Vos données sont-elles prêtes pour un projet IA ?

Un projet d’intelligence artificielle peut être techniquement réalisable et pourtant produire des résultats décevants si les données utilisées sont incomplètes, dispersées ou difficiles d’accès. Avant de choisir un modèle, un agent ou une architecture, il faut donc vérifier si les informations nécessaires au cas d’usage sont réellement exploitables.

Commencez par une question simple : de quelles données le projet a-t-il besoin ?

Parler de « qualité des données » de manière générale apporte peu de choses. Une donnée peut être parfaitement exploitable pour un usage et insuffisante pour un autre.

Un assistant chargé de retrouver des informations dans une documentation interne aura besoin de documents accessibles, à jour et suffisamment bien organisés. Un projet de prévision des ventes nécessitera plutôt un historique fiable, structuré et suffisamment long. Une automatisation commerciale peut dépendre des données présentes dans le logiciel de gestion de la relation client (CRM).

La première étape consiste donc à partir du cas d’usage et à identifier précisément les informations dont il dépend. Cette approche évite de lancer un grand chantier de nettoyage des données sans savoir lesquelles ont réellement de la valeur pour le projet.

Vérifiez que les données existent réellement

Certains projets paraissent simples jusqu’au moment où l’on cherche les informations nécessaires à leur fonctionnement.

Les données peuvent ne jamais avoir été enregistrées. Elles peuvent aussi être présentes uniquement dans des emails, des fichiers individuels, des documents papier ou dans la mémoire des collaborateurs.

Un projet qui nécessite une information inexistante ne sera pas résolu par une IA. Il faudra d’abord modifier le processus pour commencer à collecter cette donnée.

C’est une distinction importante dans une feuille de route IA. Certains cas d’usage peuvent être déployés immédiatement. D’autres doivent être précédés d’un travail sur la collecte et la structuration des informations.

Mesurez leur qualité avant de les connecter à une IA

Une donnée disponible n’est pas nécessairement une donnée exploitable.

France Num rappelle que plusieurs dimensions permettent d’évaluer sa qualité, notamment l’exactitude, la complétude, la cohérence, l’actualité et l’absence de doublons. Ces critères ont un impact direct sur les usages qui peuvent ensuite en être faits.

Un fichier client contenant plusieurs fiches pour une même entreprise, des coordonnées obsolètes ou des champs renseignés différemment selon les commerciaux limitera par exemple la fiabilité d’une automatisation commerciale.

Le même problème apparaît lorsqu’une base de connaissances contient plusieurs versions contradictoires d’un même document. L’IA peut parfaitement retrouver l’information, tout en retournant celle qui n’est plus valable.

La Commission nationale de l’informatique et des libertés (CNIL) rappelle également que la qualité des données fournies à un système d’IA influence directement sa performance.

La fraîcheur des données compte autant que leur exactitude

Une information exacte il y a deux ans peut être fausse aujourd’hui.

Ce problème concerne particulièrement les tarifs, les catalogues produits, les procédures internes, les données clients, les contrats ou les informations relatives aux équipes.

Avant d’intégrer une source dans un système IA, il faut donc savoir qui la met à jour, à quelle fréquence et comment une ancienne version est remplacée.

Sans cette discipline, l’entreprise risque de construire une solution techniquement performante qui s’appuiera progressivement sur des informations dépassées.

Regardez où les données sont stockées

Une entreprise peut disposer de toutes les informations nécessaires sans être capable de les exploiter facilement.

Une partie se trouve dans le logiciel de gestion intégré, aussi appelé ERP. Une autre est dans le CRM, les fichiers Excel, les espaces documentaires, les emails ou des logiciels métiers spécialisés.

Le problème devient alors moins celui de la donnée que celui de son accessibilité.

Il faut vérifier si les outils disposent d’interfaces de programmation (API), d’exports exploitables ou de connecteurs permettant de faire circuler les informations sans multiplier les manipulations manuelles.

Cette analyse doit intervenir avant de choisir la solution IA. Une intégration apparemment simple peut devenir disproportionnée si le logiciel métier ne permet pas d’accéder proprement aux informations.

Identifiez la source de référence

Lorsque la même information existe dans plusieurs outils, une question devient essentielle. Quelle version fait foi ?

Le nom d’un client peut être présent dans le CRM, l’outil de facturation et un fichier commercial. Le stock peut apparaître dans le progiciel de gestion et dans un tableau parallèle tenu par une équipe. Une procédure peut exister dans plusieurs dossiers avec des versions différentes.

Avant d’automatiser l’exploitation de ces informations, il faut désigner une source de référence.

Cette décision simplifie l’architecture et réduit le risque que l’IA utilise une information obsolète ou contradictoire.

Les données non structurées ne sont pas forcément un problème

Beaucoup d’entreprises pensent que leurs données doivent être parfaitement organisées dans une base avant de pouvoir utiliser l’IA. Ce n’est pas toujours nécessaire.

Une partie importante de l’information utile se trouve dans des contrats, comptes rendus, procédures, présentations, emails ou documents techniques. Ces contenus peuvent être exploités par des systèmes capables de rechercher l’information dans une base documentaire puis de la transmettre au modèle.

Cette approche est souvent appelée génération augmentée par récupération, ou RAG pour Retrieval-Augmented Generation.

Elle ne dispense cependant pas de travailler sur la qualité des sources. Des documents mal nommés, contradictoires, obsolètes ou accessibles aux mauvaises personnes continueront de poser problème.

