Chaque Analyse rapide de genre (RGA) commence à un bureau.
Avant de comprendre comment une crise touche différemment les femmes, les hommes, les filles, les garçons et les personnes de diverses identités de genre, il faut d’abord trouver les rapports de situation, vérifier chaque chiffre avec sa source et sa date, chercher des données ventilées par sexe qui manquent souvent, et organiser ces informations dans une structure standard.
C’est vrai pour l’analyste international qui arrive en deuxième semaine. C’est vrai aussi pour le praticien présent sur le terrain depuis le premier jour, y compris ceux qui font partie des organisations dirigées par des femmes qui répondent à la crise.
Avant, enseigner ce travail de bureau demandait un cours complet de quatre à six semaines.
Un programme type commence par une introduction à la RGA. Il passe ensuite à la recherche de données existantes, puis à la collecte de nouvelles données, à l’analyse des données de genre, à la rédaction de la RGA, et enfin à une semaine de revue par les pairs et de partage.
Sauf pour la collecte de données sur le terrain, presque tout ce travail se fait au bureau.
Aujourd’hui, nous publions un Skill d’IA qui fait ce travail.
Le Skill Analyse Rapide de Genre étudie la situation d’urgence, rassemble et vérifie les preuves, et rédige la RGA selon une structure standard.
Il fonctionne dans toutes les langues.
En savoir plus: voir des exemples de RGA réelles produites avec ce Skill.
Il fait gagner du temps et de l’argent. Il améliore aussi la qualité de l’analyse, car il applique les mêmes règles de vérification à chaque source.
Les praticiens gardent leur jugement, leurs relations, leur responsabilité et les décisions sur qui reçoit les ressources et la reconnaissance.
Surtout, ils retrouvent du temps pour le travail qu’aucun modèle d’IA ne peut faire: dialoguer avec les personnes touchées, avec les groupes les plus exposés aux risques, et avec les groupes dirigés par des femmes dans ces communautés.
Nous avons construit le Skill sur une critique décoloniale de la RGA
Une RGA existe pour que les travailleurs humanitaires comprennent rapidement comment une crise affecte les personnes différemment selon leur genre. Elle utilise des informations « suffisamment bonnes » pour que l’aide soit sûre, équitable et efficace.
Reda Sadki et Charlotte Mbuh, de la Fondation, présentent cette vision dans Reimagining Rapid Gender Analysis as decolonial practice.
Dans ce même article, il met en garde: donner la priorité à la rapidité et à la standardisation peut renforcer des pratiques hiérarchiques de production du savoir. Ces pratiques placent l’ONG internationale en position d’experte et la population locale en position de sujet d’analyse.
Notre alternative s’appelle l’analyse rapide de genre décoloniale (dRGA). Elle part du fait que les femmes, ainsi que les hommes qui les soutiennent, analysent déjà le contexte.
Le spécialiste international devient un « traducteur de systèmes ». Il reçoit les informations des organisations dirigées par des femmes et les reformule dans la langue qu’exigent les bailleurs de fonds.
Vu ainsi, des outils comme la RGA renforcent la capacité d’analyse, comme le soutiennent Ogochukwu Udenigwe et ses collègues.
Ce Skill est un outil de plus. Il doit satisfaire la même exigence.
Un modèle d’IA parle aussi depuis une position
La critique de la dRGA repose sur une idée issue de la pensée féministe intersectionnelle: toute connaissance d’une crise est située.
Elle vient de personnes particulières, dans des lieux particuliers. Le genre n’est qu’un des systèmes de pouvoir qui façonnent ce qu’elles savent et ce qu’elles risquent.
Cette idée vaut autant pour le modèle que pour le consultant.
Un modèle de langage reflète les textes qui l’ont entraîné. La plupart de ces textes ont été écrits en anglais, dans les pays du Nord, par des institutions.
Les rapports de situation partagent cette origine.
Les agences internationales produisent la plupart d’entre eux. Ces rapports décrivent souvent les personnes touchées en termes neutres du point de vue du genre. Ils citent généralement les mêmes quelques organisations visibles.
