L'utilisation de l'intelligence artificielle pour gérer les catastrophes climatiques se heurte à un obstacle majeur : la barrière linguistique qui sépare les modèles techniques des réalités sur le terrain. Alors que les gouvernements et les organisations internationales s'appuient de plus en plus sur l'IA pour analyser les réseaux sociaux, résumer les conversations publiques et détecter les urgences environnementales, ces outils échouent souvent à comprendre le langage authentique utilisé par les populations affectées. Le problème ne se limite pas à la traduction entre langues différentes. Il réside dans le phénomène de code-switching, où les utilisateurs mélangent des langues locales, de l'argot et des expressions idiomatiques pour décrire la situation en temps réel. Sur des plateformes comme X, WhatsApp et Facebook, les messages ne suivent pas toujours les règles de l'anglais standard. Par exemple, un message nigérian tel que « This rain no be small o » transmet une urgence claire pour les locaux, mais peut être traité comme une conversation banale par un algorithme non formé. De même, l'ironie et le sarcasme présents dans des variantes locales de l'anglais, comme en Grande-Bretagne, sont souvent mal interprétés ou complètement ignorés. Cette limitation technique découle directement des données utilisées pour entraîner ces systèmes. La grande majorité des modèles d'intelligence artificielle, y compris des outils populaires comme ChatGPT, sont formés sur d'immenses corpus de textes occidentaux, provenant principalement d'Amérique du Nord et d'Europe. Ces systèmes ne possèdent ni croyances ni émotions, mais génèrent des réponses basées sur des modèles statistiques qu'ils ont appris. En conséquence, ils portent une empreinte culturelle occidentale qui privilégie les normes linguistiques et les valeurs des pays développés. Les dialectes et les formes d'anglais non anglocentriques, utilisés massivement dans les pays en développement, y sont sous-représentés. Les conséquences de ce biais sont concrètes et potentiellement graves. Dans des contextes de crise climatique tels que les inondations, les vagues de chaleur ou les tempêtes, une mauvaise interprétation d'un message d'alerte peut entraîner des retards de réponse, compromettant ainsi des propriétés et des vies humaines. Les systèmes automatisés, habitués aux formulations standards, peinent à détecter les signaux d'urgence dissimulés dans le langage familier. La réduction des effectifs de journalistes climatiques dans le monde en développement aggrave encore cette situation, limitant la disponibilité d'informations précises pour une grande partie de la population mondiale et façonnant une compréhension biaisée des enjeux climatiques régionaux. Pour améliorer la réponse aux catastrophes, il est impératif de redéfinir la conception de ces systèmes. L'IA doit être entraînée spécifiquement sur des données反映ant la diversité des communications en ligne, incluant les expressions régionales et les contextes culturels locaux. Les tests doivent se faire sur des posts réels plutôt que sur un anglais formel pour capturer la nuance et l'urgence. Bien que l'automatisation permette de traiter des volumes massifs d'informations, le jugement humain doit rester intégré au processus, notamment lorsque la sécurité des personnes est en jeu. Seule une formation adaptée permettra à l'intelligence artificielle de servir réellement de pont entre les communautés vulnérables et les services de secours, en garantissant que les appels à l'aide et les alertes de danger ne soient plus perdus dans les nuances linguistiques.