Pourquoi la qualité des données fait dérailler les projets IA à l’échelle
Dans la plupart des entreprises, la qualité des données n’est adressée sérieusement qu’au moment où les premiers modèles d’IA produisent des résultats incohérents. Les DSI constatent alors que la gouvernance des données et la data governance n’ont pas été pensées pour supporter des usages d’IA généralisés, alors que les métiers ont déjà intégré ces modèles dans leurs processus critiques. Cette prise de conscience tardive révèle que la stratégie de gestion des données et la stratégie data n’étaient pas alignées avec les ambitions d’IA de l’organisation, ni avec les exigences de sécurité et de conformité qui encadrent désormais ces projets, comme le montrent plusieurs retours d’expérience publiés par de grands groupes européens.
Les chiffres sont connus des responsables infrastructure et production IT : sur un projet IA, entre 60 et 80 % du temps est absorbé par la préparation des données, la gestion des données de référence et la correction de la qualité des données. Des études comme celles de Gartner (2018, enquête « Data Quality Market Survey », panel de plusieurs centaines de grandes entreprises) ou de McKinsey (2020, rapport « The State of AI in 2020 », basé sur un sondage mondial) convergent sur ces ordres de grandeur, même si les pourcentages varient selon les secteurs. Quand la gouvernance des données n’est pas structurée, les équipes se débattent avec des données d’entraînement incomplètes, des données de référence obsolètes et une intégrité des données très variable entre systèmes, ce qui fragilise la sécurité des données et la conformité. Dans ces conditions, même un excellent data management et des modèles d’IA avancés ne compensent pas une mauvaise qualité des données d’entreprise et une gouvernance des données insuffisante.
Pour un Chief Information Officer, la question n’est plus de savoir si l’IA sera déployée, mais de quelle manière la gouvernance des données et la data governance seront industrialisées pour sécuriser ces déploiements. Les projets d’assistants internes basés sur le RAG, par exemple, dépendent directement de la qualité des données documentaires et de la cohérence des informations issues des différents systèmes de l’organisation. Dans un groupe industriel, un assistant de support aux techniciens peut ainsi diffuser des procédures de maintenance périmées si les référentiels ne sont pas synchronisés. Sans une stratégie de gouvernance claire, une mise en œuvre rigoureuse des politiques de gestion des données et une protection des données robuste, ces assistants deviennent des amplificateurs de mauvaises données plutôt que des leviers de performance pour l’entreprise. Un premier réflexe opérationnel consiste donc à auditer les corpus documentaires critiques avant tout déploiement d’assistant IA, en vérifiant taux de mise à jour, droits d’accès et complétude des métadonnées.
Les trois dimensions critiques de la qualité des données pour l’IA
Pour que la qualité des données serve réellement l’IA en entreprise, trois dimensions doivent être traitées de manière systématique : complétude, fraîcheur et cohérence inter systèmes. La complétude des données implique que les données d’entraînement et les données de référence couvrent l’ensemble des cas d’usage, sans trous fonctionnels qui biaisent les modèles. Dans un organisme public gérant des aides sociales, par exemple, l’absence de certaines catégories de bénéficiaires dans l’historique peut conduire un modèle de détection de fraude à surcibler des profils spécifiques. La cohérence des informations entre applications, référentiels et data warehouse conditionne directement l’intégrité des données et la fiabilité des modèles d’IA en production.
La fraîcheur des données est devenue un enjeu majeur avec la montée des cas d’usage temps réel et quasi temps réel, où la qualité des données se mesure aussi à la latence entre la source et la consommation. Une data governance efficace impose des normes de mise à jour, des politiques de gestion des données et des SLA clairs sur la disponibilité des données d’entreprise, ce qui suppose une mise en œuvre technique solide côté infrastructure. Dans une entreprise de transport, un modèle d’optimisation des tournées perd rapidement en pertinence si les données de trafic ou de disponibilité des véhicules ont plusieurs heures de retard. Sans cette discipline, les modèles d’IA s’appuient sur des données obsolètes, ce qui dégrade la qualité des prédictions, la sécurité des données et la conformité réglementaire, notamment pour les secteurs régulés. Un jeu d’indicateurs simple (latence moyenne par flux, pourcentage de données mises à jour dans les délais, volume de données rejetées) permet déjà de piloter ces enjeux.
