Dubawa AI : le fact-checking par intelligence artificielle construit en Afrique de l'Ouest

La vérification des faits est longtemps restée un artisanat lent : un journaliste, une affirmation, des heures de recoupement. Plusieurs rédactions tentent d'industrialiser une partie de cette chaîne avec des modèles de langage. L'un de ces projets ne vient ni de la Silicon Valley ni d'un laboratoire européen : il est né à Abuja, au Nigeria, et s'appelle Dubawa AI.

L'outil a été lancé en 2024 par le Centre for Journalism Innovation and Development (CJID), et son développement est dirigé par Monsur Hussain, rapporte Financial Fortune Media. Le nom dit la fonction : « Dubawa » vient du haoussa et signifie vérifier. Le choix d'une langue régionale pour nommer un produit technologique n'est pas anecdotique : il indique à qui l'outil s'adresse d'abord.

Ce reportage retrace la genèse du projet, sa méthode d'entraînement et ses canaux de diffusion, puis examine ce que cette trajectoire signifie pour une organisation européenne : surveiller un marché, un fournisseur ou une implantation hors d'Europe suppose de vérifier de l'information dans des langues et des écosystèmes que les outils généralistes couvrent mal.

Dubawa AI : genèse d'un outil de vérification né à Abuja

Le point de départ est un déséquilibre bien connu des rédactions africaines : le volume de contenus douteux circulant sur les messageries et les réseaux sociaux dépasse la capacité de vérification des équipes humaines. Le CJID, structure basée à Abuja, a construit Dubawa AI comme une réponse d'échelle, non comme un remplacement du travail journalistique.

Selon Financial Fortune Media, l'objectif assigné à l'outil est d'aider l'Afrique à combattre la désinformation par des moyens automatisés, avec une équipe d'ingénierie locale. Le projet relève d'une catégorie encore rare : un produit d'intelligence artificielle conçu, entraîné et opéré là où se trouve le problème qu'il traite.

Cette localisation a une conséquence pratique immédiate. Les affirmations qui circulent au Nigeria, au Ghana ou au Sénégal ne ressemblent pas au corpus d'entraînement type d'un modèle généraliste : elles mobilisent des responsables locaux, des institutions régionales, des références sanitaires et électorales spécifiques, et des langues peu représentées dans les jeux de données ouverts.

Entraîner un modèle à repérer une affirmation vérifiable

Le détail méthodologique le plus notable tient à la première tâche confiée au modèle. Avant de vérifier quoi que ce soit, il a été entraîné à distinguer une affirmation vérifiable d'une simple question, indique Financial Fortune Media. La brique initiale n'est donc pas la vérification mais le tri : identifier, dans un flux de messages, ce qui constitue une assertion factuelle confrontable à des sources.

Ce choix de séquence est celui que reconnaîtra tout praticien de la veille. Dans un dispositif de surveillance, la difficulté première n'est presque jamais l'accès à l'information : c'est la qualification. Séparer l'assertion de l'opinion, le fait daté du commentaire, conditionne tout le reste du traitement. Un modèle qui échoue à cette étape produit du volume, pas du renseignement.

La priorité d'entraînement a été donnée aux affirmations à fort impact social, en particulier en santé et en politique. Ce ciblage revient à assumer une couverture partielle : mieux vaut traiter correctement les catégories où une fausse information cause un dommage direct que viser une exhaustivité thématique impossible à tenir.

Avant de savoir vérifier, un système doit savoir ce qui mérite de l'être. Le tri des affirmations décide de la qualité de tout le reste.

Chatbot, WhatsApp et outil audio : la diffusion là où circule l'information

Un outil de vérification n'a d'utilité que s'il se trouve sur le trajet de l'information douteuse. Dubawa AI est accessible en chatbot sur dubawa.org et sur WhatsApp, et dispose d'un outil audio, précise Financial Fortune Media. Le choix de la messagerie n'est pas cosmétique : c'est là que circulent, en cercles privés, les contenus les plus difficiles à observer depuis l'extérieur.

La composante audio répond à un autre angle mort. Une part des contenus qui se propagent sur les messageries prend la forme de messages vocaux, format que la plupart des dispositifs de détection textuelle ignorent. Traiter l'audio, c'est travailler sur le support réel de la rumeur plutôt que sur sa version la plus commode à indexer.

Les volumes donnent la mesure de l'usage : plus de 6 000 affirmations vérifiées et un déploiement dans plus de 32 pays africains, avec une adoption croissante au Ghana, en Gambie, au Liberia, en Sierra Leone et au Sénégal, selon Financial Fortune Media. L'ordre de grandeur reste modeste au regard des flux, mais il s'agit de vérifications tracées.

148 millions d'abonnements internet : le contexte du marché nigérian

L'échelle du terrain explique l'urgence du projet. La Commission des communications du Nigeria (NCC) recense plus de 148 millions d'abonnements internet actifs, ce qui en fait le premier marché en ligne d'Afrique, rapporte Financial Fortune Media. Une base d'utilisateurs de cette taille produit un volume de circulation informationnelle sans commune mesure avec les capacités de vérification manuelle disponibles.

La perception des utilisateurs confirme le diagnostic. Une étude intitulée « Fake News and Public Trust in Online Media: A Study of Abuja, Nigeria » relève que 75 % des internautes interrogés rencontrent fréquemment de fausses informations sur leurs principaux réseaux sociaux. Le chiffre décrit une exposition ressentie, non une mesure de prévalence des contenus, et c'est à ce titre qu'il compte : il documente une érosion de la confiance.

