Le gouvernement, par le biais du ministère de la Transition digitale, des Postes et des Communications électroniques, vise à intégrer les langues nationales au cœur de sa stratégie numérique, dans le but de réduire les barrières linguistiques qui entravent l’accès aux technologies pour un grand nombre de la population.
Les séances, débutées le 24 mars 2026, se concentrent sur la structuration des bases linguistiques nécessaires au développement de solutions d’IA. L’accent est mis sur la formalisation de ressources exploitables par les modèles d’IA, notamment pour quatre langues locales : le mooré, le dioula, le fulfuldé et le gulmancema. Ces ressources sont essentielles pour la création d’applications telles que la reconnaissance vocale, la traduction automatique et la synthèse vocale, des technologies clés pour la démocratisation des services numériques dans un pays multilingue.
À travers l’intégration des langues nationales dans les technologies émergentes, le Burkina Faso affirme sa volonté de bâtir une intelligence artificielle inclusive, accessible et adaptée à son contexte socioculturel », a déclaré le ministère. Cette initiative s’inscrit dans les 12 chantiers majeurs de la transformation digitale à l’horizon 2030, en particulier le chantier dédié à l’IA au service de tous les Burkinabè.
Le Burkina Faso s’inscrit dans une tendance continentale plus large, où plusieurs pays africains mettent l’accent sur l’intégration des langues locales dans les technologies d’IA. Le Bénin développe le projet « JaimeMaLangue », tandis que le Nigeria a lancé N-ATLAS v1, un modèle de langage open source prenant en charge plusieurs langues locales.
A (re) lire : Le Ghana lance sa stratégie nationale d’intelligence artificielle
Les acteurs technologiques internationaux manifestent également un intérêt croissant pour cette problématique. Google, par le biais de sa filiale dédiée à l’IA pour l’Afrique, a lancé le projet Wazal, visant à améliorer la prise en charge des langues africaines dans les modèles d’IA.
Au Burkina Faso, l’accent est mis sur la production de données locales pour un écosystème d’IA plus souverain, en collaboration avec des acteurs publics et des structures de recherche pour constituer des collections de textes fiables, essentiels à l’entraînement des modèles.