Vérifiez les droits d’accès avant de connecter les sources

Une IA connectée à plusieurs outils ne devrait pas automatiquement donner accès à toutes leurs informations.

Les droits existants doivent être examinés avant le déploiement. Qui peut consulter les données financières ? Les dossiers RH ? Les contrats clients ? Les informations commerciales ?

L’intégration d’un assistant interne peut involontairement contourner les règles déjà présentes dans les applications sources si l’architecture n’est pas correctement pensée.

La CNIL recommande notamment d’intégrer la protection des données dès la conception des systèmes et de prévoir des mesures adaptées concernant les accès, la sécurité et la traçabilité.

Ce sujet est directement lié à la gouvernance. Nous détaillons les principes à mettre en place dans notre analyse sur la gouvernance IA adaptée à une PME.

Ne nettoyez pas toutes vos données avant de commencer

Vouloir rendre l’ensemble du patrimoine de données parfaitement propre avant de lancer le moindre projet peut immobiliser une initiative pendant plusieurs mois.

Il est souvent plus efficace de travailler à partir d’un cas d’usage précis. Les données nécessaires sont identifiées, leur qualité est évaluée, puis les corrections sont concentrées sur le périmètre réellement utile.

Cette démarche permet également d’évaluer le coût réel du projet. Si trois semaines suffisent pour fiabiliser les données nécessaires, le cas d’usage peut rester pertinent. S’il nécessite d’abord de reprendre plusieurs années d’historique, de changer un logiciel métier et de restructurer plusieurs processus, sa priorité doit être réévaluée.

La maturité Data n’est donc pas une condition binaire. Une entreprise peut être prête pour certains cas d’usage et pas pour d’autres.

Six questions suffisent pour un premier diagnostic

Avant de lancer un projet, vérifiez si les données nécessaires existent, si elles sont suffisamment fiables, si elles sont à jour, si leur source de référence est connue, si elles sont accessibles techniquement et si leur utilisation respecte les règles de sécurité et de confidentialité.

Une réponse négative ne signifie pas nécessairement que le projet doit être abandonné. Elle indique qu’un prérequis doit être ajouté à la feuille de route.

C’est précisément l’intérêt d’évaluer les données au moment de la priorisation. Un cas d’usage prometteur mais dépendant d’un important travail préparatoire ne doit pas être comparé de la même manière à un projet pouvant utiliser immédiatement des données déjà fiables et disponibles.

La qualité des données doit servir une décision

Une stratégie Data n’a pas vocation à nettoyer des bases pour obtenir un patrimoine parfaitement organisé. Elle doit permettre à l’entreprise de mieux exploiter les informations dont elle dispose.

France Num souligne d’ailleurs que la qualité des données conditionne directement leur exploitation pour le pilotage, la prise de décision et l’IA.

Pour une entreprise, la meilleure approche consiste donc à relier chaque chantier Data à une finalité précise. Quel processus voulons-nous améliorer ? Quelles données sont nécessaires ? Quel niveau de qualité est suffisant ? Que devons-nous corriger avant de pouvoir avancer ?

La technologie vient ensuite.

Sources : France Num, La qualité des données, France Num, maturité Data et IA, Commission nationale de l’informatique et des libertés, Commission nationale de l’informatique et des libertés, gestion des données et IA

Fiabiliser les données avant de lancer un projet IA : la méthode des quatre anomalies

Un diagnostic utile ne consiste pas à demander si « la donnée est propre » : il vérifie des problèmes précis sur le flux concerné. Pour un projet de prévision des stocks, nous examinerons les références absentes, les historiques obsolètes, les valeurs incohérentes et les informations dispersées entre plusieurs fichiers.

1. Repérer les valeurs manquantes ou incomplètes

Constituez un échantillon représentatif de dossiers et identifiez les champs nécessaires au cas d'usage. Pour un devis, il peut s'agir du client, des quantités, des références et des conditions commerciales. Mesurez le taux de champs réellement exploitables ; ne remplacez pas arbitrairement les données manquantes par une supposition de l'IA.

2. Détecter les données obsolètes et les doublons

Une fiche client ancienne ou deux références article désignant le même produit peuvent fausser les réponses d'un assistant et les indicateurs. Conservez la date de dernière mise à jour, choisissez une source faisant autorité et créez une règle de résolution des doublons. Une version approuvée doit primer sur un fichier simplement plus récent.

3. Réconcilier les informations contradictoires

Un tarif présent dans un contrat signé n'a pas le même statut qu'un prix copié dans un tableau de travail. Documentez la priorité entre les sources : logiciel de gestion, contrat applicable, liste de prix validée, puis documents préparatoires. Lorsqu'une incohérence subsiste, l'outil doit la signaler plutôt que choisir silencieusement.

4. Corriger dans l'ordre de l'impact métier

Pour prioriser, classez chaque anomalie selon sa fréquence, le risque financier ou opérationnel, la facilité de correction et le volume de tâches touchées. Corriger un catalogue complet n'a pas de sens si le premier pilote ne concerne que cinquante références. Traitez ce sous-ensemble, définissez un propriétaire et vérifiez la qualité après quelques semaines.

Un tableau de suivi minimal pour une PME

La qualité n'est pas une opération ponctuelle : elle doit devenir une règle de mise à jour intégrée au processus. Lorsqu'un indicateur reste insuffisant, le bon choix peut être de repousser l'IA et de corriger d'abord la source. Cette démarche se complète par notre méthode de priorisation des cas d'usage.