Pour qui suit ce marché depuis l'Europe, ces deux données se lisent ensemble : le premier écosystème numérique du continent est aussi un environnement où la fiabilité perçue de l'information en ligne est basse. Toute veille conduite sans étape de vérification explicite y hérite mécaniquement de ce niveau de bruit.

Modèles globaux contre données régionales : l'argument des ingénieurs

L'argument technique porté par l'équipe est frontal. L'ingénieur Japhet Johnson souligne que les modèles globaux sont entraînés pour l'Europe ou les États-Unis et négligent les données régionales, et qu'une infrastructure de données locale, conforme à la réglementation nigériane, est déterminante pour la fiabilité, rapporte Financial Fortune Media.

Cette position articule deux exigences souvent traitées séparément. La performance d'abord : un modèle qui n'a jamais vu les entités et les référents d'un espace informationnel donné y produit des sorties fragiles. La conformité ensuite : traiter des données locales sous le régime juridique du pays concerné conditionne la possibilité d'exploiter certains corpus.

L'enjeu dépasse le fact-checking : c'est le raisonnement qui structure les débats européens sur la souveraineté des infrastructures de traitement. Un dispositif de veille dépendant d'un modèle dont le corpus et l'hébergement échappent à l'organisation hérite de choix qu'elle n'a ni définis ni audités.

Ce que la vérification en langue locale change pour une organisation européenne

Le cas Dubawa AI intéresse les directions qui surveillent un marché, un fournisseur ou une implantation hors d'Europe. Quand une alerte concerne un site industriel au Nigeria, un partenaire logistique au Ghana ou un litige réglementaire au Sénégal, l'information primaire circule d'abord en langue locale, sur des supports mal indexés, avant d'atteindre parfois la presse internationale.

L'angle mort se mesure en délai. Une organisation qui attend la reprise anglophone d'un événement local perd plusieurs jours sur des faits déjà établis et discutés sur place. Les travaux de l'Observatoire de l'Intelligence Économique sur la couverture linguistique des corpus documentent ce décalage : la profondeur d'un dispositif dépend moins du nombre de sources agrégées que de leur diversité de langues et de formats.

La réponse opérationnelle tient en trois exigences. Élargir le périmètre linguistique des sources surveillées, langues régionales et supports non médiatiques compris. Conserver la traçabilité de chaque élément jusqu'à son document d'origine. Distinguer, dans les livrables, le fait vérifié de l'appréciation analytique qui en est tirée.

Sur ce terrain, NewsCore (www.newscore.fr) couvre en continu des sources multilingues, trie les signaux par pertinence et relie chaque synthèse à son document d'origine, ce qui raccourcit le délai entre la première mention locale d'un fait et son arrivée sur le bureau du décideur. La part de l'organisation reste entière : cadrer le besoin, définir les seuils d'alerte et trancher ce qui relève de la décision.

Ce que le projet ne résout pas, et ce qu'il déplace

Aucun outil de vérification automatisée ne clôt le débat sur la véracité d'une affirmation. Le tri opéré par un modèle est une étape de qualification, pas un verdict : il réduit le volume à examiner et hiérarchise les priorités, en laissant à l'analyste la charge de la conclusion. Ce que le projet déplace est plus structurel : il démontre qu'un dispositif de vérification adapté à un espace informationnel donné se construit depuis cet espace, avec ses langues et son cadre réglementaire, plutôt que par adaptation marginale d'un outil pensé ailleurs.

Questions fréquentes

Qu'est-ce que Dubawa AI et qui l'a développé ?

Dubawa AI est un outil de vérification des faits assisté par intelligence artificielle, lancé en 2024 par le Centre for Journalism Innovation and Development (CJID) à Abuja, au Nigeria, sous la direction de Monsur Hussain, rapporte Financial Fortune Media. Son nom vient du haoussa et signifie vérifier. Il est accessible en chatbot sur dubawa.org et sur WhatsApp, avec un outil audio.

Dans combien de pays Dubawa AI est-il utilisé ?

L'outil est utilisé dans plus de 32 pays africains et a vérifié plus de 6 000 affirmations, avec une adoption croissante au Ghana, en Gambie, au Liberia, en Sierra Leone et au Sénégal, selon Financial Fortune Media. Le Nigeria constitue son marché principal : la Commission des communications du pays y recense plus de 148 millions d'abonnements internet actifs.

Pourquoi un modèle entraîné sur des données régionales change-t-il la fiabilité de la vérification ?

Parce qu'un modèle n'évalue correctement que ce qu'il a appris à reconnaître. L'ingénieur Japhet Johnson souligne que les modèles globaux sont entraînés pour l'Europe ou les États-Unis et négligent les données régionales, et qu'une infrastructure de données locale conforme à la réglementation nigériane est déterminante pour la fiabilité.

Comment une entreprise européenne intègre-t-elle cette vérification locale dans sa veille ?

En traitant la couverture linguistique comme un paramètre de dispositif. Cela suppose d'inclure les sources en langues locales et les supports non médiatiques du marché suivi, de conserver la traçabilité de chaque information jusqu'à son document d'origine, et de séparer le fait vérifié de l'interprétation. Sans cette discipline, la veille hors d'Europe reproduit le décalage qu'elle est censée réduire.