Automatiser l’examen des données secondaires sans le remettre en question déplace simplement la hiérarchie. Cette hiérarchie que critique la dRGA passe du consultant à la machine.
Nous avons inscrit des règles dans le Skill pour contrer cela.
Il ne doit jamais inventer un chiffre ou une citation.
Il doit classer chaque affirmation comme vérifiée, issue d’une source unique ou non vérifiée.
Il doit expliquer le risque par le conflit, l’argent et l’effondrement des services. Jamais par la seule culture.
Ces règles réduisent le mal. Elles ne peuvent pas supprimer le biais présent dans ce que le modèle a lu.
C’est pourquoi le Skill donne aussi à ses utilisateurs des questions à poser sur chaque brouillon.
Catherine D’Ignazio et Lauren F. Klein ont bâti les sept principes de Data Feminism sur la pensée intersectionnelle de Kimberlé Crenshaw.
Cinq de ces principes se traduisent directement en contrôles du résultat de l’IA.
Les utilisateurs peuvent poser ces questions directement au Skill.
Il y répondra. C’est à l’utilisateur de juger si ses réponses tiennent la route.
Ces questions peuvent aussi servir à relire un brouillon de RGA rédigé par un humain.
| Principe | Question à poser au brouillon de RGA produit par l’IA |
|---|---|
| Examiner le pouvoir | Quelles sources dominent la base de preuves, et quelles sources sont absentes? |
| Considérer le contexte | Où le modèle a-t-il décrit des personnes en termes neutres du point de vue du genre, ou traité un chiffre comme plus certain que ne le permet sa collecte? |
| Remettre en question les binarités | Le brouillon ne voit-il que les femmes, les hommes, les filles et les garçons? Efface-t-il d’autres dimensions de l’expérience vécue? |
| Adopter le pluralisme | Le brouillon traite-t-il les savoirs locaux et expérientiels comme des preuves, ou comme de la couleur? |
| Rendre le travail visible | Qui a fait le travail que le modèle résume? Le brouillon leur en donne-t-il le crédit? |
Comment utiliser un Skill pour la première fois
Un Skill est un dossier d’instructions que lit un assistant d’IA avant d’accomplir une tâche. C’est un peu comme le classeur de méthodes que reçoit un nouveau collègue le premier jour.
- Le fichier principal, SKILL.md, indique à l’IA quand utiliser le Skill et quelles étapes suivre.
- Un dossier de références contient les règles, la liste de vérification de la recherche, la structure des documents et les contrôles de qualité.
Le modèle prédit un texte plausible à partir de ce qu’il a lu et des instructions du dossier.
Il ne connaît pas votre contexte.
Une fois que vous l’avez compris, vous pouvez contester ses résultats avec la confiance que vous accorderiez à un collègue qui n’a jamais visité la région.
Vous n’avez pas besoin d’écrire du code.
Suivez ces étapes.
- Téléchargez le Skill depuis GitHub et ajoutez-le à votre outil d’IA. Dans Claude, vous le téléversez comme Skill. Dans d’autres assistants, vous pouvez ajouter les fichiers à un projet ou coller SKILL.md dans les instructions.
- Remplissez le modèle de saisie en indiquant l’urgence, le lieu, votre public, la langue, vos documents et le format de diffusion (page web ou PDF).
- Tapez « Run Phase 1 of the rapid-gender-analysis skill » et examinez le dossier de preuves qu’il renvoie.
- Posez au dossier de preuves les questions du tableau ci-dessus. Transmettez ses lacunes à vos partenaires locaux. Donnez au Skill vos corrections.
- Tapez « Run Phase 2 of the rapid-gender-analysis skill using the corrected evidence file ». Relisez et modifiez le résultat. Signez enfin la RGA en tant que personne responsable. Indiquez dans le document comment l’IA a contribué à sa production.
Un exemple de l’aide que peut apporter le Skill RGA
Voici comment pourrait se dérouler une première semaine.
Dans ce scénario fictif, un gouvernement déclare une épidémie un lundi.
