administrations. D’autres garantissent l’accès sans prévoir qui maintient le système ni qui répond juridiquement d’un biais détecté après déploiement. D’autres encore fonctionnent en boîte noire pour les États partenaires qui les adoptent, faisant confiance à l’intégrité du pays ou de l’organisation qui les a développés.

Ce diagnostic rejoint une observation que les chercheurs en sciences sociales portent depuis plusieurs années sur l’IA en contexte public : les catégories institutionnelles tendent à précéder les réalités techniques. Étienne Ollion, qui a travaillé sur la méthode des sciences sociales face à l’IA générative, souligne que l’adoption institutionnelle de ces outils s’accompagne trop souvent d’une rigueur moindre que celle qu’on appliquerait à d’autres politiques publiques, évaluation ex ante, définition précise des indicateurs de succès, mécanismes de révision. L’étiquette devient une réponse de confort à une demande de légitimité.

L’ouverture sans responsabilité ne crée pas de confiance

La tension au cœur du rapport ADB tient à une asymétrie fondamentale. Ouvrir un système d’IA sans en définir la responsabilité juridique et opérationnelle revient à partager un outil dont personne n’est propriétaire au sens légal. Cela peut fonctionner pour un référentiel statistique ou une base de données géographiques, où l’erreur est documentable et corrigeable. Un système d’IA qui recommande d’accorder ou de refuser une prestation sociale, un permis de construire ou une autorisation sanitaire pose un problème différent : la décision engage une personne physique, et la chaîne causale entre l’algorithme et la décision finale doit être traçable.

L’étude ADB identifie plusieurs configurations qui créent un vide de responsabilité. La première est le partage entre États sans accord sur la gouvernance : un pays déploie un système développé par un autre, sans disposer du code, des données d’entraînement ni du processus d’audit. La deuxième est le déploiement via des organisations internationales qui ne sont pas soumises aux mêmes contraintes d’imputabilité que les administrations nationales. La troisième est l’externalisation à des acteurs privés qui étiquettent leur produit “bien public” tout en en conservant la propriété intellectuelle.

Cette dernière configuration mérite attention. Elle reproduit dans l’espace public un mécanisme que Daron Acemoglu et Simon Johnson ont analysé dans le secteur privé : la technologie est déployée dans l’intérêt déclaré du plus grand nombre, mais les décisions architecturales qui en déterminent les effets restent entre les mains de ceux qui la contrôlent. Appliquer cette grille à l’IA administrative révèle que l’étiquette “bien public” peut masquer une capture très ordinaire : celle des standards techniques par les organisations qui ont les ressources pour les définir.

Les raisons du retard des administrations asiatiques

Il serait inexact de décrire cette situation comme le résultat d’une mauvaise volonté. Elle reflète des contraintes réelles. Le développement d’un système d’IA public pleinement ouvert, documenté, auditable et maintenu dans le temps coûte significativement plus cher que le déploiement d’une solution existante, même incomplète. Pour les pays à revenu intermédiaire ou faible qui constituent une large part du terrain d’étude de l’ADB, adopter un système développé par une organisation internationale ou un pays partenaire est souvent la seule voie accessible à court terme.

Le problème est que cette voie crée des dépendances durables. Un système d’IA déployé sans accès au code source ni aux données d’entraînement ne peut pas être adapté localement pour tenir compte de contextes législatifs, culturels ou linguistiques spécifiques. Il ne peut pas non plus être audité de façon indépendante par les institutions de contrôle du pays qui l’utilise. La relation entre le fournisseur et l’utilisateur ressemble alors davantage à un accord de licence commercial qu’à un partage de bien public, quelle que soit la terminologie employée.

L’Asie n’est pas seule dans cette situation, mais la région présente des caractéristiques qui l’y rendent particulièrement exposée. La diversité des contextes juridiques, linguistiques et administratifs est extrême, ce qui fonctionne pour un système de gestion des prestations sociales à Séoul n’est pas directement transférable à Dacca ou à Vientiane. Les investissements dans les capacités publiques numériques restent très inégalement distribués, comme le montre le travail de l’ADB sur les infrastructures numériques dans la région. Et la pression politique pour montrer des résultats rapides dans la modernisation des services publics pousse à des déploiements qui précèdent la réflexion sur la gouvernance.

