Aller au contenu

Vos données sont-elles vraiment prêtes pour l’IA?

2026.11.17
Conseil en gestion et accompagnement stratégique
7 min. de lecture

Vous avez trouvé le cas d’usage, vous savez où l’intelligence artificielle pourrait vous faire gagner du temps, automatiser certaines tâches ou améliorer vos décisions.

Il ne reste plus qu’à choisir la technologie et à lancer le projet.

Pause, ce n’est pas tout à fait vrai.

Avant de parler de modèles, d’agents ou d’architecture, il y a une question beaucoup moins spectaculaire, mais autrement plus importante :

Pouvez-vous faire confiance aux données qui alimenteront votre IA?

Parce que l’intelligence artificielle peut analyser vos données à une vitesse impressionnante, détecter des tendances et produire des résultats en quelques secondes. Cependant, elle ne peut pas rendre fiables des données qui ne le sont pas.

Et ce constat ne se limite pas à l’IA, il vaut tout autant pour le BI et, plus largement, pour toute initiative reposant sur vos données.

Quand un petit problème de données devient un grand problème d’IA

Si vous regardez vos données client, vous pourriez voir ces exemples de problème et leur impact :

  • Un même client est doublé, on compte donc quatre clients au lieu de trois dans les tableaux de bord.
  • Une adresse est manquante, le voisin de notre client reçoit notre offre (ou pire, ses données personnelles).
  • « Sherbrooke » est écrit de plusieurs façons, les statistiques par ville sont faussées.
  • Une date de naissance indique une année future, notre IA exclue cette donnée.
  • Chaque équipe s'est créé ses propres indicateurs, les différents totaux n'arrivent pas aux mêmes résultats.

Dans un tableau de bord, ces problèmes peuvent déjà créer de mauvais indicateurs, des catégories incohérentes et des résultats différents d'une équipe à l’autre. Avec l’IA, ils peuvent aussi influencer les prédictions, les recommandations ou les réponses produites par le modèle. Bref, vos données peuvent vous envoyer sur une mauvaise piste, vous faire perdre du temps, de l’énergie et de l’argent.

Le risque devient plus difficile à détecter avec l’IA : un résultat convaincant n’est pas nécessairement un résultat fiable.

« Un modèle a comme tâche de donner la meilleure réponse selon son entraînement et ses données sources. Il donnera donc une réponse même si sa confiance est peu élevée. » Sébastien Fleury, COFOMO

Autrement dit, ce n’est pas parce qu’une IA vous donne une réponse claire et bien formulée que les données derrière cette réponse sont suffisamment fiables pour qu’on le croit sans validation.

Votre IA ne connaît que la réalité que vous lui montrez.

Prenons un cas concret rencontré dans un projet de crédit.

Une organisation souhaite utiliser l’IA pour prévoir le risque associé à une demande d’avance de fonds. Elle possède des données historiques sur ses clients et ses décisions de crédit.

Il y a cependant un problème : elle conserve principalement les demandes acceptées.

Le modèle peut donc apprendre à reconnaître les caractéristiques des dossiers acceptés, mais dispose de beaucoup moins d’information sur les facteurs ayant mené aux refus. On lui demande, en quelque sorte, de comprendre toute l’histoire alors qu’on ne lui en raconte qu’une partie.

La quantité de données ne suffit donc pas :

« Avant d’investir dans un cas d’usage, il faut savoir quelles données on utilise (données indispensables), d’où elles viennent (disponibilité), dans quel état elles sont (niveau de qualité), ce qu’elles signifient (définitions métiers) et qui en est responsable (propriétaire du domaine de données). » Yassine Laadidi, COFOMO

Les signes sont souvent déjà là.

Vous n’avez pas nécessairement besoin de lancer un projet d’IA pour découvrir que vos données présentent certaines fragilités.

Posez-vous plutôt quelques questions :

  • Vos équipes corrigent-elles régulièrement les données manuellement avant de les utiliser?
  • Deux directions obtiennent-elles des résultats différents pour le même indicateur?
  • Existe-t-il plusieurs sources pour une même information sans qu’une source officielle soit clairement identifiée?
  • Vos données sont-elles peu documentées?
  • Certaines informations essentielles sont-elles fréquemment manquantes?

Ces situations sont déjà familières en intelligence d’affaires : KPI contradictoires, corrections manuelles, chargements problématiques et perte de confiance envers les tableaux de bord.

L’IA ne crée pas nécessairement ces problèmes, elle peut toutefois les amplifier.

Toutes les IA dépendent de leurs données.

Les conséquences varient aussi selon l’usage.

Une IA prédictive repose fortement sur la qualité et la représentativité des données historiques utilisées pour développer ses modèles.

Une IA générative, notamment lorsqu’elle utilise une architecture RAG (Retrieval-Augmented Generation), dépend de la qualité des informations auxquelles on lui donne accès.

Et avec une IA agentique, l’enjeu va encore plus loin : une mauvaise information peut influencer non seulement une réponse, mais potentiellement une décision ou une action exécutée par l’agent.

Plus l’IA intervient dans une décision importante, plus le niveau de confiance attendu envers les données devrait être élevé.

Faut-il attendre d’avoir des données parfaites?

Non, et heureusement !

Chercher à rendre toutes les données de l’organisation impeccables avant de commencer risque surtout de transformer votre initiative en chantier interminable.

L’approche la plus pragmatique consiste plutôt de partir d’un cas d’usage précis.

Quelles données sont réellement nécessaires? Sont-elles suffisamment fiables? D’où viennent-elles? Sont-elles représentatives? Et quelles seraient les conséquences si elles étaient erronées?

Un prototype ou un projet pilote, validé par les employés qui connaissent bien le contexte d’affaires, peut donc permettre de révéler certaines lacunes avant d’aller plus loin.

« Il est préférable de travailler sur une quantité limitée de données de haute qualité qu’une grande quantité de données peu fiable. » Sébastien Fleury, COFOMO

Avant de demander à l’IA, questionnez vos données

C’est ici que la gouvernance des données et de l’IA devient particulièrement importante.

Documenter les sources et leurs transformations, clarifier les responsabilités, établir des définitions communes et mesurer la qualité des données critiques permet de bâtir des fondations plus solides pour l’IA.

Avant votre prochain projet, Yassine Laadidi vous rappelle de débuter par cinq questions :

  1. Avons-nous les bonnes données pour notre cas d’usage?
  2. Savons-nous d’où elles viennent?
  3. Sont-elles suffisamment fiables et représentatives?
  4. Les équipes s’entendent-elles sur leur signification?
  5. Savons-nous qui en est responsable?

L’objectif n’est pas d’avoir des données parfaites partout.

Il est de savoir quelles données comptent réellement pour votre projet, dans quel état elles se trouvent et jusqu’à quel point vous pouvez leur faire confiance.

Car avant de choisir ce que votre IA pourra faire, mieux vaut savoir sur quoi elle pourra réellement compter.

Vous avez un projet ?

Explorez d'autres perspectives pour aller plus loin avec vos données.

À propos de COFOMO

Reconnue depuis 30 ans pour l’excellence de ses experts, COFOMO est aujourd’hui une firme canadienne incontournable en transformation numérique et en intelligence artificielle. Du conseil stratégique à l’architecture de solutions, jusqu’au soutien aux opérations, nous sommes la force motrice derrière les projets qui propulsent la productivité, la compétitivité et la croissance des organisations ambitieuses.