La qualité des données, préalable à tout projet IA

Chaque semaine, une entreprise nous parle de son projet IA. Presque à chaque fois, la vraie question n’est pas le modèle : c’est l’état des données qu’on veut lui donner, et le cas d’usage qu’on cherche à servir.

Commencer par le cas d’usage, pas par l’IA

Avant même de parler données, une question revient : à quoi sert ce projet, concrètement ? « Faire de l’IA » n’est pas un objectif. Prévoir les ruptures de stock, détecter les factures en anomalie, router automatiquement les demandes clients, fiabiliser un référentiel produit : voilà des cas d’usage.

Sans cas d’usage précis, impossible de savoir quelles données réunir, à quelle fraîcheur, ni comment mesurer si ça marche. On accumule de la donnée « au cas où », on branche un modèle, et on obtient une démonstration qui impressionne en réunion mais ne décide rien en production.

Le bon ordre est l’inverse : un cas d’usage clair définit les données nécessaires, qui définissent le travail d’intégration et de qualité. C’est aussi lui qui dira, chiffres à l’appui, si le projet a réussi.

L’IA n’invente pas des données propres

Un modèle interrogé sur des données incomplètes, dupliquées ou contradictoires produit des réponses incomplètes, dupliquées ou contradictoires, avec l’aplomb en plus. L’IA ne corrige pas la qualité de vos données : elle l’amplifie, dans le bon comme dans le mauvais sens.

Le chantier réel

Une fois le cas d’usage posé, le travail décisif est moins spectaculaire que le modèle :

• Réconcilier les référentiels (clients, produits, tiers) éparpillés entre applications.
• Éliminer les doublons et fiabiliser les clés de rapprochement.
• Tracer et superviser les flux pour savoir d’où vient chaque donnée et quand elle a été mise à jour.

C’est précisément le métier de l’intégration de données. Chez nos clients de l’agroalimentaire, du luxe ou du transport, c’est ce socle qui fait tenir un projet en production plutôt qu’en démonstration.

Un exemple simple

Une enseigne veut prévoir ses réassorts. Le modèle est presque un détail : le vrai sujet, c’est de réconcilier les ventes, les stocks entrepôt et les commandes fournisseurs, souvent répartis dans trois systèmes qui ne parlent pas la même langue. Une fois ces flux fiabilisés et rafraîchis chaque nuit, un modèle raisonnable donne des résultats utiles. Sans ça, le meilleur modèle du marché se trompe proprement.

En pratique, avant de lancer votre IA

• Le cas d’usage est-il formulé en une phrase, avec un résultat mesurable ?
• Sait-on quelles données l’alimentent, et où elles vivent ?
• Ces données sont-elles réconciliées, dédoublonnées, datées ?
• Un flux les met-il à jour à la bonne fréquence ?

Si vous butez sur l’une de ces questions, le chantier n’est pas l’IA : c’est la donnée.

Notre position

On ne vend pas d’IA. On rend vos données assez fiables, et assez bien reliées à un cas d’usage précis, pour que l’IA (la vôtre ou celle de votre éditeur) serve à quelque chose. Discutons de votre socle data.