La cohérence inter systèmes, enfin, est souvent le point faible des organisations qui ont accumulé des couches d’applications et de data marts au fil des années. Quand les données d’organisation ne racontent pas la même histoire selon qu’elles viennent de l’ERP, du CRM ou d’un data lake, la gouvernance des données doit imposer une stratégie de gouvernance claire pour les données de référence et les données de gouvernance. Dans une entreprise industrielle multi-sites, un même client peut ainsi apparaître sous plusieurs identifiants, avec des historiques de commandes divergents, ce qui fausse les modèles de prévision de la demande. Pour un CIO, cela signifie placer la qualité des données au même niveau de priorité que la sécurité des données et la protection des données, en intégrant la data quality et le data management dans les feuilles de route d’urbanisation du SI et dans les exigences de conformité, par exemple celles liées à la directive NIS2 détaillée dans l’analyse sur la responsabilité personnelle des dirigeants en cybersécurité.
Pourquoi les modèles d’IA échouent à cause des données, pas de l’algorithme
Sur le terrain, les échecs de projets IA tiennent rarement aux modèles eux mêmes, mais presque toujours à la qualité des données et à la gouvernance des données sous jacente. Les DSI voient des modèles performants en phase de test se dégrader brutalement en production, car les données d’entraînement ne reflétaient pas la réalité opérationnelle des entreprises. Dans une collectivité locale, un modèle de prédiction de fréquentation des services peut ainsi échouer dès que de nouveaux dispositifs sont lancés, faute d’avoir intégré des données récentes sur les comportements des usagers. La moindre dérive dans la gestion des données, la moindre faille dans la protection des données ou la moindre entorse aux normes de data quality se traduit par des biais, des erreurs et des décisions automatisées contestables.
Les assistants internes basés sur des approches RAG illustrent bien cette dépendance à la qualité des données documentaires et à la gouvernance des données. Quand les données d’entreprise sont mal indexées, que les politiques de gestion des droits ne sont pas alignées avec la sécurité des données et que la conformité n’est pas maîtrisée, ces assistants exposent des informations sensibles ou fournissent des réponses incomplètes. Dans une administration centrale, un assistant juridique interne peut par exemple mélanger des versions successives de circulaires si les métadonnées ne sont pas correctement gérées. La data governance doit alors encadrer l’utilisation des données, la mise en œuvre des contrôles d’accès et la gestion des données d’organisation, en s’appuyant sur des modèles de classification et de catalogage robustes. Un plan d’action pragmatique inclut généralement : revue des règles d’indexation, nettoyage des doublons documentaires, définition de niveaux de sensibilité et tests réguliers de non-régression sur un panel de questions types.
Pour un CIO, la leçon est claire : investir dans les modèles sans investir dans la stratégie data, la stratégie de gouvernance et la qualité des données revient à construire un datacenter sans plan d’urbanisme. Les exigences de l’AI Act européen, détaillées dans l’analyse sur ce que l’accord politique change pour les projets IA des DSI, renforcent encore cette nécessité de prouver l’intégrité des données, la traçabilité des données d’entraînement et la conformité des politiques de gouvernance. La gouvernance des données devient ainsi un actif stratégique au même titre que l’architecture cloud ou la cybersécurité, avec un impact direct sur le ROI des projets IA et sur la capacité de l’organisation à passer à l’échelle.
Data mesh, data fabric et rôle du catalogue dans la gouvernance IA
Face à la fragmentation des données dans les systèmes d’information, les architectures data mesh et data fabric offrent deux manières différentes de reprendre le contrôle. Le data mesh mise sur une gouvernance des données distribuée par domaines métiers, où chaque équipe devient responsable de la qualité des données, de la gestion des données et de la protection des données qu’elle produit. Dans une grande entreprise industrielle, cela peut se traduire par un domaine « production » responsable des données de capteurs et un domaine « supply chain » garant de la fiabilité des données logistiques. Le data fabric, à l’inverse, cherche à créer une couche unifiée de data management et de data governance qui masque la complexité des sources et automatise une partie des contrôles de qualité des données.
Pour un Chief Information Officer, le choix entre data mesh et data fabric dépend de la maturité de l’organisation, de la place de la donnée dans les processus et de la manière dont les responsabilités sont réparties. Dans une entreprise très centralisée, un data fabric peut accélérer la mise en œuvre d’une gouvernance des données cohérente, avec des politiques communes de sécurité des données, de conformité et de gestion des données de référence. Dans une organisation déjà structurée par domaines, un data mesh permet de rapprocher la stratégie data des métiers, à condition d’outiller chaque domaine avec un catalogue de données, des normes de data quality et des modèles de gouvernance clairs. Dans le secteur public, cette approche par domaine peut par exemple s’appuyer sur des périmètres « citoyen », « fiscalité » ou « prestations sociales ».
