Les données comme carburant de l’IA : par où commencer ?

L’intelligence artificielle occupe aujourd’hui une place démesurée dans les conversations stratégiques des entreprises. À chaque comité de direction, à chaque salon professionnel, la même question revient : « Qu’est-ce qu’on fait avec l’IA ? » Rarement suivie d’une autre, pourtant bien plus importante : « Sur quelles données pour l’IA va-t-elle réellement tourner ? »

Dans un précédent article de 2024, nous rappelions que l’optimisation des processus métiers est une condition non négociable avant toute intégration d’IA. Nous mettons aujourd’hui en avant le rôle central des données pour l’IA : une composante opérationnelle trop souvent négligée, qui conditionne pourtant tout le reste. Nous analyserons pourquoi la donnée est l’un des déterminants du succès, mais également comment sa collecte se construit, étape par étape, au cœur de vos processus.

Ce que l’IA fait bien net ce qu’on lui demande à tort

Commençons par dissiper un malentendu fondamental : l’IA n’est pas intelligente au sens où nous l’entendons.

• Elle ne raisonne pas.
• Elle ne comprend pas.
• Elle met en relation des jeux de données à une vitesse et une échelle que l’humain ne peut pas atteindre. C’est déjà considérable mais c’est radicalement différent.

Ce que l’IA excelle à faire : détecter des patterns répétitifs dans de larges volumes de données structurées, classer et prioriser selon des critères historisés, générer des prédictions dans un espace de possibilités bien délimité, automatiser des tâches à haute fréquence avec une cohérence que l’humain ne peut pas maintenir sur la durée.

Ce qu’on lui demande à tort : raisonner avec des données incomplètes ou contradictoires, intégrer des signaux faibles jamais formalisés l’intuition du commercial senior, la tension perceptible dans une relation client, la qualité d’exécution qu’un chef de projet ressent sans pouvoir la mesurer ou encore gérer les exceptions qui représentent souvent 20 % des volumes mais 80 % de la valeur opérationnelle.

La conclusion pratique est implacable : l’IA amplifie ce qui existe. Si les données d’entrée sont lacunaires, le modèle sera brillamment précis sur le mauvais problème. Si le processus est mal défini, l’IA le reproduira à une échelle industrielle défauts compris.

Pourquoi les données pour l’IA se construisent étape par étape

On parle beaucoup de « qualité de la donnée ». Mais cette expression reste trop souvent abstraite. La réalité est plus concrète : la donnée naît d’une action, à un instant précis, dans une étape précise d’un processus. C’est là qu’il faut regarder pas dans les bases de données en bout de chaîne.

Chaque étape est un point de collecte potentiel

Un processus, c’est une succession d’étapes. À chacune, quelqu’un fait quelque chose : valide, saisit, transmet, décide, ajuste. Chacun de ces gestes est une opportunité de produire de la donnée utile ou de laisser passer une information qui ne sera jamais enregistrée.

C’est pourquoi cartographier un processus étape par étape n’est pas un exercice de documentation : c’est une cartographie des sources de données potentielles. En identifiant précisément ce qui se passe à chaque nœud qui intervient, avec quoi, dans quel délai, selon quelle règle, on révèle ce qui peut être mesuré, tracé, et éventuellement automatisé ou confié à un modèle IA.

Les signaux absents de vos données pour l’IA

Une grande partie de l’intelligence opérationnelle d’une organisation n’est pas stockée dans des bases de données. Elle est dans les têtes, dans les ajustements tacites que les équipes font au quotidien pour compenser les lacunes des processus formels.

Ces signaux faibles non enregistrés n’existent pas comme données parce que personne n’a décidé de les capturer. Pourtant, ils représentent souvent l’essentiel de la valeur réelle d’un processus les micro-décisions qui font la différence entre une bonne et une mauvaise exécution. Lorsqu’on décompose un processus étape par étape et qu’on interroge les équipes sur ce qu’elles font vraiment (et pas seulement sur ce que le process officiel prévoit), ces signaux remontent. Et c’est là qu’on décide de les enregistrer ou de continuer à les perdre.

Le piège des données non structurées

Les emails, comptes-rendus, conversations clients, documents PDF cette masse est souvent citée comme un gisement pour l’IA. Et c’est vrai, sous une condition : que quelqu’un ait défini comment les interpréter, et à quelle étape du processus ils s’inscrivent. Sans ce cadrage, le modèle extraira des patterns mais personne ne pourra garantir leur pertinence. Le bruit sera traité comme du signal.

Concrètement, par où commencer ?  

Face à ces enjeux, une question pratique se pose rapidement : par où commencer ? Tous les processus et, par extension, toutes les optimisations de collecte de données, ne sont pas égaux face à l’automatisation ou à l’IA, et tenter de tout adresser en même temps est une erreur classique.

