L'intelligence artificielle au service de l'emploi en Mauritanie

Un jeune diplômé de Nouakchott dépose son CV, encore, dans un bureau qu'il ne connaît pas. Il l'a imprimé sur du papier de bonne qualité, il l'a présenté proprement, il a mis une adresse mail et un numéro de téléphone. Le fonctionnaire qui le reçoit note le nom, glisse le CV dans une chemise, remercie et passe au suivant. Personne ne lira ce document en entier avant que le jeune homme ne revienne, dans une semaine, se demander s'il y a du nouveau. Personne ne le comparera aux dizaines d'offres qui dorment dans les tiroirs voisins ou dans les boîtes mail des chargés de placement. Personne ne pourra lui dire, à la sortie, qu'il correspond à quatre-vingts pour cent au poste de gestionnaire administratif publié la semaine dernière par une ONG à Rosso, et qu'il devrait y postuler tout de suite. Le CV part dans une pile, et le jeune homme repart avec la même incertitude qu'à son arrivée.

Cette scène, je l'observe presque tous les jours à travers mon rôle de conseiller à TECHGHIL. Elle n'est pas propre à la Mauritanie, elle est universelle. Ce qui est propre à notre contexte, c'est l'écart entre ce que nous pourrions faire aujourd'hui, avec les outils d'intelligence artificielle disponibles, et ce que nous faisons encore.

Je veux ici prendre le temps de décrire ce que l'IA peut apporter, concrètement, au marché du travail mauritanien. Sans emphase, sans slogan, sans caricature. En regardant ce qui existe déjà chez nos voisins et plus loin. Et en proposant des chemins réalistes pour transposer ce qui a du sens.

Le premier usage, le matching entre CV et offre

Un CV est un texte. Une offre d'emploi est un autre texte. Comparer les deux pour identifier les zones d'adéquation et les zones d'écart est aujourd'hui une capacité mature de l'intelligence artificielle. Les modèles de langage modernes savent extraire d'un CV les diplômes, les expériences, les compétences techniques et comportementales, les langues parlées, les zones géographiques préférées. Ils savent faire la même chose avec une offre. Ils savent produire un score d'adéquation, avec une explication lisible.

Pôle emploi, devenu France Travail, a intégré depuis plusieurs années des composants de matching dans ses outils internes. Le conseiller ne remplace pas son jugement par l'algorithme, mais l'algorithme lui présente les cinquante candidatures les plus pertinentes pour une offre, plutôt que de le laisser trier dix mille CV à la main. Cette assistance change radicalement l'économie du service.

Lightcast, anciennement Emsi Burning Glass, propose des services similaires aux universités, aux collectivités, aux grandes entreprises américaines. Ces services vont plus loin que le simple matching, ils permettent d'analyser les tendances d'un marché du travail, d'identifier les compétences émergentes, de guider les curricula des universités.

La Banque mondiale finance plusieurs pilotes dans le monde arabe et en Afrique subsaharienne pour tester des dispositifs de matching adaptés aux marchés du travail moins structurés. Les résultats varient selon les pays, mais le potentiel est clairement établi.

En Mauritanie, l'application d'un tel outil buterait immédiatement sur trois questions. Où stocker les CV, avec quelle base légale et quelle sécurité. Comment gérer les langues, sachant qu'un CV mauritanien peut mélanger français, arabe, parfois anglais, et que les intitulés de diplômes ne suivent pas toujours les référentiels internationaux. Comment traiter les CV informels, qui sont légion, et qui ne suivent pas les canons européens. Ces questions ne sont pas rédhibitoires. Elles demandent simplement du travail sérieux, en s'appuyant sur notre cadre légal existant sur la protection des données personnelles, et sur un référentiel de compétences adapté à notre marché.

Ce premier usage repose sur trois briques indissociables. Une brique de data, pour ingérer proprement CV et offres et les rendre exploitables. Une brique d'IA, pour extraire compétences et calculer le score. Une brique d'automatisation, pour notifier le demandeur et le conseiller au bon moment, dans le bon canal, en français ou en arabe. Isoler l'IA du reste serait une erreur classique, qui condamne le projet à rester une démonstration technique.

Le deuxième usage, le scoring et la cartographie des compétences

Un CV mentionne des expériences, des diplômes, des projets, des stages. L'IA peut extraire de ces éléments une carte structurée de compétences, comparable d'un CV à l'autre, avec des niveaux estimés. Cette carte n'est pas un jugement de valeur. C'est un point de départ pour une conversation, un accompagnement, une orientation.

L'intérêt de cette cartographie est double. Au niveau individuel, elle permet à un demandeur d'emploi de se voir autrement qu'à travers son parcours chronologique. Un jeune qui a fait un stage en gestion de projet et un service civique en logistique découvre qu'il a des compétences transverses valorisables dans d'autres secteurs. Au niveau collectif, elle permet à un service public de l'emploi de piloter sa politique de formation avec finesse, en identifiant les tensions, les compétences rares, les segments à renforcer.

C'est là que la business intelligence prend le relais de l'IA. Une carte de compétences agrégée devient un tableau de bord pour le décideur. Combien de nos demandeurs maîtrisent les logiciels de gestion comptable, combien parlent l'anglais professionnel, combien ont une expérience de chef d'équipe, comment ces indicateurs évoluent d'un trimestre à l'autre, dans quelles wilayas les tensions sont les plus fortes. Ces questions, aujourd'hui impossibles à répondre avec précision en Mauritanie, deviennent triviales quand la data et la BI sont posées correctement.

