Artificial intelligence (AI) now occupies a central place in the global discourse on development, and rightly so. Few technologies in recent history have had the capacity to either accelerate human development or profoundly restructure the social and economic systems that have defined modern civilization. Despite the urgency of these challenges, the appropriate governance framework for managing this powerful and often unpredictable technology remains uncertain. Governments, multilateral organizations, and private sector actors broadly agree that effective governance is essential to ensuring that AI systems deliver societal benefits while mitigating harms. However, key questions remain contested: What form should governance take? Who should lead this process—states, private companies, international institutions, or multi-stakeholder coalitions? And how can governance keep pace with technological innovation without limiting its potential?
The issues are further complicated by powerful geopolitical and economic incentives. Nations increasingly view AI leadership as a strategic priority linked to economic competitiveness and national security. In this context, AI governance is often perceived not as an essential element for responsible innovation, but as a potential obstacle to technological advancement.
While historical precedents for governing AI-like technologies are limited, the broader challenge of regulating emerging technologies within complex innovation ecosystems is not new. One particularly relevant area is data governance—the set of rules, standards, and institutional arrangements that govern how data is collected, processed, shared, and used. Over the past two decades, data governance has emerged as a well-developed policy area, shaping global debates around privacy, digital rights, cross-border data flows, digital taxation, and platform accountability.
Indeed, contemporary discussions around AI governance have in many respects evolved from earlier debates on data governance. The rapid emergence of generative AI systems around 2022 accelerated this shift, reigniting attention on how data, algorithms, and computing power interact to shape economic and social outcomes.
In this context, this article highlights key lessons from data governance that can inform the global search for effective AI governance frameworks. Drawing on experience in developing digital policies over the past decade, it charts paths to move beyond conceptual debates toward actionable governance models capable of balancing AI’s enormous potential with its significant risks.
Is there a difference between AI governance and data governance?
While the influence of data governance on AI governance is undeniable, some opinions are emerging that the two areas address distinct issues. One side of the argument suggests that the two are inseparable. From this perspective, AI systems are fundamentally data-dependent, meaning that governance interventions aimed at regulating data flows, quality, and ownership inherently also regulate AI outcomes. According to this view, data governance primarily concerns the entry phase into the digital value chain, while AI governance deals with the outcomes and impacts of algorithmic systems. Taken together, the two phases constitute a framework for continuous governance that spans the entire lifecycle of data-driven technologies.
However, AI development has not followed a linear path toward the best ideal of data governance, with AI training data circumventing data privacy requirements and even broader intellectual property laws. Furthermore, most current efforts to govern AI pay relatively little attention to data-related issues, including major initiatives such as the European Union’s AI Act and US President Joe Biden’s executive order on AI. This suggests the emergence of a conceptual divide between the two fields. While closely related, AI governance is increasingly viewed as a distinct domain with its own policy priorities and institutional arrangements.
Figure 1: Trends in the use of AI and data governance in the literature
Des preuves de ce changement peuvent être observées dans l’évolution des discussions politiques et de la terminologie. Nous avons utilisé le Google Ngram Viewer pour suivre cette évolution, comme montré à la Figure 1. Le concept de « gouvernance de l’IA » est apparu dans les discussions politiques vers 2018, les préoccupations réglementaires étant largement intégrées à une analyse plus large de la gouvernance des données, un domaine déjà vieux de dix ans à l’époque. Cependant, le développement rapide des systèmes d’IA générative a catalysé un nombre croissant d’initiatives de recherche et de politiques explicitement axées sur la gouvernance de l’IA. Le tableau 1 met également en lumière les domaines clés de chaque approche, qui sont interconnectés mais ne se chevauchent pas.
Domaine Gouvernance des données Gouvernance de l’IA
Focus principal Intimité, propriété et fluidité. Biais algorithmique, sécurité et autonomie.
Mécanisme de base Consentement et chiffrement. La transparence du modèle et le red teaming.
Objectif réglementaire Protéger l’entrée (La Personne). Contrôler la sortie (L’Intelligence).