La responsabilité algorithmique comme enjeu administratif concret

Poser la question de la responsabilité dans les systèmes d’IA publics n’est pas un exercice philosophique. Des administrations de plusieurs pays asiatiques utilisent déjà des systèmes d’aide à la décision dans des domaines qui engagent directement les droits des citoyens : attribution de logements sociaux, évaluation de risques fiscaux, triage des demandes de visa, orientation des soins de santé. Dans chacun de ces cas, la question de qui répond d’une erreur systémique, l’agent public qui a signé la décision, l’organisation qui a fourni le modèle, le fournisseur qui a livré les données d’entraînement, n’a souvent pas de réponse claire.

Ce vide n’est pas théorique. Les entreprises américaines ont rencontré des difficultés similaires avec le déploiement d’agents IA, comme l’illustre leur expérience récente. Le secteur public ajoute une dimension supplémentaire : le droit au recours. Un citoyen qui conteste une décision administrative a le droit de savoir sur quels critères elle a été prise et de la faire réexaminer par un humain. Un système d’IA opaque, déployé dans le cadre d’un accord de partage sans documentation des biais, rend ce droit difficile à exercer en pratique.

L’étude ADB souligne que les standards internationaux existants, notamment le cadre de l’Office des Nations Unies pour les technologies numériques et émergentes, définissent des critères précis pour qu’un système soit reconnu comme bien public numérique. Mais l’adhésion à ces critères reste volontaire, et les mécanismes de vérification indépendante sont peu développés dans la région. La labellisation “bien public” fonctionne actuellement davantage comme une déclaration de principe que comme un engagement auditable.

Les prochaines années départageront les approches

Deux trajectoires s’esquissent pour la décennie qui vient, et les choix faits dans les prochaines années détermineront laquelle prévaut.

La première serait celle d’une convergence vers des standards effectifs. Des pays asiatiques pionniers, sans qu’on puisse aujourd’hui désigner lesquels avec certitude, publieraient des référentiels d’audit pour leurs systèmes d’IA publics, exigeraient des licences ouvertes avec obligations de maintenance et de responsabilité, et créeraient des mécanismes d’interopérabilité qui permettraient le partage réel entre administrations. Les institutions régionales, à commencer par l’ADB elle-même, pourraient jouer un rôle de normalisation en conditionnant leurs financements au respect de critères mesurables. Ce scénario produit une infrastructure numérique publique dont la fiabilité croît avec le temps, parce que les erreurs sont détectées, documentées et corrigées de façon transparente.

La seconde trajectoire serait celle de la fragmentation fermée. Chaque État continuerait à déployer ses propres systèmes sous l’étiquette “bien public”, sans convergence sur les standards d’ouverture ni sur les mécanismes de responsabilité. La concurrence entre fournisseurs, qu’ils soient gouvernementaux, internationaux ou privés, produirait des écosystèmes incompatibles, dépendants de ceux qui les ont construits, et dont l’audit resterait impossible pour les États utilisateurs. La promesse du partage serait nominale ; la réalité serait celle de dépendances techniques durables.

Ces deux trajectoires ne sont pas équivalentes pour les citoyens. Dans la première, un habitant d’un pays qui a adopté un système d’aide à la décision en matière de prestations sociales peut en principe vérifier, via son administration, que le système applique les règles qui ont été définies démocratiquement. Dans la seconde, cette vérification est structurellement impossible, quelle que soit la volonté des agents publics qui utilisent le système.

Les signaux à surveiller sont identifiables. Le premier serait qu’un pays asiatique publie un référentiel complet d’audit pour ses IA publiques, un événement qui n’a pas encore eu lieu à ce jour. Le second serait une augmentation mesurable du nombre de systèmes satisfaisant simultanément aux trois critères ADB : ouverture, réutilisabilité, responsabilité. Ces signaux sont vérifiables, et leur absence ou leur présence dira davantage sur l’orientation réelle des politiques publiques que les déclarations d’intention.