L’après-midi même, le Skill produit un dossier de preuves.
Il montre qu’aucune donnée de cas ventilée par sexe n’a été publiée, que les services de maternité manquaient déjà de personnel avant l’épidémie, et qu’un réseau local de femmes organise un soutien pour les enterrements et les soins aux malades.
Lorsqu’on lui demande quelles sources manquent, le Skill indique que toutes ses sources viennent d’agences internationales.
Le mardi, vous appelez le réseau. Si vous en êtes membre, vous soulevez ces lacunes lors de sa réunion.
Vous demandez ce que ses membres voient, ce dont elles ont besoin, et ce qu’elles veulent qu’une IA comprenne du genre dans leur contexte.
Vous vous mettez d’accord sur la manière de les créditer et sur ce qui peut entrer dans l’outil.
Le mercredi, le Skill transforme les preuves corrigées en projet. Ce projet nomme le réseau dans la recommandation de financement et lui donne une place dans la structure de coordination.
Le manuel d’utilisation intégré au Skill vous demande de noter votre temps. Cela permet de mesurer les gains réalisés.
Le savoir des femmes appartient aux femmes qui le détiennent
L’étape 4 peut apporter le plus de bien comme le plus de mal.
Les notes vocales, les résumés WhatsApp et les notes d’appel de partenaires locaux peuvent beaucoup améliorer l’analyse. Ils peuvent aussi mettre en danger les personnes qui les ont partagés.
Le Feminist Data Manifest-No engage ses signataires à travailler avec et pour les personnes minorisées. Il fait du « non » une véritable option.
Concrètement, cela suppose des pratiques comme :
- Demander avant de téléverser ce qu’un partenaire a partagé. Accepter un refus sans sanction.
- Supprimer les noms, les lieux et tout détail qui permet d’identifier une personne.
- Garder les témoignages de survivantes et les détails de cas de violences fondées sur le genre hors des outils d’IA commerciaux.
- Vous mettre d’accord sur la manière dont les partenaires veulent être crédités, y compris comme coauteurs.
- Supprimer les contributions locales de l’outil une fois l’analyse terminée.
Les outils d’IA gratuits protègent généralement moins bien la vie privée que les outils d’entreprise achetés par les grandes agences. Beaucoup d’organisations locales ne peuvent se permettre que les versions gratuites.
Cet écart vient de la manière dont l’IA est tarifée et vendue. Il laisse à la personne qui tient le clavier la responsabilité de protéger les données.
Le temps gagné doit servir l’engagement
Le Skill repose sur un travail qu’il ne montre pas.
- Le personnel local a rédigé les sitreps.
- Des femmes ont livré les témoignages qui les remplissent.
- Des travailleuses et travailleurs dont personne ne verra le nom ont étiqueté les données qui ont entraîné le modèle.
Créditez les deux premiers groupes chaque fois que vous le pouvez. N’oubliez pas le troisième.
Les heures que le Skill vous rend doivent servir un travail rémunéré et réciproque avec des organisations dirigées par des femmes. Ce travail se fait selon les conditions que ces organisations fixent.
Ces heures ne doivent pas se transformer en rapports supplémentaires pour les bailleurs de fonds.
Écouter les femmes pendant une crise leur coûte de l’énergie émotionnelle. Cette énergie coûte aussi à la personne qui écoute. Aucune ligne budgétaire ne recense cette énergie.
Le temps que le Skill fait gagner ne donne aucune permission de bâcler cette écoute.
Les réseaux de pairs construisent la confiance qui relie les analystes du Nord et du Sud
L’engagement repose sur des compétences relationnelles. Écouter des personnes en crise, gagner leur confiance et partager avec elles le pouvoir et le crédit.
Ces compétences se développent dans les relations entre personnes.
Nous construisons ces relations en ligne, dans des réseaux de pairs. Les praticiens y apprennent les uns des autres et se soutiennent pendant des semaines et des mois.
Notre programme Genre dans les urgences fonctionne ainsi.