Il n’existe pas de solution miracle pour aborder le sujet, tant celui-ci est vaste et les organisations dans lesquelles nous cherchons à le travailler, complexes. Nous proposons généralement à nos clients de débuter pragmatiquement par une revue des éléments de travail pour lesquels une optimisation par l’IA est souhaitée. Cette revue doit avoir pour but de rationaliser et d’aligner les vues sur l’intérêt et la faisabilité réelle d’un travail en ce sens, avec comme étape intermédiaire une logique d’automatisation et de structuration du flux de données. Pour avancer simplement, nous suggérons généralement une revue de chaque périmètre impacté selon les axes suivants :

Qui est partie prenante du processus étudié ?

Un processus porté par une seule personne est, par définition, non standardisé : il vit dans sa tête, et sa reproductibilité dépend entièrement de sa présence. Plus le processus implique d’acteurs équipes, directions, partenaires externes, plus la standardisation devient nécessaire, et plus les gains de l’automatisation se démultiplient.

À quelle fréquence est-il exécuté ?

La fréquence est le premier critère de ROI. Un processus occasionnel ne justifie pas l’investissement. Un processus permanent, en revanche, représente une charge continue que l’automatisation peut absorber de façon cohérente à condition que sa répétabilité soit réelle, et pas seulement apparente.

Quelle est sa complexité réelle ?

C’est la dimension la plus piégeuse, et la plus importante à bien définir.

• Un processus simple est celui que n’importe qui peut exécuter sans formation particulière : les règles sont claires, les cas d’exception rares, la marge d’interprétation quasi nulle.
• Un processus de complexité intermédiaire requiert une formation et une connaissance des outils. Un processus complexe exige de l’expérience terrain : savoir lire une situation, arbitrer entre des règles contradictoires, gérer des cas non documentés.

Cette distinction est cruciale car la complexité non maîtrisée est souvent le symptôme d’un processus mal défini et l’IA ne résoudra pas ce problème, elle le cristallisera.

Combien d’outils sont impliqués pour sa réalisation ?

Paradoxalement, un processus sans outil dédié est souvent une bonne nouvelle : c’est carte blanche. On peut choisir l’outil le mieux adapté, concevoir le flux de données dès le départ, sans avoir à composer avec des contraintes héritées. À l’inverse, dès qu’un processus mobilise plusieurs systèmes, les risques de doublons, d’incohérences et de données silotées augmentent significativement et le chantier d’intégration précède nécessairement tout projet IA. Un cas particulier mérite d’être signalé : la présence d’Excel (ou de tout tableur) dans le circuit freine presque toujours l’automatisation. Ces fichiers s’intègrent très mal dans les flux automatisés, portent souvent une logique métier invisible et non documentée, et constituent un point de rupture récurrent dans les projets de transformation.

En pratique

Ce type d’évaluation peut tout à fait être conduit en interne et doit avoir pour but d’objectiver et de rationnaliser certains choix avec les équipes métier. L’une des approches les plus efficientes consiste à évaluer avec les métiers le potentiel de chaque processus et périmètre à l’aide de cartes d’évaluation, durant des ateliers de travail dédiés. Idéalement, ces outils d’évaluation seront articulés autour des 4 axes présentés ci-avant pour tenir compte de toutes les subtilités du sujet.

Cette approche, simple et pragmatique, crée un langage commun entre les équipes métier, la DSI et les décideurs. C’est une condition indispensable pour que les projets IA ne restent pas des projets technologiques déconnectés du terrain. Elle permet généralement de poser des fondations solides à une réflexion IA, en orientant les efforts liés à la collecte et à la standardisation des flux de données vers les éléments métiers sur lesquels les évolutions auront ensuite le plus d’impact.

Avant de demander à l’IA d’être intelligente, donnez-lui de quoi réfléchir

L’enthousiasme pour l’IA est légitime. Les possibilités sont réelles. Mais la valeur d’un modèle est strictement bornée par la qualité de ce qu’on lui donne à traiter et par la clarté de ce qu’on lui demande de faire.

Ces trois questions définissent la maturité de vos données pour l’IA avant tout choix de technologie, de plateforme ou de fournisseur :

• Est-ce que ce processus est documenté, standardisé, stable ?
• Est-ce que les données qui l’alimentent sont complètes, cohérentes, à jour ?
• Est-ce que les signaux importants pour ce processus sont enregistrés quelque part ou vivent-ils uniquement dans la mémoire de quelques collaborateurs clés ?

Si la réponse à l’une de ces questions est non, le chantier prioritaire n’est pas l’IA. C’est le processus.

L’IA ne transforme pas les organisations. Ce sont les organisations qui se transforment et l’IA amplifie ensuite ce qu’elles sont devenues. La différence entre un projet IA qui délivre et un projet IA qui déçoit tient rarement à la sophistication du modèle. Elle tient presque toujours à la qualité du terrain sur lequel il a été planté.