Le catalogue de données joue un rôle pivot dans ces deux approches, car il rend les données trouvables, compréhensibles et évaluables en termes de qualité. En centralisant les métadonnées, les règles de gouvernance des données et les indicateurs de qualité des données, il permet aux équipes IA d’identifier rapidement les jeux de données d’entraînement pertinents et de vérifier leur intégrité. Pour les responsables infrastructure, ce catalogue devient aussi un outil de pilotage des coûts et de l’optimisation des ressources, en lien avec les démarches FinOps détaillées dans l’analyse sur la maîtrise des coûts IA quand l’infrastructure dérape, ce qui renforce la cohérence entre architecture technique, data management et gouvernance des données. Concrètement, un socle d’outils combinant catalogue, solution de data quality et moteur de classification automatique constitue souvent le minimum viable pour industrialiser la gouvernance IA.
Gouvernance, sécurité et conformité : aligner IA, réglementations et production
La montée en puissance de l’IA dans les entreprises se heurte directement aux exigences de sécurité et de conformité, qui reposent elles mêmes sur une gouvernance des données solide. Les régulateurs exigent une traçabilité complète des données d’entraînement, des données de référence et des données d’entreprise utilisées par les modèles, ce qui impose une data governance rigoureuse. Pour un CIO, cela signifie intégrer la protection des données, la sécurité des données et la qualité des données dans les mêmes politiques de gouvernance, plutôt que de traiter ces sujets en silos. Dans une banque ou une assurance, cette intégration est devenue un prérequis pour tout projet d’IA touchant au scoring ou à la lutte contre la fraude.
Les politiques de gestion des données doivent préciser la manière dont les données sont collectées, stockées, anonymisées et utilisées pour l’entraînement des modèles, avec des normes claires d’intégrité des données et de data quality. Dans les organisations multi pays ou multi entités, la gouvernance des données doit aussi gérer les différences de réglementations, de pratiques de gestion des données et de maturité en matière de sécurité des données, ce qui complexifie la mise en œuvre opérationnelle. Les responsables infrastructure doivent alors travailler main dans la main avec les équipes de conformité, de cybersécurité et les métiers pour définir une stratégie de gouvernance réaliste, qui protège les données tout en permettant l’innovation. Une matrice simple croisant types de données, exigences réglementaires et niveaux de risque facilite la priorisation des contrôles à mettre en place.
Dans ce contexte, la place de la donnée dans les comités de gouvernance devient un indicateur de maturité : quand la stratégie data, la stratégie de gouvernance et la gestion des données d’organisation sont discutées au même niveau que les sujets cloud ou réseau, les projets IA avancent plus sereinement. Les entreprises qui réussissent à industrialiser l’IA sont celles qui ont fait de la gouvernance des données un sujet de direction générale, avec des modèles de responsabilité clairs, des indicateurs de qualité des données partagés et une culture de la donnée qui dépasse le seul périmètre de la DSI. Pour un Chief Information Officer, c’est l’occasion de repositionner la fonction IT comme garant de la valeur d’usage de la donnée, et pas seulement comme opérateur d’infrastructure.
Quick wins : bâtir les fondations data en partant des cas d’usage IA
Plutôt que de lancer un vaste programme de gouvernance des données déconnecté des usages, les DSI les plus avancés partent de cas d’usage IA ciblés pour construire progressivement les fondations. Un premier levier consiste à sélectionner des cas d’usage simples mais à fort impact, où la qualité des données est maîtrisable et où la data governance peut être testée à petite échelle. Dans une usine, un projet de maintenance prédictive sur un parc limité d’équipements illustre bien cette approche : les données de capteurs sont nettoyées, enrichies et documentées, puis les règles de gouvernance sont formalisées au fil des itérations. Ces projets servent alors de laboratoire pour affiner les politiques de gestion des données, les normes de data quality et les modèles de gouvernance, avant un déploiement plus large dans l’organisation.