En ce sens, bien que la gouvernance des données et la gouvernance de l’IA restent étroitement liées, il existe de plus en plus de raisons de les considérer comme des domaines analytiques distincts de politiques. Premièrement, l’ampleur et l’impact potentiel des technologies d’IA soulèvent des préoccupations de gouvernance uniques qui vont au-delà de la régulation traditionnelle des données. Gestion des risques liés aux implications des systèmes autonomes pour le marché du travail et la prise de décision algorithmique à grande échelle pour les droits humains et la gouvernance politique. Deuxièmement, alors que la gouvernance des données s’occupe principalement de la gestion des ressources de données, la gouvernance de l’IA se concentre de plus en plus sur le comportement, la responsabilité et l’impact des systèmes algorithmiques eux-mêmes.
Reconnaître cette distinction est important pour concevoir des cadres de gouvernance suffisamment complets sans confondre les différents défis politiques. Une revue critique de décennies de gouvernance des données reflète des performances mitigées, avec des histoires de réussite clés côte à côte avec un énorme déficit de gouvernance non comblé et parfois des effets négatifs inattendus. L’expérience de la gouvernance des données offre plusieurs leçons importantes aux décideurs qui souhaitent concevoir des cadres de supervision efficaces. Nous mettons en avant cinq leçons clés ci-dessous.
Ce que la gouvernance de l’IA peut apprendre de la gouvernance des données
Les modèles de gouvernance reflètent des intérêts géopolitiques
Les cadres de gouvernance numérique sont rarement neutres. Au contraire, ils reflètent souvent des dynamiques géopolitiques plus larges et des visions concurrentes de l’ordre numérique mondial. L’évolution des régimes de gouvernance des données au cours de la dernière décennie illustre clairement cette tendance, avec des modèles réglementaires distincts émergeant dans les grandes puissances numériques. L’Union européenne a mis l’accent sur la réglementation fondée sur les droits, axée sur la vie privée et la protection des données ; les États-Unis ont largement favorisé l’innovation axée sur le marché avec une surveillance fédérale limitée ; tandis que la Chine a adopté un modèle centré sur l’État qui intègre la gouvernance des données à la sécurité nationale et à la politique industrielle.
La gouvernance de l’IA devrait suivre une trajectoire similaire. Des cadres de gouvernance divergents émergent déjà, façonnés par les différences d’institutions politiques, de priorités économiques et de stratégies de sécurité nationale. Ces approches fragmentées ont des implications importantes pour l’écosystème numérique mondial. En particulier, la portée extraterritoriale des grands régimes réglementaires — tels que les réglementations numériques de l’UE — peut imposer d’importantes contraintes de conformité et de capacité aux pays en développement, qui manquent souvent des ressources institutionnelles et techniques nécessaires pour répondre à des exigences réglementaires complexes.
Parallèlement, des régimes de gouvernance fragmentés risquent de créer des silos réglementaires qui incitent les entreprises à déplacer le traitement des données et le développement d’IA non éthique vers des juridictions à contrôle moins strict. De telles dynamiques peuvent compromettre les efforts mondiaux visant à garantir un développement responsable de l’IA et une gouvernance numérique équitable.
En principe, une approche de gouvernance multilatérale offre la voie la plus efficace pour gérer ces défis. Des cadres harmonisés peuvent réduire la fragmentation réglementaire et garantir que les attentes en matière de conformité ne diffèrent pas de manière spectaculaire entre les juridictions. Pourtant, parvenir à cet alignement reste difficile, d’autant plus que les grandes puissances considèrent la gouvernance numérique comme une extension de la compétition stratégique.
Malgré ces contraintes, les progrès vers un cadre mondial coordonné restent à la fois possibles et nécessaires. Même dans un paysage de gouvernance à plusieurs niveaux ou pluraliste, les accords internationaux peuvent établir des principes de base et des normes minimales qui guident la régulation nationale. De tels cadres mondiaux ne remplaceraient pas les politiques nationales mais pourraient fournir une base commune sur laquelle les pays — en particulier les économies en développement — pourraient construire des systèmes de gouvernance de l’IA plus solides et plus adaptés au contexte. Le Cadre de politique africaine des données est un exemple de ce type de cadre à plusieurs niveaux qui permet aux gouvernements nationaux de définir leurs politiques de données avec des normes établies au niveau régional.
2. La réglementation seule ne résout pas les déséquilibres de pouvoir
L’expérience de la gouvernance des données démontre qu’aucun modèle réglementaire n’est exempt de conséquences imprévues. Par exemple, le Règlement général sur la protection des données (RGPD) de l’Union européenne a renforcé les normes mondiales de protection des données, mais il a également créé des barrières de conformité pour de nombreuses entreprises et gouvernements dans les pays en développement. Si ces pressions ont encouragé l’adoption de lois nationales sur la protection des données en Afrique et dans d’autres régions, elles ont également mis en lumière des variations dans la préparation institutionnelle et la capacité technique à travers le continent.