Lorsque nous l’avons annoncé en septembre 2025, nous sommes partis de l’expérience directe des praticiens de notre réseau et de travaux universitaires intersectionnels, décoloniaux et féministes. Pas de programme pré-emballé.
Dans ce programme, nous disons : « votre expérience de terrain est le manuel ».
Notre modèle d’apprentissage menant à l’action, l’Impact Accelerator, suit un rythme hebdomadaire.
- Le lundi, les participants s’engagent sur une action concrète et la partagent avec leurs pairs.
- Le mercredi, ils font le point sur ce qui fonctionne et sur ce qui est difficile.
- Le vendredi, ils rendent compte de ce qui s’est passé. Leurs pairs demandent comment cela s’est terminé.
Les « guides à côté » offrent un soutien d’expert sans prendre le contrôle.
Les participants décrivent des réseaux qui survivent au programme.
L’un d’eux a dit :
« J’avais l’impression d’être la seule à faire face à ces problèmes. Aujourd’hui, j’ai des collègues dans tout mon pays qui me comprennent et me soutiennent. »
Semaine après semaine, l’action partagée et la responsabilité mutuelle tissent des liens de confiance.
Ces liens peuvent relier un analyste du Nord global et un homologue du Sud global. Le premier dispose peut-être de financements, de compétences techniques, d’un accès aux outils d’IA et de la maîtrise du langage des bailleurs. Le second vit dans la communauté touchée et la connaît de l’intérieur.
Notre objectif est un espace où le savoir stratégique mondial et l’expérience locale « intelligente de manière authentique » se rencontrent d’égal à égal. Un espace où la première responsabilité d’un praticien est envers la communauté servie. Nous appelons cela la « responsabilité relationnelle ».
Dans une RGA, cette relation permet à l’analyste d’apporter les preuves assemblées par l’IA. L’homologue apporte ce que les documents ne disent pas. Le crédit est partagé entre eux.
Dans le programme Genre dans les urgences, nous avons compté 6 592 praticiens le 21 janvier 2026. La plupart sont des responsables basés dans des communautés locales d’Asie, d’Afrique et d’Amérique latine.
Lorsque nous avons ouvert un appel à facilitateurs, les candidats se sont identifiés comme survivants de conflits et de déplacements. Ils ont décrit leur engagement pour l’égalité de genre comme « vécu douloureusement et personnellement ».
Les membres qui rejoignent rencontrent et apprennent avec des personnes qui vivent et travaillent pour l’égalité de genre dans les communautés touchées par les crises. Leur vie est façonnée par l’âge, le handicap, le déplacement, l’origine ethnique et la classe sociale autant que par le genre.
Nous avons rendu le Skill public pour que d’autres puissent en écrire la prochaine version
Nous ne devrions pas écrire seuls la prochaine version de ce Skill.
C’est pourquoi nous le publions comme Skill ouvert sous la licence Creative Commons Attribution – Pas d’Utilisation Commerciale – Partage dans les Mêmes Conditions 4.0 International (CC BY-NC-SA 4.0).
Une entreprise commerciale qui veut utiliser le Skill doit nous demander une licence.
Toute personne qui travaille à des fins non lucratives peut l’utiliser, l’adapter, la traduire, la modifier et proposer des améliorations. Il suffit de citer la Fondation et de partager les versions sous les mêmes conditions.
Les organisations dirigées par des femmes peuvent réécrire ses règles pour qu’il raisonne sur le genre comme leurs contextes l’exigent. Leurs versions restent ouvertes à tous.
Le Réseau de recherche en IA féministe (fr) montre à quoi peut ressembler une IA féministe conçue avec les communautés concernées.
Le Skill ne peut pas consulter les personnes concernées.
Une RGA rédigée à partir de documents est un examen de données secondaires. Le Skill le dit dans le document lui-même.
Il ne peut pas vérifier ce que personne n’a publié. Il ne peut pas détecter tous les biais qu’il a hérités. Il ne peut pas déplacer l’argent.
Seules les personnes qui l’utilisent peuvent transformer ses recommandations en financements, en sièges de décision et en reconnaissance d’auteur pour les organisations locales dirigées par des femmes.