DANS CET ARTICLE

01 — Pourquoi les projets d'IA échouent sur leurs fondations

02 — Construire des données fiables

03 — Rendre l'information exploitable par l'IA

04 — Gouverner les accès et évaluer les résultats

05 —  Par où commencer ?

L'intelligence artificielle ne corrige pas les faiblesses de vos données

Les organisations investissent dans des modèles d'IA toujours plus puissants, développent des assistants conversationnels, expérimentent des architectures RAG et envisagent le déploiement d'agents capables d'exécuter des tâches complexes. Pourtant, la sophistication des modèles ne garantit pas la fiabilité des résultats.

Une IA alimentée par des données inexactes, obsolètes, incohérentes ou peu accessibles risque de produire des réponses incomplètes,  ou inadaptées aux besoins de l'organisation. Le problème ne réside donc pas nécessairement dans la performance du modèle. Il peut provenir des fondations informationnelles sur lesquelles repose le système.

Avant de chercher une IA plus intelligente, assurez-vous qu'elle puisse s'appuyer sur des données fiables. Cette exigence conduit à une question fondamentale :

Votre organisation possède-t-elle les données, les mécanismes de contrôle et les capacités nécessaires pour exploiter l'intelligence artificielle avec confiance ?

La préparation des données à l'IA repose sur trois conditions complémentaires :

• Construire des fondations de données fiables.
• Rendre l'information accessible et exploitable par les systèmes d'IA.
• Gouverner les accès et évaluer continuellement la qualité des résultats.

Ces conditions doivent être adaptées aux usages envisagés, à la sensibilité des informations et au niveau de maturité de l'organisation.

1. Pourquoi les projets d'IA échouent parfois sur leurs fondations

Un projet d'intelligence artificielle peut être techniquement prometteur tout en rencontrant des difficultés lors de son déploiement opérationnel. L'organisation peut disposer d'un modèle performant, d'une infrastructure adaptée et d'une équipe technique compétente, sans obtenir les résultats attendus. Plusieurs situations peuvent expliquer cet écart :

• Des données dispersées : Les informations nécessaires peuvent être réparties entre plusieurs applications, bases de données, fichiers et espaces documentaires. Cette fragmentation complique leur identification, leur rapprochement et leur exploitation.
• Des informations insuffisamment fiables : Les données peuvent contenir des doublons, des valeurs manquantes, des incohérences ou des informations obsolètes. Ces anomalies risquent d'affecter les analyses et les réponses produites par les systèmes d'IA.
• Des définitions métier ambiguës : Une même notion peut être interprétée différemment selon les départements. Sans définitions partagées, les systèmes peuvent exploiter des informations dont le sens varie selon les sources.
• Des accès insuffisamment maîtrisés : Un système d'IA peut être capable de retrouver une information sans que l'utilisateur qui l'interroge soit nécessairement autorisé à y accéder. Cette situation constitue un risque de confidentialité et de conformité.
• Une absence d'évaluation continue : Un système peut fonctionner correctement lors des premiers tests, puis perdre en pertinence lorsque les données ou les besoins métier évoluent. Sans mécanisme d'évaluation, ces dégradations peuvent passer inaperçues.

La préparation à l'IA ne commence pas par le choix du modèle. Elle commence par la compréhension data et des exigences du cas d'usage.

2. Première condition — Construire des fondations de données fiables

La qualité des données constitue une condition essentielle de la réussite des usages d'IA. Mais cette qualité ne doit pas être envisagée uniquement comme une opération ponctuelle de nettoyage. Elle nécessite une démarche structurée de compréhension, de contrôle et d'amélioration.

2.1. Comprendre les données disponibles

Avant toute exploitation, l'organisation doit identifier les sources pertinentes et comprendre leur contenu. Cette démarche peut inclure :

• L'inventaire des bases de données et des documents.
• L'identification des systèmes sources.
• La description des champs et des structures.
• L'analyse des formats disponibles.
• L'identification des responsables des données.
• La documentation des dates de mise à jour et des règles d'utilisation.
• Les dictionnaires de données, catalogues, glossaires métier et métadonnées permettent de formaliser cette compréhension.

2.2. Évaluer la qualité des données

Une analyse de qualité, ou data profiling, permet d'identifier les anomalies susceptibles de compromettre l'utilisation des informations. Elle peut notamment porter sur :

• La complétude : les informations indispensables sont-elles présentes ?
• L'exactitude : les données reflètent-elles correctement la réalité ?
• La cohérence : les valeurs sont-elles compatibles entre les différentes sources ?
• L'unicité : existe-t-il des doublons indésirables ?
• L'actualité : les informations sont-elles suffisamment récentes ?
• La validité : les valeurs respectent-elles les formats et règles métier attendus ?