D’autres modèles de gouvernance illustrent des compromis similaires. L’approche centrée sur l’État en matière de gouvernance numérique de la Chine est devenue un point de référence pour les gouvernements cherchant à mieux contrôler les infrastructures numériques et les flux d’information en ligne, parfois au détriment du numérique et des droits humains. Parallèlement, l’approche largement axée sur le marché aux États-Unis a permis une innovation technologique rapide mais a également concentré un pouvoir important dans de grandes entreprises technologiques privées, créant des défis pour la concurrence et limitant la croissance des entreprises numériques locales africaines.
Chaque modèle apporte donc des avantages importants tout en créant simultanément de nouvelles couches d’exclusion ou de barrières pour certains acteurs. Les technologies d’IA produiront inévitablement des gagnants et des perdants dans toutes les économies et les marchés du travail. Il sera donc crucial de s’assurer que les cadres de gouvernance tiennent compte de ces impacts de distribution. La gouvernance de l’IA nécessitera probablement des interventions complémentaires similaires, au-delà des cadres politiques et réglementaires.
Par exemple, les politiques qui soutiennent les travailleurs déplacés par l’automatisation — comme les programmes de requalification, les mesures de protection sociale, ou même les formes de revenu de base universel — pourraient devenir des éléments de plus en plus importants des stratégies plus larges de gouvernance de l’IA. La coopération internationale sera également nécessaire pour garantir que les économies en développement ne soient pas laissées pour compte dans la transition mondiale de l’IA.
L’expérience de la gouvernance numérique en Europe en est un exemple utile. Les initiatives plus larges de l’Union européenne en matière de gouvernance des données en Afrique ont combiné régulation et investissements dans les infrastructures, la capacité institutionnelle et l’élaboration de politiques. Ces efforts ont contribué à renforcer les capacités de gouvernance non seulement en Europe mais aussi indirectement en Afrique, où ils ont soutenu le développement de nouveaux cadres de gouvernance des données.
3. L’alignement des acteurs dans la gouvernance de l’IA est le plus crucial
Les débats sur la gouvernance des données ont souvent été marqués par une division entre les parties prenantes clés. Les organisations du secteur public et de la société civile ont tendance à mettre l’accent sur les garanties — en se concentrant sur des questions telles que la vie privée numérique, la protection des données, la localisation des données et les droits numériques. En revanche, les acteurs du secteur privé ont largement donné la priorité à des conditions favorables à l’innovation, notamment des investissements dans les infrastructures numériques, un partage accru des données et une flexibilité réglementaire permettant aux nouvelles technologies de se développer.
Ces priorités divergentes ne posent pas problème en soi, car elles reflètent les intérêts légitimes et les perspectives des différents acteurs au sein de l’écosystème numérique. Cependant, le manque de coopération précoce entre les parties prenantes a souvent conduit à des environnements politiques fragmentés, avec des groupes divers prônant des approches réglementaires parfois en conflit. Dans de nombreuses juridictions, cette dynamique a ralenti le développement de cadres cohérents de gouvernance des données et créé de l’incertitude tant pour les décideurs politiques que pour les acteurs du marché.
La gouvernance de l’IA a l’opportunité d’éviter certains de ces défis en favorisant un alignement plus précoce entre les acteurs clés. Cette approche multipartite a été une caractéristique déterminante de nombreuses initiatives réussies de gouvernance numérique. En raison de la complexité et de l’évolution rapide des technologies d’IA, aucune institution ou secteur ne possède l’expertise ou l’autorité nécessaires pour les réguler efficacement. Les gouvernements jouent un rôle crucial dans la définition des cadres juridiques et l’assurance de la responsabilité, mais les acteurs du secteur privé détiennent une grande partie des connaissances techniques et des infrastructures qui sous-tendent les systèmes d’IA. Parallèlement, les organisations de la société civile et les institutions académiques assurent une supervision, une recherche et un plaidoyer essentiels pour garantir que les cadres de gouvernance protègent les intérêts publics.