La région asiatique est également observée par d’autres zones qui font face aux mêmes arbitrages, comme le montrent les expériences parallèles au Golfe, où l’IA publique est mobilisée pour des objectifs de diversification économique gouvernance très différent. La comparaison régionale pourrait, à terme, fournir des quasi-expériences naturelles sur l’effet des choix de gouvernance sur la qualité réelle des systèmes partagés.

Les exigences de standards crédibles

L’étude ADB formule des pistes précises, qui méritent d’être prises au sérieux comme point de départ d’une architecture de gouvernance. Un cadre d’audit indépendant des systèmes d’IA publics supposerait qu’une organisation tierce, dotée d’une expertise technique et d’une indépendance institutionnelle, puisse accéder au code source, aux données d’entraînement, aux métriques de performance et aux décisions contestées. Cela n’est possible que si le déploiement a été conçu dès le départ pour permettre cet accès, ce qui est rarement le cas aujourd’hui.

Des licences ouvertes avec obligations de maintenance et de responsabilité représentent un modèle intermédiaire entre la propriété fermée et la mise à disposition sans condition. Le principe est celui d’un contrat : l’organisation qui publie un système sous cette licence s’engage à maintenir la documentation, à traiter les signalements d’erreurs, et à désigner un responsable juridique identifiable. Ce type de mécanisme existe dans d’autres domaines du logiciel libre, mais son application à l’IA publique suppose d’y ajouter des obligations spécifiques liées à l’impact sur les droits des citoyens.

Ces exigences restent atteignables. Elles supposent des investissements en capacité publique, juridique, technique, institutionnelle, que tous les pays ne peuvent pas financer seuls. L’ADB et d’autres institutions régionales ont ici un rôle à jouer : conditionner leur soutien au respect de standards précis et vérifiables plutôt que financer des systèmes qui s’auto-labellisent. La pression politique pour des résultats rapides risque de ne pas laisser le temps de construire ces fondations, et la fragmentation pourrait être consolidée avant que les alternatives soient mises en place.

Sources

  1. Banque asiatique de développement, AI Systems as Digital Public Goods, juin 2026, https://www.adb.org/publications/ai-systems-digital-public-goods
  2. UN Office for Digital and Emergent Technologies, https://www.un.org/techenvoy/digital-public-goods
  3. Digital Public Goods Alliance, définition et critères des biens publics numériques, https://digitalpublicgoods.net/standard/
  4. Communiqué de presse officiel UN ODET sur le rapport (25 juin 2026), https://www.un.org/digital-emerging-technologies/fr/content/press-release-ai-systems-digital-public-goods-report
  5. Page UNU Publication, AI Systems as Digital Public Goods, https://unu.edu/publication/ai-systems-digital-public-goods
  6. ArXiv preprint, AI Systems as Digital Public Goods, https://arxiv.org/abs/2607.03427
  7. DPG Standard, Digital Public Goods Alliance, https://www.digitalpublicgoods.net/standard
  8. UN ODET, About page, https://www.un.org/digital-emerging-technologies/content/about
  9. Site personnel d’Étienne Ollion, CNRS, https://ollion.cnrs.fr/
  10. Daron Acemoglu & Simon Johnson, Power and Progress, https://www.porchlightbooks.com/products/power-and-progress-daron-acemoglu-9781541702547
  11. Rapport ADB/UNU/UN ODET – AI Systems as Digital Public Goods (juin 2026), https://www.adb.org/publications/ai-systems-digital-public-goods
  12. UN ODET – Press Release du 25 juin 2026, https://www.un.org/digital-emerging-technologies/content/press-release-ai-systems-digital-public-goods-report
  13. ONU – Roadmap for Digital Cooperation, juin 2020, https://www.un.org/en/content/digital-cooperation-roadmap/
  14. DPGA – DPG Standard (9 indicateurs), https://github.com/DPGAlliance/DPG-Standard
  15. Acemoglu & Johnson – Power and Progress (2023), https://books.google.com/books/about/Power_and_Progress.html?id=4bumEAAAQBAJ
  16. ASEAN Guide on AI Governance and Ethics (2024), https://asean.org/wp-content/uploads/2024/02/ASEAN-Guide-on-AI-Governance-and-Ethics_beautified_201223_v2.pdf