Cet article vise à discuter des défis pratiques liés à la réalisation d'analyses d'inférence causale avec des données décentralisées. L'apprentissage fédéré apporte des outils pour traiter les ensembles de données distribués où la confidentialité est une préoccupation importante. L'inférence causale fédérée semble alors prometteuse dans les domaines où les données sont cloisonnées, tout en permettant aux chercheurs d'exploiter la puissance des données à grande échelle pour répondre à des questions causales. Nous nous concentrons sur l'estimation de l'Effet Traitement Moyen (ATE) dans un cadre fédéré.