Vos données sont-elles prêtes pour l'IA ?

« Nos données ne sont pas parfaites. Pouvons-nous quand même démarrer avec l'IA ? » C'est la question que nous entendons le plus souvent lors d'un premier entretien. La réponse rassurante : vos données n'ont pas besoin d'être parfaites. La réponse moins simple : elles doivent être suffisamment bonnes pour l'application visée. Un assistant de recherche interne pose des exigences de qualité très différentes de celles d'un système qui évalue des transactions financières.

En bref : vos données n'ont pas besoin d'être parfaites pour l'IA. Elles doivent être assez fiables pour cette tâche précise, à un risque acceptable. Commencez par une application concrète et ne testez que les données dont elle a besoin au lieu de vouloir tout nettoyer d'abord. Ce que l'IA peut faire de ces données dans des logiciels métier sur mesure est expliqué sur notre page de service.

Commencez par une application concrète

Une évaluation générale de la qualité de vos données s'étire sans fin et livre rarement une conclusion utile. Mieux vaut démarrer avec un seul cas d'usage bien délimité : parcourir la documentation technique, lire automatiquement les factures d'achat, établir des prévisions de vente, classer des réclamations, préparer des offres ou détecter des anomalies de production.

Ce n'est qu'une fois cette application clairement définie que vous déterminez quelles données sont nécessaires et quelles exigences de qualité s'y appliquent. Vous liez ainsi les questions de données à un résultat business concret plutôt qu'à une ambition abstraite.

Sept questions pour évaluer vos données

Une fois l'application choisie, ces sept questions vous aident à estimer rapidement si vos données peuvent la porter. Nous posons les mêmes questions lors de chaque premier entretien d'analyse avec un client.

1. Les données nécessaires sont-elles disponibles ?

Dans beaucoup d'entreprises, les informations pertinentes sont dispersées entre boîtes mail, dossiers partagés, fichiers Excel et logiciels vieillissants. Ce n'est que lorsque ces informations sont accessibles de manière maîtrisée qu'une application IA peut vraiment travailler avec. La disponibilité ne concerne donc pas seulement l'existence des données. Elle concerne aussi leur accès.

2. L'information est-elle assez complète ?

Les champs manquants ne posent pas toujours problème. Ils le deviennent quand ce sont précisément ces champs dont l'application a besoin. Une prévision de paiements sans dates d'échéance voit son résultat fortement faussé. Un résumé de procédures internes supporte quelques petites lacunes sans grand dommage.

3. Les données sont-elles correctes ?

Des codes produits erronés, des doublons clients et des prix obsolètes mènent inévitablement à des résultats erronés. L'IA ne rend pas fiables des données mauvaises. Ce qu'elle fait en revanche : traiter les erreurs plus vite et à plus grande échelle. C'est précisément pourquoi vous examinez d'abord les données sources.

4. Tout le monde utilise-t-il les mêmes définitions ?

Qu'est-ce qu'un « client actif », précisément ? Quand une commande est-elle « en retard » ? Quels coûts vont dans quelle catégorie ? Dès que des services utilisent des définitions différentes, un système IA tire des conclusions contradictoires des mêmes données. Clarifier les définitions coûte généralement moins cher que d'en corriger les conséquences plus tard.

5. Les données sont-elles assez actuelles ?

Un assistant IA qui vous ressort des manuels vieux de trois ans donne des instructions techniquement correctes mais dépassées sur le terrain. Définissez donc comment les informations nouvelles, modifiées et retirées entrent dans le système et à quelle vitesse.

6. L'origine est-elle traçable ?

Pour des décisions importantes, il doit être clair d'où vient l'information. L'utilisateur peut-il revenir à la source en un clic ou la sortie reste-t-elle une boîte noire qu'il faut croire sur parole ? La traçabilité n'est pas un luxe. Elle détermine si les gens osent utiliser le système.

7. Avez-vous le droit d'utiliser ces données à cette fin ?

Toutes les informations ne peuvent pas partir sur n'importe quelle plateforme IA. Vérifiez la confidentialité, les données personnelles, les accords contractuels, la propriété intellectuelle, les droits d'accès, les durées de conservation et les exigences de sécurité avant de charger un jeu de données dans un service externe. Cette question a sa place dans les premiers entretiens de sélection, pas dans la dernière semaine avant la mise en production.

Toutes les applications ne demandent pas la même qualité de données

L'exigence de qualité dépend de ce que l'application fait de sa sortie. En gros, les applications IA se répartissent en trois catégories, chacune avec sa propre barre.

Applications de support

Pensez à la recherche, au résumé ou à la rédaction d'une première version de document. Un collaborateur lit le résultat et corrige si nécessaire. Une certaine incomplétude est acceptable tant que les sources restent visibles et que l'utilisateur peut vérifier rapidement.