Un deuxième levier consiste à mettre en place un socle minimal de data management et de gouvernance des données autour de quelques domaines prioritaires, par exemple la relation client, la facturation ou la maintenance. Dans ces domaines, la mise en œuvre d’un catalogue de données, de règles de qualité des données et de contrôles d’intégrité des données permet de sécuriser rapidement les données d’entraînement et les données de référence utilisées par les modèles. Les responsables infrastructure peuvent ainsi démontrer, chiffres à l’appui, que l’amélioration de la qualité des données réduit les incidents en production, diminue les coûts de remédiation et améliore la performance des modèles. Dans le secteur public, un périmètre restreint comme la gestion des rendez vous ou des demandes en ligne peut jouer ce rôle de pilote.
Enfin, un troisième levier consiste à formaliser une stratégie data et une stratégie de gouvernance qui s’appuient sur ces retours d’expérience, plutôt que sur des principes théoriques. Les entreprises qui adoptent cette approche incrémentale parviennent à aligner plus facilement les métiers, la DSI et les fonctions de conformité autour d’objectifs communs de qualité des données, de sécurité des données et de protection des données. Pour un CIO, cette démarche progressive permet de transformer la gouvernance des données en avantage compétitif, en montrant concrètement comment une meilleure gestion des données d’entreprise améliore la fiabilité des décisions, la résilience opérationnelle et la capacité à faire évoluer les modèles d’IA. Une checklist actionnable, partagée avec les métiers, peut résumer ces enseignements : cas d’usage cible, sources critiques, propriétaires de données, règles de qualité, contrôles automatisés et indicateurs de suivi.
Aligner infrastructure, production IT et stratégie data pour une IA durable
La réussite des projets IA ne se joue pas uniquement dans les équipes data ou les centres d’excellence, mais aussi dans la manière dont l’infrastructure et la production IT sont alignées avec la stratégie data. Les responsables infrastructure doivent intégrer la qualité des données, la gouvernance des données et la data governance dans leurs décisions d’architecture, qu’il s’agisse de choisir un data lakehouse, de déployer un data mesh ou de mettre en place une plateforme de data management. Cette intégration passe par une réflexion sur la place de la donnée dans les chaînes de traitement, sur la manière de garantir l’intégrité des données et sur les politiques de sécurité des données à appliquer. Dans une organisation industrielle, cela peut impliquer de rapprocher les équipes OT et IT pour harmoniser les pratiques de collecte et de contrôle qualité.
La production IT, de son côté, doit adapter ses pratiques pour prendre en compte les spécificités des modèles d’IA, notamment la gestion des données d’entraînement, la surveillance de la dérive des données et la mise à jour régulière des données de référence. Les processus de gestion des changements doivent intégrer des contrôles de qualité des données, des validations de conformité et des revues de gouvernance des données, afin d’éviter que des modifications applicatives ne dégradent la data quality. Dans ce cadre, la mise en œuvre d’indicateurs partagés entre équipes data, infrastructure et métiers permet de suivre l’évolution de la qualité des données et d’anticiper les risques sur les modèles. Un tableau de bord commun regroupant taux de complétude, fraîcheur moyenne, nombre d’incidents liés aux données et temps de remédiation rend ces enjeux visibles au niveau de la direction.
À terme, les entreprises qui réussiront à faire de la qualité des données un réflexe partagé, et non un chantier ponctuel, seront celles qui tireront le meilleur parti de l’IA tout en maîtrisant leurs risques. Pour un Chief Information Officer, cela suppose de porter une vision claire de la stratégie data, de la stratégie de gouvernance et de la gestion des données d’organisation, en les reliant explicitement aux enjeux de performance, de sécurité et de conformité. La gouvernance des données devient alors le socle invisible mais indispensable d’une IA durable, fiable et alignée avec les objectifs de l’entreprise.
Chiffres clés sur la qualité des données et l’IA en entreprise
- Entre 60 et 80 % du temps de développement d’un projet IA est consacré à la préparation, au nettoyage et à la structuration des données, selon plusieurs études de cabinets de conseil internationaux (par exemple Gartner 2018, McKinsey 2020), ce qui illustre le poids réel de la data quality dans les délais et les coûts.
- Près de 96 % des DSI déclarent ne pas être prêts architecturalement pour déployer l’IA à l’échelle, d’après des enquêtes menées auprès de grandes entreprises par des analystes comme Gartner et IDC entre 2021 et 2023, la fragmentation des données et l’absence de gouvernance des données étant cités comme premiers freins.
- Les assistants internes de type RAG sont déjà déployés dans environ 47 % des grandes organisations, selon des sondages récents de cabinets spécialisés sur l’adoption de l’IA générative en entreprise, et leur performance est directement corrélée à la qualité des corpus documentaires et à la cohérence des informations indexées.
