Connecter un modèle d'intelligence artificielle à des données erronées n'améliore pas les données elles-mêmes ; cela améliore la manière dont leurs erreurs sont présentées. Le système fournira une réponse bien rédigée, cohérente et assurée, fondée sur des informations incomplètes ou contradictoires, et c'est précisément cette assurance qui rend le problème plus dangereux qu'auparavant.
Lorsqu'un rapport provenait d'un tableur, il était accueilli avec suspicion. Lorsqu'il provient d'un système d'IA, il est discuté en réunion.
Quasiment aucune entreprise de taille moyenne ne manque de données. Ce qui caractérise la plupart d'entre elles, c'est la présence des mêmes informations à plusieurs endroits, avec des valeurs différentes : le client dans le CRM et dans l'ERP avec des adresses différentes, la marge calculée de deux manières différentes selon le service, le statut d'une commande qui dépend de l'interlocuteur.
Un modèle ne résout pas cette contradiction. Il choisit l'une des versions — en fonction de la construction de la requête et du document qu'il récupère en premier — et répond sans se rendre compte qu'il en existait une autre.
Les trois symptômes qui apparaissent toujours dans un diagnostic :
Les données n'ont pas de propriétaire. Personne n'est responsable de s'assurer que le champ « client actif » ait la même signification dans tous les systèmes.
Il n'existe pas de définition partagée. «Le terme » vente » peut désigner une commande, une facture ou un paiement. Trois chiffres exacts, trois conclusions différentes.
Il n'existe pas d'historique fiable. Les modifications ont été écrasées, il est donc impossible de reconstituer la situation en mars.
Sans aborder ces trois points, toute couche analytique ou d'IA construite par-dessus héritera du problème et l'amplifiera.
Niveau | Quel problème cela résout-il ? | Sans cela, le suivant ne fonctionnera pas. |
|---|---|---|
1. Propriété des données | Qui est responsable de chaque donnée ? | Personne ne corrige rien |
2. Définition partagée | Que signifie chaque indicateur ? | Les chiffres sont débattus au lieu d'être utilisés |
3. Source unique de vérité | Quelles règles du système | Les réponses dépendent de l'endroit où vous cherchez. |
4. Historique et traçabilité | Ce qui était vrai et quand | Il n'y a pas d'audit ni de comparaison temporelle. |
5. Analyse et IA | Interprétation et prédiction | Il est construit sur du sable |
On est souvent tenté de commencer par le niveau 5, car c'est le plus visible et celui qu'on peut afficher. On obtient alors un joli tableau de bord dont personne n'utilise les chiffres pour prendre des décisions, car chaque service a des raisons de s'en méfier.
L'ordre inverse est moins tape-à-l'œil et produit de la valeur dès le premier niveau : lorsqu'une personne possède une donnée et que sa définition est écrite, les discussions sur les chiffres disparaissent même si aucun modèle n'a été établi.
Lors de la génération des rapports, une erreur a été détectée pendant la réunion. Ces données sont intégrées aux systèmes qui… ils accomplissent des actions, L'erreur se traduit par une action réalisée : une commande créée, un client contacté, un montant appliqué.
En 2025, McKinsey a constaté que le facteur le plus corrélé à l'impact sur l'EBIT n'était pas le modèle choisi, mais la refonte en profondeur des flux de travail, une démarche entreprise par seulement 211 % des entreprises ayant adopté le modèle. Repenser un flux de travail implique de définir les données qui le régissent, et c'est là que réside la tâche que presque personne ne souhaite accomplir.
C’est la même conclusion, envisagée sous un autre angle, que nous présentons dans L'IA ne réparera pas une entreprise mal conçue
L'expression « prêt pour l'IA » est utilisée de manière très vague. En pratique, elle signifie cinq choses vérifiables :
Chaque donnée critique possède un système source déclaré. Et les autres le consultent, ils ne le réécrivent pas.
Les définitions sont écrites et accessibles. Un bref glossaire expliquant ce qu'est un client, une vente et un dossier clos et approuvé par l'entreprise.
Les données ont un historique. Il n'est pas écrasé : il est versionné. Cela permet la reconstruction et l'audit.
Les autorisations se trouvent dans les données, et non dans l'application. Si le contrôle d'accès se trouve à l'écran, tout système qui l'interroge depuis un niveau inférieur le contournera. C'est précisément le rôle d'un agent.
Il existe un moyen de mesurer la qualité. Pourcentage d'enregistrements incomplets, de doublons détectés et d'incohérences entre les systèmes. Sans indicateurs, pas d'amélioration. Un projet d'IA bâti sur des fondements respectant ces cinq conditions a une probabilité de succès radicalement différente d'un projet qui n'y répond pas. Nous l'avons développé en Que signifie être une entreprise prête pour l'IA ?
La réaction habituelle face à ce diagnostic consiste à proposer un projet de gouvernance des données d'entreprise. Ce projet dure généralement dix-huit mois, aboutit à un document et ne modifie en rien les opérations.
L'approche qui fonctionne est l'inverse : Commencez par les données qui étayent le processus le plus explicatif.. Commandez-en un, mesurez-le et utilisez-le. Puis le suivant. Chaque itération produit un résultat exploitable et finance la suivante.
Un projet de données qui n'améliore pas une décision spécifique en moins de trois mois n'améliorera probablement aucune décision.
Avant d'approuver un investissement dans l'analyse de données ou l'IA, un test d'une demi-heure est effectué : demande le même montant à trois départements différents.
Si les éléments concordent, les bases sont plus solides que d'habitude et peuvent servir de base à d'autres projets. S'ils ne concordent pas — et c'est généralement le cas —, vous savez déjà de quel projet il s'agit, et ce n'est pas de l'intelligence artificielle.
Non. Un modèle traitant des données contradictoires choisit l'une des versions disponibles et répond avec assurance, sans tenir compte de l'existence d'une autre version. Il en résulte une erreur mieux présentée et, par conséquent, plus difficile à détecter que lorsqu'elle provient d'une feuille de calcul.
Cinq conditions vérifiables : chaque élément de données critique possède un système source déclaré, les définitions métier sont écrites et partagées, il existe un historique versionné au lieu d’un écrasement, les autorisations résident dans les données et non dans l’application, et il existe des indicateurs de qualité des données.
Ce sont les données sous-jacentes au processus qui expliquent la plus grande marge, et non un projet de gouvernance des données d'entreprise. Organiser un domaine, le mesurer et l'utiliser produit des résultats en quelques semaines et finance l'itération suivante ; les projets globaux finissent généralement par n'être que de la documentation.
Ces systèmes sont conçus avant même que la question de la propriété des données, des définitions partagées et d'une source unique de vérité ne soit réglée. Lorsque chaque service peut justifier un chiffre différent, les réunions sont consacrées à débattre de ces chiffres au lieu de prendre des décisions éclairées.
L'erreur cesse d'être un simple rapport erroné et se traduit par une action concrète : une commande est passée, un client contacté ou un montant appliqué. L'automatisation transforme un problème d'information en un problème opérationnel.
Demander le même chiffre à trois services différents est problématique. Si les réponses divergent, le premier projet à entreprendre ne concerne pas l'intelligence artificielle, mais la définition et la propriété des données.
Vos données pourraient-elles résister à une couche d'IA supplémentaire ? Nous évaluons la propriété intellectuelle, les définitions, les sources et la qualité avant toute proposition. Analyse de deux heures, sans engagement. Parlons-en → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
