Aller au contenu
IA11 min

Avant l'IA, vos données : ce qui doit être prêt pour qu'un modèle vous soit utile

Par · cofondateur et Chief Executive Officer de Hábil ·

Comment préparer vos données pour l'intelligence artificielle : cinq questions sur la source, la qualité, la fraîcheur et l'usage, avant de choisir l'outil.

En 1 minute

Une IA reliée à votre entreprise répond avec les données qu'elle trouve. Si les ventes disent une chose dans le système et une autre dans le fichier Excel de la Finance, l'IA ne résout pas l'écart : elle en choisit une, et l'affirme avec la même assurance qu'elle affirmerait la bonne. Avant d'acheter l'outil, un test simple vaut la peine : choisir trois questions que la direction veut poser à l'IA et y répondre à la main. Si deux services arrivent à des réponses différentes, le travail qui manque n'est pas un travail d'IA, c'est un travail de données. Cet article donne cinq questions pour le vérifier.

Imaginez une entreprise qui vend par sa boutique en ligne et dans ses agences. Elle est fictive, mais elle ressemble à beaucoup d'autres. La direction a déjà vu ce que fait une IA avec des documents et veut la même chose pour son activité : demander en langage courant « combien avons-nous vendu hier dans le nord ? », « quel client a cessé d'acheter ? » ou « combien ce client nous doit-il ? », et recevoir la réponse en quelques secondes.

Le fournisseur fait une démo avec des données d'exemple et tout fonctionne. Puis on relie l'IA aux systèmes réels, et la première question donne un chiffre que personne ne reconnaît. Les ventes disent que le nord a vendu davantage. La Finance dit que ce chiffre inclut les retours. L'équipe des systèmes dit que la boutique en ligne est chargée le lendemain. Les trois ont raison, et l'IA n'avait rien pour savoir quelle définition s'appliquait.

Cet article s'adresse à celui ou celle qui va approuver un projet d'IA sur les données de l'entreprise. Il défend une idée : le modèle hérite du désordre des données ; avant de choisir l'IA, chaque question métier a besoin d'une source convenue pour ses données, avec sa date et son historique. Inutile de connaître les modèles pour le vérifier ; il faut savoir d'où vient chaque chiffre.

Pourquoi l'IA ne corrige pas les données : elle les utilise

Une IA de langage est très douée pour comprendre une question et rédiger une réponse. Ce qu'elle ne tranche pas seule, c'est lequel de deux chiffres est le bon, si personne ne lui a donné les règles ni dit quelle source fait foi. Quand elle est reliée aux systèmes de l'entreprise, elle répond avec ce qu'elle y trouve, et si ce qu'elle trouve est incomplet, en double ou en retard, la réponse l'est aussi, bien rédigée.

Le cadre de gestion des risques de l'IA du NIST, l'institut des normes des États-Unis, le range parmi les risques que l'IA apporte par rapport au logiciel traditionnel : les données utilisées pour construire un système peuvent ne pas bien représenter le contexte dans lequel il sera utilisé, et les problèmes de qualité des données peuvent affecter la fiabilité du système [1].

Il en va de même quand l'IA consulte des documents avant de répondre, la technique connue sous le nom de RAG. L'article qui l'a proposée en 2020 la présente justement comme un moyen de donner à un modèle l'accès à une mémoire externe, et cite comme problèmes ouverts des modèles seuls le fait d'indiquer l'origine de leurs réponses et de tenir à jour ce qu'ils savent [2]. RAG aide sur ce point, car l'IA consulte une information externe avant de répondre. Mais ce qu'elle trouve dépend de ce qui existe : si le manuel en vigueur et celui d'il y a deux ans sont dans le même dossier, la recherche peut ramener l'ancien ou laisser flou lequel s'applique. C'est pourquoi il convient de marquer la version en vigueur, de ranger les documents et de vérifier les réponses importantes par rapport à leur source.

La question utile avant un projet d'IA n'est donc pas quel modèle utiliser. C'est de savoir si les données qu'il utilisera peuvent répondre correctement, aujourd'hui, aux questions qu'on va lui poser.