- Les entreprises qui disposent d’une gouvernance des données formalisée et d’indicateurs de qualité des données partagés réduisent de manière significative les incidents liés aux données en production, avec des gains mesurés sur les coûts de remédiation et sur la fiabilité des rapports métiers, comme le montrent plusieurs retours d’expérience publiés par des acteurs des secteurs financier et industriel.
- Les architectures data mesh et data fabric sont en forte progression dans les grandes entreprises, portées par le besoin de traiter la fragmentation des données dans des systèmes d’information de plus en plus hybrides entre on premise et cloud public, une tendance régulièrement documentée dans les rapports annuels des grands cabinets d’analystes.
FAQ sur la qualité des données et la gouvernance pour l’IA
Pourquoi la qualité des données est elle plus critique pour l’IA que pour le reporting classique ?
Les modèles d’IA apprennent des données d’entraînement et généralisent ensuite leurs comportements, ce qui amplifie les erreurs et les biais présents dans les données. Là où un reporting classique peut parfois tolérer des approximations, un modèle d’IA mal alimenté peut produire des décisions automatisées erronées à grande échelle. Dans une administration, un modèle de priorisation des dossiers peut ainsi pénaliser systématiquement certains profils si les données historiques sont déséquilibrées. C’est pourquoi la qualité des données, la gouvernance des données et la traçabilité des jeux de données utilisés deviennent des prérequis incontournables.
Comment un CIO peut il mesurer concrètement la qualité des données dans son organisation ?
La première étape consiste à définir des indicateurs de data quality alignés sur les usages métiers, par exemple le taux de complétude, la fraîcheur moyenne ou le nombre d’anomalies détectées. Ces indicateurs doivent être suivis par domaine de données et intégrés dans les tableaux de bord de gouvernance des données, au même titre que les KPI de disponibilité ou de sécurité. Un encadré pratique peut par exemple lister, pour chaque domaine, un objectif de complétude (supérieur à 98 %), un seuil maximal de latence (moins de 15 minutes pour les flux critiques) et un taux d’incidents liés aux données à ne pas dépasser. L’utilisation d’un catalogue de données enrichi de métriques de qualité permet ensuite de rendre ces informations accessibles aux équipes IA et aux métiers.
Faut il choisir entre data mesh et data fabric pour réussir sa gouvernance IA ?
Ces deux approches ne sont pas exclusives, mais répondent à des contextes organisationnels différents et peuvent même être combinées. Un data mesh convient mieux aux organisations déjà structurées par domaines métiers, prêtes à assumer une gouvernance des données distribuée, tandis qu’un data fabric apporte une couche unifiée de data management dans des environnements très hétérogènes. Le CIO doit évaluer la maturité des équipes, la complexité du SI et les priorités d’industrialisation avant de trancher. Dans certains groupes, une approche hybride est retenue : data fabric pour la couche technique transverse, data mesh pour la répartition des responsabilités de gouvernance.
Quels sont les premiers chantiers à lancer pour améliorer la qualité des données avant un projet IA ?
Un bon point de départ consiste à cartographier les sources de données critiques pour le cas d’usage IA ciblé, puis à évaluer leur qualité selon quelques critères simples comme la complétude et la fraîcheur. Sur cette base, le CIO peut lancer des actions ciblées de nettoyage, de normalisation et de sécurisation, tout en définissant des règles de gouvernance des données et des responsabilités claires. Une checklist opérationnelle peut inclure : désigner un owner de données par domaine, documenter les règles de gestion clés, mettre en place des contrôles automatiques sur les champs critiques et suivre un tableau de bord de data quality. L’objectif est de créer un socle de données fiables pour un premier projet, qui servira ensuite de modèle pour les déploiements suivants.
Comment articuler sécurité, conformité et gouvernance des données dans les projets IA ?
La sécurité et la conformité doivent être intégrées dès la conception des projets IA, en lien étroit avec la gouvernance des données. Cela implique de définir des politiques de protection des données, des règles d’accès et des mécanismes de traçabilité adaptés aux données d’entraînement, aux données de référence et aux données produites par les modèles. Dans les secteurs régulés, cette articulation passe aussi par une documentation précise des jeux de données utilisés, des durées de conservation et des mécanismes d’anonymisation. En plaçant ces exigences au même niveau que les choix d’architecture technique, le CIO garantit que les projets IA restent maîtrisés sur toute leur durée de vie.