Les exigences doivent être définies selon la criticité des usages. Une donnée utilisée pour répondre à une question générale ne présente pas nécessairement les mêmes exigences qu'une information mobilisée dans une décision financière ou réglementaire.

2.3. Corriger et prévenir les anomalies

La correction des erreurs existantes est nécessaire, mais elle ne suffit pas. L'organisation doit également comprendre les causes des anomalies et intégrer des contrôles dans les processus qui produisent les données. Cela peut nécessiter :

• La standardisation des formats.
• La suppression ou la résolution des doublons.
• La correction des valeurs incohérentes.
• La mise en place de règles de validation.
• L'automatisation de certains contrôles.
• Le suivi des anomalies et des actions correctives.

Des outils comme SQL, dbt, Great Expectations ou Soda peuvent contribuer à industrialiser ces contrôles selon l'architecture retenue.

L'objectif n'est pas de disposer de données parfaites, mais de données assez fiables, comprises et maîtrisées pour les usages d'IA envisagés.

3. Deuxième condition — Rendre l'information accessible et exploitable par l'IA

Une donnée fiable ne crée pas automatiquement de valeur si les systèmes d'intelligence artificielle ne peuvent pas l'exploiter correctement. L'accessibilité constitue donc une deuxième dimension fondamentale. Cependant, les modalités de préparation diffèrent selon la nature des informations et les usages recherchés.

3.1. Distinguer données structurées et données documentaires

Les données structurées sont généralement organisées dans des bases relationnelles, des entrepôts de données ou des applications métier. Elles comprennent notamment les transactions, les clients, les produits, les commandes et les indicateurs financiers. Elles peuvent être exploitées à travers des requêtes, des modèles analytiques ou des interfaces contrôlées.

Les données documentaires, quant à elles, regroupent les procédures, contrats, rapports, politiques internes, manuels et autres documents. Elles nécessitent souvent des mécanismes spécifiques de recherche, d'indexation et de récupération de l'information.

Préparer les données pour l'IA ne signifie donc pas appliquer une architecture unique à toutes les sources. La solution doit être adaptée au type de données, aux questions posées et aux contraintes de l'organisation.

3.2. Comprendre le rôle du RAG

Le RAG, ou Retrieval-Augmented Generation, est une approche qui permet à un modèle de langage de s'appuyer sur des informations récupérées dans des sources documentaires ou d'autres référentiels. Contrairement à une approche reposant uniquement sur les connaissances intégrées au modèle, le RAG introduit une étape de recherche d'informations pertinentes. Son fonctionnement peut être représenté ainsi :

DOCUMENTS → PRÉPARATION → INDEXATION → RECHERCHE → CONTEXTE → GÉNÉRATION

Les documents sont d'abord préparés et organisés. Ils peuvent ensuite être découpés en unités cohérentes, appelées chunks, afin de faciliter leur recherche. Ces fragments peuvent être représentés sous forme de vecteurs numériques, appelés embeddings, puis stockés dans un index adapté. Lorsqu'un utilisateur pose une question, le système recherche les informations pertinentes et les transmet au modèle pour l'aider à produire une réponse contextualisée.

Cette architecture peut améliorer l'accès à la connaissance interne, mais elle ne garantit pas automatiquement l'exactitude des réponses.

3.3. Préserver le sens et le contexte des documents

Le découpage documentaire constitue une étape importante. Des fragments trop courts peuvent perdre leur contexte, tandis que des fragments trop longs peuvent compliquer la recherche des passages pertinents. Le découpage doit donc tenir compte de la structure des documents : titres, sections, paragraphes, tableaux et relations entre les informations.

Les métadonnées jouent également un rôle essentiel. Elles peuvent préciser :

• Le document source.
• Sa version.
• Sa date de mise à jour.
• Son propriétaire.
• Sa catégorie métier.
• Son niveau de confidentialité.

Ces informations facilitent la recherche, la traçabilité et le contrôle des résultats.

3.4. Maintenir les informations à jour

Une base documentaire correctement indexée peut devenir progressivement obsolète si les documents sources évoluent sans que les index soient actualisés. L'organisation doit donc prévoir des mécanismes de synchronisation adaptés. Selon les sources, cela peut reposer sur des traitements planifiés, des événements applicatifs ou des techniques de capture des changements, telles que le Change Data Capture (CDC).

Des outils comme LlamaIndex, LangChain, des moteurs de recherche vectorielle ou des plateformes de traitement de données peuvent intervenir dans ces architectures. Leur sélection dépend des besoins, des contraintes techniques et des exigences de sécurité.