Le test des trois questions

Avant de passer en revue les systèmes, choisissez trois questions que la direction veut poser à l'IA. Qu'elles soient concrètes et quotidiennes, comme celles de l'entreprise de l'exemple. Demandez ensuite à deux services différents d'y répondre à la main, avec les données qu'ils utilisent aujourd'hui, chacun de son côté.

Si les réponses concordent et que chaque service peut dire d'où il tient son chiffre, les données de cette question sont sur la bonne voie. Si elles ne concordent pas, vous avez déjà trouvé le travail qui manque, et vous l'avez trouvé avant de payer l'outil.

Le test peut être fait par l'équipe qui connaît les données aujourd'hui, dans un délai court qui n'interrompt pas l'activité. Et il laisse quelque chose d'utile pour la suite : la liste des données dont chaque question a besoin.

Cinq questions auxquelles vos données doivent répondre

Pour chaque donnée de cette liste, vérifiez cinq choses. Les quatre premières sont des questions de qualité qui réunissent les six dimensions du cadre de qualité des données du gouvernement du Royaume-Uni, reprises de l'association professionnelle DAMA [3]. La cinquième est différente : s'il y a des données personnelles, savoir si l'usage prévu est permis par la loi mexicaine [4].

1. Y a-t-il une seule source pour chaque donnée ?

Si les « ventes du jour » existent dans le système de la boutique en ligne, dans celui des agences et dans un fichier Excel que quelqu'un prépare chaque lundi, l'IA ne sait pas lequel fait foi. Le cadre britannique appelle cohérence le fait que les valeurs qui représentent la même chose ne se contredisent pas [3].

Ce qu'il faut décider n'est pas technique : quelle est la source officielle de chaque donnée et qui en répond. Si cet accord n'existe pas, mieux vaut commencer par là ; c'est le sujet d'un autre article de cette série, Avant de déplacer une donnée, nommez son propriétaire.

2. Est-elle complète et sans doublons ?

Un client qui apparaît trois fois avec trois adresses e-mail différentes est, pour l'IA, trois clients. Un client sans région attribuée n'apparaît pas dans « le nord ». Le cadre britannique sépare les deux : complétude, que tous les enregistrements soient là avec ce qui compte à l'intérieur, et unicité, qu'il y ait un seul enregistrement pour chaque chose représentée [3].

Une façon rapide de commencer : mesurer combien de fiches clients ont vide le champ dont la question a besoin, et chercher les doublons possibles avec des règles convenues — correspondances de nom, d'e-mail, d'identifiant fiscal et d'adresse — avant de les confirmer, car un e-mail ou un identifiant fiscal partagé n'est pas toujours un doublon.

3. Est-elle à jour pour la question qu'on va lui poser ?

« Combien avons-nous vendu hier ? » a besoin des données d'hier. Si la boutique en ligne est chargée le lendemain, la réponse du matin sort incomplète même si chaque donnée est juste. Le cadre britannique appelle actualité le fait que les données reflètent la période qu'elles prétendent représenter et soient à jour [3].

Toutes les questions n'ont pas les mêmes besoins. Les ventes d'hier demandent les données d'hier ; la marge du trimestre s'accommode d'un chargement hebdomadaire. Ce qui compte, c'est que chaque réponse indique de quelle date sont ses données.

4. Est-elle ce qu'elle prétend être ?

Une date de livraison antérieure à celle de la commande, un montant négatif sur une vente normale, un code postal à quatre chiffres. Le cadre britannique appelle validité le fait que la donnée soit dans la plage et le format attendus, et exactitude le fait qu'elle corresponde à la réalité [3]. La validité se vérifie avec des règles. L'exactitude se contrôle, quand c'est nécessaire, avec des preuves de ce qui s'est passé dans l'activité ; comparer avec le système source aide à trouver les écarts et à remonter là où le problème a commencé, mais ne prouve pas que la source soit juste.

C'est là qu'aide une chose que le même cadre recommande : corriger les problèmes à la source et non dans la copie [3]. Si la date est fausse dans le système de commandes, la corriger seulement dans le rapport laisse l'erreur en attente du prochain chargement.

