Le problème que personne ne veut admettre : les données de la plupart des entreprises ne sont pas prêtes pour l’IA
Gartner prévoit que, d’ici fin 2026, les organisations abandonneront 60 % des projets d’IA qui ne s’appuient pas sur des données prêtes pour l’IA, et 63 % d’entre elles ne savent pas avec certitude si elles gèrent leurs données comme l’IA l’exige (Gartner). La cause la plus fréquente n’est ni le choix d’un mauvais algorithme ni le manque de puissance de calcul : c’est la mauvaise qualité des données d’entrée.
Pour les entreprises qui envisagent des initiatives d’IA, ou qui y ont déjà investi sans obtenir les résultats attendus, la qualité des données est le point de départ obligé. Sans données fiables, les modèles d’IA apprennent des schémas erronés, et leurs prédictions sont au mieux peu utiles, au pire franchement nuisibles à la prise de décision.
Ce que recouvre précisément une « mauvaise qualité des données »
Les problèmes de qualité des données prennent de nombreuses formes, et chacune a des conséquences différentes sur les modèles d’IA :
Données incomplètes : des enregistrements dont des champs sont vides ou nuls sur des variables critiques. Un modèle de prévision de la demande entraîné sur un historique où manquent les ventes de saisons entières apprendra des schémas erronés.
Données en double : un même client enregistré sous plusieurs graphies de son nom, une même commande enregistrée deux fois à la suite d’erreurs système. Les doublons gonflent artificiellement les indicateurs et faussent les schémas que le modèle cherche à apprendre.
Données incohérentes : une même grandeur exprimée dans des unités différentes selon les sources (kilos et tonnes, euros et milliers d’euros), des catégories dont la nomenclature a changé au fil du temps sans harmonisation de l’historique.
Données obsolètes : des enregistrements exacts au moment de leur saisie mais qui ne reflètent plus la réalité (clients aux adresses anciennes, produits retirés du catalogue sans mise à jour).
Valeurs aberrantes non vérifiées : des données qui peuvent être des erreurs de saisie ou des événements réels exceptionnels. Sans processus de validation, il est impossible de distinguer les unes des autres.
La démarche d’amélioration de la qualité des données
Chez AIRES, nous appliquons une démarche structurée en quatre phases pour amener les données des entreprises au niveau de fiabilité qu’exigent les projets d’IA :
Phase 1 — Audit de la qualité : analyse approfondie de toutes les sources de données utiles au projet. Mesure des indicateurs de qualité : complétude, unicité, cohérence, validité et fraîcheur. Le résultat est un diagnostic qui précise la gravité des problèmes identifiés.
Phase 2 — Conception du plan d’amélioration : tous les problèmes de qualité n’ont pas le même impact sur les modèles d’IA. Nous priorisons les améliorations selon leur effet attendu sur les résultats du projet, en distinguant ce qui peut être corrigé techniquement de ce qui exige de modifier les processus de saisie des données.
Phase 3 — Mise en place des pipelines de nettoyage : des scripts et des traitements automatisés qui transforment les données brutes en jeux de données validés et documentés. Ces transformations sont reproductibles et auditables : chaque modification est tracée.
Phase 4 — Surveillance continue : la qualité des données n’est pas un état que l’on atteint une fois pour toutes. Les nouvelles données qui arrivent chaque jour peuvent introduire de nouveaux problèmes. Nous mettons en place des alertes et des tableaux de bord qui détectent les dégradations de qualité avant qu’elles n’affectent les modèles en production.
Pourquoi la qualité des données est un investissement, et non un coût
Les entreprises qui investissent dans la qualité des données avant de construire des modèles d’IA obtiennent des résultats bien plus rapidement, avec moins d’itérations correctives. Corriger des problèmes de données une fois le modèle en production, alors qu’il a pris de mauvaises décisions pendant des semaines ou des mois, coûte nettement plus cher que de les résoudre avant l’entraînement.
En outre, le dispositif de qualité des données construit pour un projet d’IA profite à l’ensemble de l’analytique de l’entreprise : les mêmes données nettoyées et validées améliorent les rapports, les tableaux de bord et toute autre analyse qui repose sur ces sources.
Questions fréquentes
Combien de temps prend une démarche d’amélioration de la qualité des données ?
Cela dépend du volume de données et de la gravité des problèmes constatés. Le périmètre est défini à l’issue d’un audit initial qui fixe les priorités et le plan d’action.
Peut-on améliorer la qualité des données sans changer nos systèmes actuels ?
Dans bien des cas, oui. Il est possible de construire des couches de transformation qui corrigent les problèmes en aval, sans modifier les systèmes sources. En revanche, si les problèmes de qualité naissent dans les processus de saisie, il faudra aussi intervenir sur les systèmes sources pour que l’amélioration soit durable.
Quel niveau de qualité des données faut-il pour lancer un projet d’IA ?
Il n’existe pas de seuil universel : tout dépend du type de modèle et de l’usage qui en sera fait. Ce qui est certain, c’est que plus l’historique est complet et cohérent, meilleurs sont les résultats de l’entraînement. L’audit initial permet d’évaluer si les données existantes suffisent pour démarrer ou si une période d’amélioration préalable est nécessaire.