La visibilité des catastrophes : comment l'IA reconstruit le récit et la gouvernance des risques de catastrophe à l'échelle mondiale

De la « documentation » à la « compréhension » : l’IA remodèle l’infrastructure des données sur les catastrophes dans le monde

En 2015, les Nations unies ont adopté le cadre de Sendai pour la réduction des risques de catastrophe, dont l’un des engagements clés consistait à remplacer la logique fondée sur un risque unique par une « approche multi-aléas et systémique ». Mais dix ans plus tard, les données qui sous-tendent cet engagement restent en grande partie des « registres d’événements » isolés. Inondations, séismes, pertes — soigneusement rangés dans des bases de données, mais répondant rarement aux questions plus essentielles : comment les catastrophes se connectent-elles entre elles ? Comment la vulnérabilité sociale amplifie-t-elle les chocs ?

Une étude publiée en mars 2026 dans *Scientific Data* comble précisément cette lacune. Une équipe de recherche européenne a utilisé des grands modèles de langage (LLM) et la génération augmentée par récupération (RAG) pour extraire automatiquement, à partir de millions de sources d’information dans le monde, plus de 3 000 événements catastrophiques survenus entre 2014 et 2024, en générant pour chacun une « trame narrative » structurée, convertie en graphe de connaissances. La portée de cet ensemble de données ouvert ne tient pas seulement à des données « plus rapides et plus nombreuses », mais au fait que la recherche mondiale sur les risques de catastrophe passe d’une statistique de « ce qui s’est passé » à une compréhension du « pourquoi cela s’est produit » et de « ce qui pourrait s’ensuivre ».

Les cascades ignorées : les limites structurelles des anciens systèmes de données

Les systèmes d’enregistrement par type de catastrophe unique sont relativement matures dans les cadres internationaux, mais les catastrophes réelles restent rarement « uniques ». Un typhon provoque des inondations, les inondations entraînent des coupures d’électricité, et ces coupures engendrent des accidents secondaires — les effets en cascade se répètent dans les événements climatiques récents. Pourtant, la plupart des bases de données nationales enregistrent les événements par type de catastrophe unique, rendant presque invisibles les interactions entre catastrophes, les corrélations temporelles et la vulnérabilité sociale.

L’apport du graphe de connaissances consiste précisément à décomposer les événements catastrophiques en entités et relations, comme « inondation provoque glissement de terrain » ou « vague de chaleur aggrave la sécheresse ». L’ensemble de données ne contient pas seulement les événements eux-mêmes, mais aussi la structure narrative des « trames », transformant ainsi des entrées statiques en récits dynamiques. Pour les décideurs politiques, une représentation graphique des relations révèle plus facilement l’origine des risques qu’un tableau de pertes.

Pourquoi maintenant : le saut d’intelligence offert par les LLM et la RAG

Extraire des informations sur les catastrophes à partir d’articles de presse n’est pas nouveau. Le système européen de veille médiatique (EMM) agrège depuis longtemps des contenus médiatiques, mais les outils traditionnels de traitement automatique du langage naturel peinent à extraire avec précision « qui, quand, où, quel impact » à partir de textes libres et à produire une structure unifiée.

Les grands modèles de langage changent la donne : ils comprennent le contexte, identifient les relations de cause à effet et génèrent des résumés. La génération augmentée par récupération (RAG), quant à elle, ancre le processus d’extraction dans des corpus de presse spécifiques, réduisant ainsi le risque de « hallucination ». Les chercheurs ont utilisé ce processus pour enrichir les événements de la base EM-DAT, puis ont vérifié la qualité des données par une évaluation experte et un étiquetage indépendant. Cela illustre, en miniature, le passage de l’IA de la « recherche d’informations » à la « construction de connaissances ».

C’est la maturité technologique qui explique que cette étude ne pouvait voir le jour qu’aujourd’hui. Après 2024, la démocratisation des LLM open source et des cadres RAG a permis aux équipes académiques de traiter des dizaines de millions d’articles à moindre coût. Les technologies de graphes de connaissances sont également entrées dans la gestion des données scientifiques. Plusieurs tendances convergent ici pour former une nouvelle « infrastructure narrative mondiale des catastrophes ».## Catastrophes de qui, récits de qui : données journalistiques et Sud global

Le corpus de cet ensemble de données provient d'EMM, un système de surveillance qui agrège des millions de sites d'information. La couverture médiatique n'équivaut pas à la couverture de la réalité ; elle privilégie les régions où les infrastructures médiatiques sont plus solides. Cependant, par rapport aux rapports gouvernementaux traditionnels, les sources d'information présentent un avantage unique pour saisir les événements informels et marginaux. De nombreuses catastrophes dans les pays du Sud global ne font pas l'objet de rapports statistiques, mais sont souvent couvertes par les médias locaux. Ainsi, l'exploration automatisée de l'actualité compense dans une certaine mesure le « déficit de visibilité » des bases de données internationales.

Cela soulève également une nouvelle question géopolitique de l'information : celui qui possède les modèles et la puissance de calcul peut définir les récits de catastrophe. Cette recherche a choisi d'ouvrir les données et le code, accompagnés d'un tableau de bord interactif, ce qui constitue une résistance à la « gouvernance en boîte noire ». À long terme, la démocratisation des données sur les catastrophes influencera la répartition des ressources internationales de secours et l'affectation des fonds mondiaux d'adaptation au climat.

Des registres de risques au théâtre de la décision

La signification ultime de cette recherche n'est pas de produire de belles cartes, mais de pointer vers un futur émergent : un graphe de connaissances mondial sur les catastrophes, mis à jour en temps réel, pourrait devenir le système d'exploitation sous-jacent des mécanismes internationaux de réduction des risques. Si, après la publication d'une alerte au tsunami, le système pouvait automatiquement extraire les événements historiques similaires et leurs conséquences en cascade, générant un « théâtre de scénarios », les décisions ne reposeraient plus seulement sur les informations actuelles, mais intégreraient également une sagesse historique structurée.

Bien sûr, les graphes de connaissances générés par l'IA sont encore imparfaits. Les récits de catastrophe varient selon les langues et les cultures, et les modèles peuvent amplifier les biais. Mais en tant que premier ensemble de données à grande échelle de graphe de connaissances sur les catastrophes fondé sur l'actualité mondiale, il fournit une référence vérifiable pour l'évaluation des risques multi-aléas. Les chercheurs notent explicitement que cet ensemble de données est complémentaire aux ressources traditionnelles telles que les profils d'information sur les catastrophes de l'UNDRR (HIPs), et non un substitut. Cela témoigne de la retenue attendue de la communauté scientifique.

À une époque où les événements climatiques extrêmes deviennent la norme, la société humaine ne manque pas d'avertissements, mais de la capacité de transformer les avertissements en cognition structurelle. Lorsque les grands modèles de langage commencent à lire chaque article sur les inondations et les tremblements de terre dans le monde et à les tisser en un réseau de connaissances interconnectées, nous assistons peut-être à une transformation silencieuse de la gouvernance mondiale des risques : passer de savoir ce qui s'est passé à comprendre comment tout se produit.