5. Peut-on l'utiliser pour cela ?

Qu'une donnée existe ne veut pas dire qu'on puisse l'utiliser pour n'importe quoi. La loi fédérale mexicaine sur la protection des données personnelles détenues par les particuliers, publiée au Journal officiel le 20 mars 2025, demande au responsable de respecter, entre autres, les principes de finalité, de proportionnalité et de qualité dans le traitement des données personnelles [4].

En pratique, avant de relier l'IA à des données clients, il convient de demander : la finalité pour laquelle elles ont été collectées couvre-t-elle cet usage ? L'IA a-t-elle besoin de la donnée complète ou une partie lui suffit-elle, comme la région au lieu de l'adresse ? Qui peut voir la réponse ? Les réponses viennent de votre service juridique, pas du fournisseur de l'outil ; le projet doit pouvoir les respecter.

Une fiche pour chaque jeu de données

Les cinq réponses servent davantage si elles sont écrites. En apprentissage automatique, il existe une proposition connue pour cela : accompagner chaque jeu de données d'une fiche, comme la fiche technique d'un composant électronique, qui dise pourquoi il a été constitué, ce qu'il contient, comment il a été collecté et à quoi il est recommandé de l'utiliser [5].

Inutile d'avoir le format complet pour commencer. Qui répond de chaque donnée et selon quelles règles se décide dans le travail de gouvernance des données ; si ce n'est pas encore clair, Avant de déplacer une donnée, nommez son propriétaire explique comment s'accorder. Pour préparer une question pour l'IA, une page par donnée qu'elle va utiliser suffit, avec quatre champs :

Une fiche pour chaque jeu de données
ChampExemple (ventes du jour)
Source convenueSystème de commandes ; la boutique en ligne arrive par son propre chargement
À jour auClôture de la veille, chargée à 6 h
Ce qu'elle couvreAgences et boutique en ligne ; les retours sont à part, marqués comme tels
Usage prévuRapports internes et réponses à la direction ; sans données clients

Données inventées pour illustrer le format.

Avec cette page, quand l'IA répond, quelqu'un peut dire d'où vient le chiffre et de quelle date il est. Sans elle, la discussion de la réunion se répète, avec l'IA au milieu cette fois.

Les signes que vos données ne sont pas encore prêtes

  • Deux services arrivent en réunion avec des chiffres différents pour la même question.
  • Personne ne peut dire, sans chercher, de quel système vient un chiffre du tableau de bord.
  • Le rapport important se prépare à la main et une seule personne sait le faire.
  • Les erreurs se corrigent dans le fichier Excel et non dans le système où elles sont nées.
  • Rien n'est écrit sur les données clients qu'on peut utiliser et dans quel but.

Ces signes n'écartent pas à eux seuls l'usage de l'IA : ils indiquent par où commencer.

Cinq questions pour votre prochain comité

  1. Quelles sont les trois questions que nous voulons poser à l'IA, et qui y a répondu à la main ?
  2. Quelle est la source officielle de chaque donnée dont elles ont besoin, et qui en répond ?
  3. De quelle date sont les données avec lesquelles elle répondrait, et est-ce suffisant pour la question ?
  4. Quelles données clients utiliserait-elle, dans quel but, et qui l'a vérifié ?
  5. Si l'IA donne un chiffre que personne ne reconnaît, comment savoir d'où il vient ?

Par où commencer cette semaine

Choisissez les trois questions et demandez à deux services d'y répondre séparément. Notez, pour chaque chiffre, de quel système il vient et de quelle date il est. S'ils concordent, vous avez un bon premier test pour un pilote d'IA ; sinon, vous avez la liste de ce qu'il faut mettre en ordre avant.

Quand viendra le moment de tester l'IA, l'article Le pilote d'IA a brillé en démo explique comment mesurer s'il est utile ; et si le doute porte sur la technique, RAG ou fine-tuning ? explique laquelle convient à chaque cas.

Ce que fait Hábil

Chez Hábil, nous mettons en ordre les données de l'entreprise et nous y relions l'IA, dans cet ordre.