Une IA ne doit pas seulement retrouver une information. Elle doit retrouver la bonne information, dans sa version pertinente et dans un contexte compréhensible.

4. Troisième condition — Gouverner les accès et évaluer les résultats

La préparation des données à l'intelligence artificielle ne s'arrête pas à leur qualité ou à leur accessibilité. L'organisation doit également maîtriser les conditions dans lesquelles les informations sont utilisées et vérifier la fiabilité des résultats produits. Cette troisième condition articule gouvernance, sécurité et évaluation.

4.1. Contrôler les droits d'accès

Un assistant IA peut interroger plusieurs sources internes. Mais toutes les informations ne doivent pas être accessibles à tous les utilisateurs. Les règles d'autorisation doivent donc être appliquées au processus de recherche et de restitution.Une approche de permission-aware retrieval consiste à tenir compte des habilitations de l'utilisateur lors de la récupération des informations. Un collaborateur ne doit pas pouvoir accéder, par l'intermédiaire d'un assistant IA, à des documents auxquels il n'aurait pas accès dans les systèmes sources.

4.2. Protéger les données personnelles et sensibles

Les documents et bases de données peuvent contenir des informations personnelles, contractuelles ou confidentielles. L'organisation doit déterminer quelles données peuvent être utilisées, dans quelles conditions et avec quelles mesures de protection. Selon les usages, cela peut nécessiter :

• La minimisation des données.
• La classification des informations.
• Le masquage ou la pseudonymisation.
• Le contrôle des accès.
• La sécurisation des traitements.
• La gestion des durées de conservation.
• La traçabilité des opérations.

La détection et le masquage des informations personnelles peuvent être facilités par des outils spécialisés comme Microsoft Presidio. Ces mesures doivent être intégrées dans un dispositif global de gouvernance et de protection des données.

4.3. Évaluer la qualité de la recherche

Dans un système RAG, une réponse incorrecte peut provenir de plusieurs étapes. Le système peut ne pas retrouver le bon document, sélectionner un passage peu pertinent ou transmettre un contexte incomplet au modèle. Il est donc important de distinguer la qualité de la recherche de celle de la génération. L'évaluation de la recherche peut porter sur :

• La pertinence : les passages récupérés répondent-ils réellement à la question ?
• La couverture : les informations nécessaires ont-elles été retrouvées ?
• La précision : le système limite-t-il la récupération de passages inutiles ?
• L'actualité : les informations correspondent-elles aux versions pertinentes des sources ?

4.4. Évaluer la fiabilité des réponses

La qualité d'une réponse générée doit également être examinée. Plusieurs critères peuvent être mobilisés :

• Exactitude : la réponse est-elle correcte au regard d'une référence vérifiée ?
• Fidélité aux sources : les affirmations sont-elles appuyées par les informations récupérées ?
• Pertinence : la réponse traite-t-elle réellement la question posée ?
• Traçabilité : les sources utilisées peuvent-elles être identifiées ?
• Sécurité : la réponse respecte-t-elle les règles d'accès et de confidentialité ?

Des outils comme Ragas, DeepEval ou LangSmith peuvent contribuer à organiser ces évaluations. Toutefois, les évaluations automatisées ne remplacent pas systématiquement les contrôles humains, particulièrement pour les usages sensibles ou à fort impact.

La confiance dans une IA ne repose pas uniquement sur la qualité de ses réponses. Elle dépend également de la capacité à comprendre, contrôler et évaluer la manière dont elles sont produites.

5. Cas illustratif — Un assistant IA dans une institution financière

Prenons le cas d'une institution financière souhaitant déployer un assistant interne permettant aux collaborateurs de consulter les procédures opérationnelles et les politiques de conformité. L'objectif est de faciliter l'accès à l'information, de réduire le temps consacré aux recherches documentaires et d'améliorer la cohérence des réponses apportées aux questions internes.

Situation initiale :

• Les documents sont répartis entre plusieurs espaces de stockage.
• Certaines procédures existent dans plusieurs versions.
• Les droits d'accès varient selon les fonctions.
• Les collaborateurs peuvent rencontrer des difficultés à identifier rapidement la procédure applicable.

Première étape — Fiabiliser les sources

L'institution commence par identifier les documents de référence, leurs responsables et leurs versions applicables. Elle corrige les doublons documentaires, archive les versions obsolètes et formalise les métadonnées nécessaires.

Deuxième étape — Organiser la recherche

Les documents sont préparés et indexés afin de permettre une recherche pertinente. Le système est conçu pour retrouver les passages utiles et fournir des références aux documents sources.