Réunir ces acteurs dès le début du processus politique peut aider à réduire la fragmentation, améliorer la légitimité des politiques et créer des modèles de gouvernance à la fois adaptatifs et pratiques. Dans le contexte de l’IA — où le changement technologique dépasse souvent la capacité réglementaire — de telles approches de gouvernance collaborative peuvent s’avérer particulièrement importantes pour garantir que l’innovation progresse de manière à la fois responsable et socialement bénéfique.
4. La régulation des plateformes numériques présente un défi hautement complexe et évolutif
La régulation des grandes plateformes numériques représente un défi fondamental pour les systèmes de gouvernance modernes en raison de plusieurs facteurs. Premièrement, nombre de ces institutions de plateforme disposent de ressources économiques, d’expertise technique et d’une portée mondiale qui dépassent celles des États-nations. Leurs opérations transnationales leur permettent de naviguer stratégiquement dans les environnements réglementaires, évitant souvent les litiges ou les déplacements d’opérations entre juridictions avec une relative facilité. En conséquence, les gouvernements se retrouvent fréquemment à tenter de réguler des acteurs dont l’ampleur et l’influence dépassent les cadres réglementaires traditionnels.
Deuxièmement, une éthique commune au sein de l’écosystème de l’innovation numérique a longtemps été celle du « construire d’abord, réparer ensuite » — privilégiant le développement technologique rapide tout en ne prenant en compte les risques qu’après leur concrétisation. Bien que ce modèle ait accéléré l’innovation, il a également mis en lumière d’importantes lacunes de gouvernance, en particulier lorsque les technologies évoluent à l’échelle mondiale avant que les garanties appropriées ne soient en place.
Pour cette raison, un engagement réglementaire précoce peut être avantageux, même lorsque les cadres réglementaires sont imparfaits dès le départ. Attendre que les technologies mûrissent pleinement avant d’introduire des mécanismes de gouvernance peut permettre aux dynamiques nuisibles de s’enraciner profondément et de les rendre difficiles à inverser. Cependant, une intervention précoce comporte inévitablement des compromis. Les cadres réglementaires initiaux peuvent contenir des défauts de conception, des conséquences imprévues ou des défis de mise en œuvre.
Les décideurs doivent donc accepter qu’un certain degré d’expérimentation politique est inévitable. Une gouvernance efficace dans des environnements technologiques en évolution rapide exige que les régulateurs tolèrent un certain niveau d’erreur et d’ajustement. L’objectif ne devrait pas être de concevoir des règles parfaites dès le départ, mais plutôt de créer des systèmes de gouvernance capables d’apprendre et de s’adapter au fil du temps.
L’expérience de la gouvernance des données offre une leçon précieuse à cet égard : les grandes entreprises de plateformes sont difficiles à contrôler et à réguler pour les pays en développement. Le rôle de premier plan de l’UE dans un système solide de gouvernance des données soutient de nombreux pays africains à mettre également en œuvre des cadres de gouvernance des données. Un leader mondial similaire est nécessaire pour garantir une meilleure régulation de l’IA issue de ces mêmes entreprises de plateforme.
Conclusion
Assurer la bonne gouvernance de l’IA sera crucial pour le développement social et économique dans les décennies à venir. Malgré la complexité et l’ambiguïté du paysage des politiques liées à l’IA, les connaissances en gouvernance des données peuvent fournir des conseils importants. Cette analyse met en lumière les principales leçons — tant les succès que les défis persistants — issues de la gouvernance des données qui peuvent éclairer les approches émergentes de la gouvernance de l’IA.
Une gouvernance efficace de l’IA nécessitera de la flexibilité, un apprentissage continu et une élaboration de politiques en temps opportun. Historiquement, les cadres de gouvernance ont souvent pris du retard sur l’innovation technologique. Cependant, dans le cas de l’IA, de tels retards ont des conséquences particulièrement importantes. Des réponses politiques lentes ou réactives risquent d’amplifier les préjudices sociaux et économiques tout en manquant des occasions de façonner le développement de l’IA de manière à favoriser le bien-être public. Une gouvernance proactive et adaptative est donc essentielle pour garantir que les systèmes d’IA contribuent à un développement inclusif et durable, tant aujourd’hui que demain.
Not that long ago, people lived and functioned in tight communities. Every vendor knew their customers personally and could make...
This Machine Learning Glossary aims to briefly introduce the most important Machine Learning terms - both for the commercially and...
FR 
EN 
