Maturité des données : la bonne réponse, même si elle dérange

Numérique et IA2025-10-177 min de lectureAtlas Strategy Group

Demandez à un fournisseur d’IA si les données de l’entreprise sont prêtes : la réponse prend la forme d’une diapositive où figure le mot « parcours ». Posez la question en toute franchise, et la réponse est généralement « pas encore » — c’est cette réponse qui distingue les entreprises dont l’IA génère des effets cumulatifs de celles dont l’IA ne produit que des démonstrations. La préparation des données est le sujet le moins glamour du domaine, mais aussi le plus prédictif : presque tous les projets d’IA décevants s’expliquent non par le modèle, mais par les données qui l’ont alimenté.

Ce que signifie réellement « prêt »

• Repérables : les données existent et quelqu’un peut les trouver — dans des systèmes identifiés, avec des responsables désignés, et non sur l’ordinateur portable de l’ancien responsable. La plupart des entreprises de taille moyenne échouent à ce test avant même que la technologie ne soit abordée.
• Cohérentes : une même chose porte le même nom d’un système à l’autre ; le client n’a qu’une seule identité ; les statuts correspondent à leur signification. Une entreprise qui a quatre définitions de « client actif » ne dispose pas encore de données — elle a quatre habitudes déguisées en base de données.
• Suffisamment complètes : pas « volumineuses » — suffisantes. Dix mois d’historique fiable sur le processus à automatiser valent mieux que dix ans de bruit. La préparation s’évalue en fonction du cas d’usage, d’où la réalisation de l’audit après lasélectionet non avant.
• Conformes sur le plan juridique : les autorisations nécessaires à l’usage prévu existent — elles sont vérifiées avant le projet, et non pendant l’examen de son lancement par l’avocat.

Pourquoi personne ne veut entendre la réponse honnête

L’audit honnête est mal accueilli parce qu’il retarde le projet : le budget est approuvé, la stratégie est annoncée, puis arrive un document indiquant qu’il faut d’abord consacrer deux trimestres aux fondations. La solution de facilité — commencer quand même, corriger les données « au fur et à mesure » — transforme ces deux trimestres en deux ans au sein du projet, sans que cela se voie, aux tarifs du projet. Les entreprises qui réussissent font du « pas encore » le premier livrable du projet : un nettoyage ciblé et limité dans le temps, portant précisément sur les cas d’usage retenus —la liste restreinte issue de l’évaluation, et non sur tout l’historique de l’entreprise ; le travail de préparation permet de faire l’impasse sur tout le reste.

La préparation des données est le seul volet d’une stratégie IA où « nous réglerons cela plus tard » coûte systématiquement plus cher que de s’en occuper maintenant.

L’approche pragmatique

L’audit pragmatique est défini en fonction de l’ambition : pour chaque cas d’usage envisagé, les quatre critères — repérables, cohérentes, suffisantes, conformes — sont évalués en quelques semaines, avec une liste chiffrée des mesures correctives à la clé. C’est le filtre d’entrée del’évaluation des opportunités, la moitié discrète dela question du P&L, et la phase d’ouverture standard dela pratique de l’IA— car le choix du modèle, du fournisseur et de l’architecture compte moins que les fondations sur lesquelles ils reposent, et « pas encore » n’est une mauvaise réponse que si on l’ignore.