Plusieurs services publics de l'emploi européens ont déployé ces outils avec succès. Le Danemark, la Suède, l'Estonie sont des cas fréquemment cités. Le Rwanda et le Kenya expérimentent des dispositifs similaires à leur échelle. Le point commun de ces expériences, c'est qu'elles reposent sur un référentiel national de compétences, adapté au marché local. On ne peut pas importer tel quel un référentiel européen dans un pays où l'économie informelle représente une part majeure de l'emploi.

Pour la Mauritanie, ce chantier de référentiel est probablement l'étape la plus stratégique. Il précède l'IA, il la rend possible. Sans référentiel national de compétences, aucun outil de scoring ne sera véritablement utile. Ce chantier n'exige pas des budgets astronomiques, il exige une méthode, du temps, et des acteurs locaux qui connaissent le tissu économique.

Le troisième usage, le chatbot d'orientation

Un jeune peut décrire sa situation en langue naturelle et recevoir des pistes concrètes. Formations disponibles dans sa wilaya, secteurs qui recrutent avec ses compétences actuelles, dispositifs d'accompagnement auxquels il a droit, bourses, aides à la mobilité, appui à l'auto-emploi. Ce type d'interaction, longtemps réservé aux conseillers humains, est aujourd'hui à la portée d'un assistant conversationnel bien conçu.

Plusieurs services de l'emploi européens ont déployé des assistants conversationnels de ce type. En France, France Travail expérimente depuis plusieurs mois un assistant destiné à ses conseillers, dérivé des modèles de langage récents. Ces assistants ne remplacent pas la relation humaine, ils la préparent, la nourrissent, la démultiplient.

Dans le monde francophone africain, ce type d'outil commence à apparaître, souvent porté par des ONG ou des programmes financés par des bailleurs internationaux. Les premiers retours sont encourageants dès lors que l'assistant est nourri de données fiables sur les dispositifs locaux.

Pour la Mauritanie, un chatbot d'orientation serait particulièrement utile dans les régions éloignées, où les demandeurs d'emploi n'ont pas facilement accès à un conseiller physique. Un jeune de Kiffa qui hésite entre une formation en électricité et une formation en couture ne devrait pas être obligé de faire le déplacement à Nouakchott pour comparer ses options. Il devrait pouvoir poser sa question depuis son téléphone, à toute heure, et recevoir une réponse contextualisée.

Un tel assistant n'est utile que branché sur une base à jour des formations, des offres, des dispositifs, des textes officiels. La qualité de la réponse dépend directement de la qualité de la donnée qui l'alimente. Encore une fois, l'IA n'a de sens que quand la data est propre et quand l'automatisation transmet la mise en relation à l'acteur pertinent.

Ce qu'il faut réunir pour que cela fonctionne

Ces trois briques, matching, cartographie, chatbot, sont à portée. Elles ne demandent ni des budgets démesurés, ni des équipes de cent personnes, ni des laboratoires de recherche prestigieux. Elles demandent trois conditions, qui manquent souvent dans les projets d'IA que je vois passer en Afrique.

La première condition est une volonté institutionnelle claire. Un déploiement d'IA au service de l'emploi n'a de sens que porté par un service public de l'emploi qui l'inscrit dans sa stratégie, qui accepte de revoir ses processus, qui forme ses conseillers, qui protège ses données. Sans ce portage, l'outil reste une démonstration technique sans effet durable.

La deuxième condition est une équipe locale qui maîtrise la donnée du marché du travail mauritanien. On ne peut pas déléguer entièrement à un prestataire étranger. La qualité d'un matching dépend de la qualité de la description des métiers, des compétences, des secteurs. Cette qualité ne peut venir que d'une équipe qui connaît le terrain, qui parle avec les employeurs, qui suit les évolutions locales. Les modèles de langage sont universels, mais leur mise en oeuvre est profondément locale.

La troisième condition est une éthique claire. Un outil de matching mal conçu peut renforcer les discriminations existantes. S'il apprend sur des données historiques biaisées, il reproduit ces biais. S'il favorise certaines écoles au détriment d'autres parce que ses anciennes recommandations ont mieux fonctionné avec les diplômés de ces écoles, il aggrave les inégalités. Ces risques ne sont pas théoriques, ils ont été documentés dans plusieurs pays. Ils imposent une gouvernance de l'outil, des audits réguliers, des voies de recours pour les personnes concernées.

Data, business intelligence, IA, automatisation, un même chantier

Un lecteur attentif aura remarqué que les trois usages présentés ne relèvent pas de l'intelligence artificielle seule. Ils appellent une chaîne complète d'expertise numérique.

La data d'abord, pour constituer et maintenir une base propre sur les demandeurs, les offres, les compétences, les dispositifs, les formations.

La business intelligence ensuite, pour offrir aux décideurs un tableau de bord vivant du marché du travail, wilaya par wilaya, secteur par secteur, mois par mois.

L'intelligence artificielle enfin, pour extraire les compétences, matcher, orienter, résumer, dialoguer en langue naturelle.

L'automatisation, transverse, pour orchestrer la mise en relation, les notifications, les relances, la remontée des résultats.

Séparés, ces quatre chantiers ne produisent rien de durable. Ensemble, ils changent l'expérience du demandeur d'emploi et démultiplient l'efficacité du conseiller.

Pour aller plus loin

Une question pour finir. Qui, en Mauritanie, est prêt à porter ce chantier avec ambition et avec sérieux ?