IA conversationnelle en arabe et darija : les défis techniques

Déployer une IA conversationnelle en darija au Maroc est infiniment plus complexe qu'un chatbot en français ou en anglais. Entre le code-switching arabe-français, la transcription latine, l'absence de corpus standardisés et la variation régionale (Casablanca vs Fès vs Nador), les défis techniques s'accumulent. Panorama.

La spécificité du darija dans le paysage NLP

La darija marocaine n'est pas de l'arabe standard moderne (MSA). Elle intègre du berbère, du français, de l'espagnol dans le nord, et présente une orthographe non normalisée. Un client peut écrire Salam, سلام ou slm pour dire bonjour. Un bon système doit comprendre les trois.

Les grands modèles de langue (Llama, GPT, Mistral, Claude, Gemini) ont fait des progrès énormes sur l'arabe standard, mais restent inégaux sur la darija. Le fine-tuning ou le prompt engineering ciblé devient indispensable.

Le défi du code-switching

Un message client marocain typique ressemble à : Bonjour, wach kayn stock du iPhone 15 Pro ? je le veux b noir svp. Trois langues dans une phrase. Un chatbot rigide sur une seule langue plante immédiatement.

Solutions pratiques

• LLM multilingues capables : GPT-4o, Claude 4, Gemini 1.5 gèrent le code-switching correctement dans la plupart des cas.
• Prompt système explicite : indiquer au modèle qu'il peut recevoir du français, de l'arabe, de la darija latine et de la darija arabe, et qu'il doit répondre dans la langue dominante du dernier message client.
• Détection de langue en amont : router les messages purement français vers un flux, les messages majoritairement en arabe vers un autre.

La transcription latine (Arabizi)

Les Marocains écrivent souvent en Arabizi : arabe transcrit avec l'alphabet latin et des chiffres (3 pour ع, 7 pour ح, 9 pour ق). Exemple : salam 3andi mochkil f l compte dyali. Les LLM récents comprennent souvent l'intention, mais la précision chute versus l'arabe standard.

Techniques utiles : pré-traitement pour normaliser les chiffres-lettres vers l'arabe standard, ou fine-tuning sur un corpus Arabizi propriétaire quand le volume le justifie.

Variation régionale et sociolinguistique

Un client de Tanger utilise plus d'espagnol qu'un client de Fès. À Marrakech, l'accent influence les transcriptions phonétiques. Les jeunes urbains mélangent plus l'anglais des réseaux sociaux. Un chatbot déployé sans tests régionaux risque de créer une expérience artificielle.

Corpus et données d'entraînement

Il n'existe pas de dataset public massif et propre pour la darija. Les initiatives académiques (INSEA, universités marocaines) produisent des corpus utiles mais limités. Les entreprises qui investissent construisent souvent leur propre base à partir de transcripts WhatsApp anonymisés, sous validation conformité réglementaire.

Évaluation d'un chatbot darija en production

Métriques recommandées

• Taux de résolution automatique : pourcentage de conversations closes sans escalade humaine.
• Taux d'escalade sur incompréhension : proportion de conversations transférées à un humain à cause d'un blocage IA.
• CSAT post-conversation : note de satisfaction demandée en fin d'échange.
• Précision d'intention : sur un jeu de test annoté, mesurer la classification correcte.

Choix technologiques observés au Maroc

Les banques et telcos marocains se tournent principalement vers des solutions hybrides : LLM propriétaire (OpenAI, Anthropic) via API, orchestration métier en interne, et couche de sécurité pour éviter les fuites de données personnelles. Certains explorent le déploiement de modèles open source (Llama 3, Mistral) sur infrastructure locale pour la souveraineté.

Éthique et biais

Les LLM entraînés majoritairement sur des données anglophones peuvent présenter des biais culturels ou religieux inadaptés au contexte marocain. Une couche de guardrails et une revue régulière des conversations sont indispensables, notamment dans les secteurs sensibles (santé, banque, juridique).

Conclusion

L'IA conversationnelle en darija n'est plus une utopie, mais elle exige plus de rigueur qu'un chatbot classique : LLM adapté, prompt engineering solide, corpus de test propre, monitoring continu et respect strict de la réglementation applicable. Les entreprises marocaines qui y investissent aujourd'hui construisent un avantage concurrentiel durable sur la relation client de demain.