Applications opérationnelles

Ici, des processus tournent sur la sortie : classer des tickets, planifier, comptabiliser. Les données doivent être plus cohérentes et le système doit traiter clairement les exceptions. Il y a en effet moins de contrôle humain entre l'entrée et l'action.

Applications décisionnelles

Les décisions financières, commerciales, RH ou de sécurité fondées sur une sortie IA imposent des exigences élevées : exactitude, explicabilité, contrôle, sécurité et une piste d'audit complète. Vous ne démarrez pas ici sans une analyse de risque approfondie et un plan clair pour l'intervention humaine.

Comment reconnaître une qualité de données insuffisante ?

Certains signaux montrent clairement que vos données ne sont pas encore prêtes pour certaines applications :

• des listes fantômes dans Excel à côté des systèmes officiels
• des rapports qui donnent des chiffres KPI différents pour la même question
• des corrections manuelles sur les données produits ou clients
• aucune clarté sur la version actuelle
• les mêmes informations dans plusieurs systèmes en parallèle
• des champs importants remplis librement par les collaborateurs
• des exceptions qui ne vivent que dans des échanges de mails
• un historique difficile à retrouver

Ces signaux ne signifient pas que l'IA est impossible. Ils signifient que le risque augmente. Prévoyez alors du travail supplémentaire avant de démarrer un cas d'usage.

Inutile de nettoyer d'abord toutes vos données

Le piège classique consiste à attendre que tout soit parfait. Ce moment arrive rarement. Pendant ce temps, vous prenez du retard sur les entreprises qui avancent. Choisissez donc une approche ciblée :

1. Déterminez les données dont le cas d'usage a vraiment besoin.
2. Mesurez la qualité actuelle de précisément ces données.
3. Repérez les erreurs qui ont le plus d'impact.
4. Corrigez uniquement ce dont cette application a besoin.
5. Testez avec des exemples réalistes.
6. Surveillez la qualité pendant l'utilisation.

Vous liez ainsi le nettoyage à un résultat business concret plutôt qu'à une opération de ménage sans fin que personne ne termine jamais.

Testez avec des exemples difficiles

Ne testez pas une application IA uniquement avec des données propres, complètes et soigneusement choisies. Utilisez aussi des documents incomplets, des formats inhabituels, des doublons, d'anciennes et de nouvelles versions côte à côte, des exceptions rares, des saisies erronées et des informations contradictoires venant de sources différentes. Vous voyez alors seulement comment l'application tient dans la réalité quotidienne de votre entreprise, où rien n'est aussi net que dans une démo.

Mesurez la qualité des données en impact business

Les pourcentages techniques de complétude et d'exactitude sont utiles. L'impact sur votre entreprise compte pourtant davantage. Une erreur dans un résultat de recherche interne ne pèse pas comme une erreur dans une proposition de paiement ou une instruction de production. Évaluez donc :

• à quelle fréquence les erreurs surviennent
• à quelle vitesse vous les détectez
• combien de travail de correction elles génèrent
• quels dommages financiers ou opérationnels elles causent
• si un collaborateur peut intervenir à temps avant que l'erreur ne se propage dans le processus

Conclusion

Vos données n'ont pas besoin d'être parfaites. Elles doivent être adaptées à l'application et au risque qui l'accompagne. Choisissez un cas d'usage concret, déterminez quelles données sont critiques pour le résultat puis vérifiez si elles sont disponibles, correctes, actuelles et traçables. De bonnes données ne sont pas une fin en soi. Elles sont la condition d'un résultat business fiable avec l'IA.

Questions fréquentes

Mes données doivent-elles être parfaites avant de démarrer avec l'IA ? Non. Elles doivent toutefois être assez bonnes pour l'application concrète. Un assistant de recherche tolère des informations incomplètes tant que la source reste visible. Une IA qui évalue des transactions financières exige exactitude, explicabilité et piste d'audit.

Comment tester si l'IA fonctionne avec de mauvaises données ? Ne donnez pas seulement des exemples propres au système. Testez avec des documents incomplets, des formats inhabituels, des doublons, d'anciennes versions, des exceptions rares et des informations contradictoires. Vous voyez alors si l'application tient dans la pratique quotidienne.

Quelles questions poser sur les données pour un cas d'usage IA ? Les données sont-elles disponibles et accessibles ? Sont-elles assez complètes pour cet usage ? Sont-elles correctes ? Les services utilisent-ils les mêmes définitions ? Sont-elles actuelles ? Pouvez-vous vérifier leur origine ? Pouvez-vous les utiliser à cette fin sur le plan contractuel et juridique ?

Faut-il nettoyer toutes les données de l'entreprise avant un projet IA ? Non, c'est le piège classique. Choisissez un cas d'usage concret, mesurez la qualité de précisément ces données, améliorez uniquement ce qui a le plus d'impact et testez pendant l'utilisation. Vous liez ainsi le nettoyage à un résultat business concret.