Troisième étape — Gouverner les accès

Les autorisations sont appliquées selon les profils des utilisateurs. Les informations sensibles sont protégées et les règles de confidentialité sont intégrées dans l'architecture.

Quatrième étape — Évaluer les réponses

Un ensemble de questions représentatives est constitué avec l'aide des équipes métier. Les réponses produites sont évaluées selon leur pertinence, leur exactitude, leur fidélité aux sources et leur conformité aux règles d'accès.

Résultat recherché

L'institution peut progressivement construire un assistant capable de faciliter l'accès à une documentation maîtrisée. La valeur attendue ne réside pas uniquement dans la rapidité de génération des réponses. Elle repose sur une meilleure accessibilité de l'information, une réduction des recherches répétitives et une plus grande cohérence dans l'utilisation des procédures.

Ce cas est une illustration pédagogique et ne constitue pas une référence à une mission client réalisée.

6. Par où commencer ? Une feuille de route pragmatique

La préparation des données à l'intelligence artificielle ne nécessite pas nécessairement de transformer immédiatement l'ensemble du système d'information. Une approche progressive permet de concentrer les efforts sur un cas d'usage prioritaire et d'en vérifier la faisabilité.

Étape 1 — Identifier un cas d'usage à valeur métier

Définir le problème à résoudre, les utilisateurs concernés, les résultats attendus et les risques associés.

Étape 2 — Évaluer les données nécessaires

Identifier les sources, leur qualité, leur disponibilité, leurs propriétaires et leurs contraintes d'utilisation.

Étape 3 — Corriger les lacunes critiques

Prioriser les anomalies qui compromettent directement la faisabilité, la sécurité ou la fiabilité du cas d'usage.

Étape 4 — Concevoir une architecture adaptée

Déterminer les mécanismes d'accès, d'intégration, de recherche et de traitement correspondant à la nature des données.

Étape 5 — Mettre en place les contrôles

Définir les règles de sécurité, de confidentialité, de qualité et de traçabilité nécessaires.

Étape 6 — Tester, mesurer et améliorer

Évaluer le système sur des situations représentatives, recueillir les retours des users et ajuster peu à peu les mécanismes de recherche et de génération. Cette démarche permet de limiter les investissements prématurés et de développer les capacités nécessaires au fur et à mesure.

La préparation à l'IA doit être proportionnée aux usages, aux risques et à la maturité réelle de l'organisation.

7. Perspective AURYCS — Construire les fondations avant d'accélérer avec l'IA

La réussite d'un projet d'intelligence artificielle ne se mesure pas uniquement à la sophistication du modèle choisi. Elle dépend de la capacité de l'organisation à mobiliser des données pertinentes, fiables, accessibles et gouvernées. Les technologies de recherche, les modèles de langage et les agents d'IA peuvent apporter des capacités nouvelles.

Mais ces capacités ne remplacent ni la compréhension des données, ni les responsabilités organisationnelles, ni les exigences de qualité et de contrôle. Une démarche cohérente peut se résumer ainsi :

FONDATIONS DATA → CONFIANCE → ACCESSIBILITÉ → IA MAÎTRISÉE → DÉCISION → VALEUR

Cette progression ne constitue pas une succession rigide de projets. Elle rappelle que les usages d'intelligence artificielle doivent s'appuyer sur des fondations adaptées et sur des mécanismes de gouvernance proportionnés à leurs risques. Trois questions avant de lancer un projet d'IA

1. Nos données sont-elles suffisamment fiables et actualisées pour l'usage envisagé ?

2. Notre système peut-il retrouver et exploiter les informations réellement pertinentes ?

3. Les utilisateurs et les systèmes sont-ils autorisés à accéder aux données mobilisées ?

Ces questions permettent d'identifier rapidement les principales conditions de préparation à examiner.

Conclusion — Des données fiables avant une IA plus puissante

Les progrès des modèles d'intelligence artificielle ouvrent des perspectives importantes pour les organisations. Cependant, la performance technologique ne suffit pas à garantir la pertinence, la sécurité ou la valeur des résultats. La qualité des données, leur accessibilité, leur gouvernance et l'évaluation continue constituent des fondations indispensables.

De meilleurs modèles ne corrigent pas automatiquement des données défaillantes ou des processus informationnels mal maîtrisés.

Avant d'accélérer les investissements dans l'IA, les organisations ont donc intérêt à examiner la solidité de leurs fondations Data. C'est sur cette base qu'elles pourront construire des usages plus fiables, plus responsables et davantage créateurs de valeur.