Si vos chiffres ne concordent pas d'un service à l'autre, la proposition se trouve dans Hábil Lake, la plateforme de données de votre entreprise. Il réunit en un seul endroit les données de vos systèmes, avec tout leur historique et déjà organisées. À chaque chargement, il les rapproche — il les fait concorder — du système d'où elles viennent, si bien que la Direction, la Finance et le Commercial arrivent en réunion avec le même chiffre et que chacun peut voir d'où il vient.

Il conserve les données dans des formats ouverts et s'exécute dans votre infrastructure ou dans la nôtre, avec Hábil en charge de l'exploitation.

Quand les données répondent déjà bien, Hábil AI y relie l'IA : elle répond avec vos données réelles, avec des permissions et un journal, et consulte vos documents avant de répondre. Ils se contractent séparément : vous pouvez commencer par celui qui résout votre problème d'aujourd'hui.

La conversation peut commencer avec vos trois questions et ce que chaque service a répondu, même si cela ne concorde pas. Avec cela, nous voyons ensemble quelles données manquent, lesquelles il faut mettre en ordre et s'il convient de commencer par les données ou par l'IA. Écrivez-nous sur WhatsApp ; pour protéger vos informations, ne partagez pas par ce canal de données sur vos clients ni sur vos systèmes : nous conviendrons dans la conversation du canal adapté au cas.

Demandez votre première conversation, sans frais.

Consultées le 18 novembre 2026. Chaque référence porte son niveau de confiance : élevé (source primaire lue).

Références

  1. NIST, « Artificial Intelligence Risk Management Framework (AI RMF 1.0) » (NIST AI 100-1, janvier 2023), annexe B, parmi les risques nouveaux ou accrus de l'IA par rapport au logiciel traditionnel : « The data used for building an AI system may not be a true or appropriate representation of the context or intended use of the AI system » et « harmful bias and other data quality issues can affect AI system trustworthiness ». D'usage volontaire. Ouverte en direct le 18-nov-2026. Confiance : élevée. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
  2. Lewis, P. et al., « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks » (2020), résumé : « providing provenance for their decisions and updating their world knowledge remain open research problems », et la proposition de combiner le modèle avec une mémoire externe (« explicit non-parametric memory »). Ouverte en direct le 18-nov-2026. Confiance : élevée. https://arxiv.org/abs/2005.11401
  3. Government Data Quality Hub (Royaume-Uni), « The Government Data Quality Framework », section des six dimensions de qualité « as defined by DAMA UK » : « Accuracy describes the degree to which data matches reality » ; « Completeness describes the degree to which records are present » ; « Uniqueness describes the degree to which there is no duplication in records » ; « Consistency describes the degree to which values in a data set do not contradict other values representing the same entity » ; « Timeliness describes the degree to which the data is an accurate reflection of the period that they represent, and that the data and its values are up to date » ; « Validity describes the degree to which the data is in the range and format expected ». Il recommande de traiter les problèmes « at source ». Ouverte en direct le 18-nov-2026. Confiance : élevée. https://www.gov.uk/government/publications/the-government-data-quality-framework/the-government-data-quality-framework
  4. Chambre des députés (Mexique), « Ley Federal de Protección de Datos Personales en Posesión de los Particulares », « Nueva Ley publicada en el Diario Oficial de la Federación el 20 de marzo de 2025 » ; dernière réforme publiée au Journal officiel le 14-11-2025. Article 5 : « El responsable deberá observar los principios de licitud, finalidad, lealtad, consentimiento, calidad, proporcionalidad, información y responsabilidad en el tratamiento de datos personales » (le responsable doit respecter les principes de licéité, finalité, loyauté, consentement, qualité, proportionnalité, information et responsabilité). Ouverte en direct le 18-nov-2026. Confiance : élevée. https://www.diputados.gob.mx/LeyesBiblio/pdf/LFPDPPP.pdf
  5. Gebru, T. et al., « Datasheets for Datasets » (2018), résumé : « we propose that every dataset be accompanied with a datasheet that documents its motivation, composition, collection process, recommended uses, and so on », par analogie avec les fiches techniques des composants électroniques. Ouverte en direct le 18-nov-2026. Confiance : élevée. https://arxiv.org/abs/1803.09010

Votre activité fait face à ces défis ?

Parlons de votre cas

Vous préférez l'e-mail ? Écrivez-nous à hola@habil.mx