Renaud OBAMA, Architecte d'Entreprise (Urbaniste SI) | MaData, Gouvernance & Intelligence Artificielle, CEO MICRO
L'intelligence artificielle est devenue un enjeu stratégique majeur pour les entreprises. IA générative, Machine Learning, RAG, agents intelligents… Les organisations multiplient les investissements pour automatiser leurs processus, améliorer leurs décisions et gagner en productivité.
Mais derrière cet engouement technologique, une réalité fondamentale reste souvent sous-estimée : une intelligence artificielle, aussi sophistiquée soit-elle, ne peut pas produire durablement des résultats fiables si elle s'appuie sur des données de mauvaise qualité.
C'est le principe bien connu du Garbage In, Garbage Out (GIGO) : des données erronées, incomplètes, incohérentes ou obsolètes conduisent à des résultats peu fiables.
Et avec l'IA, les conséquences peuvent être considérables. Une donnée incorrecte peut devenir une recommandation convaincante, alimenter une mauvaise décision ou déclencher une action automatisée inappropriée. L'IA ne corrige pas automatiquement les faiblesses d'un système d'information. Elle peut, au contraire, les amplifier.
1. La qualité des données : le premier défi de l'IA
Dans de nombreuses entreprises, les données sont dispersées entre plusieurs systèmes : ERP, CRM, applications métiers, Data Lakes, plateformes Cloud et fichiers bureautiques.
Cette fragmentation devient problématique lorsque les données ne partagent pas les mêmes définitions, les mêmes identifiants ou les mêmes règles de gestion.
Prenons un exemple concret.
Une entreprise souhaite déployer une IA capable d'analyser ses commandes, ses fournisseurs et ses contrats afin d'identifier des opportunités d'optimisation financière.
Si un fournisseur possède plusieurs identifiants, si certaines commandes ne sont pas rattachées aux bons contrats ou si les informations contractuelles ne sont pas actualisées, l'IA risque de produire des analyses incorrectes.
Le problème ne vient pas nécessairement de l'algorithme, mais de la fiabilité des informations exploitées. Pour être utiles à l'IA, les données doivent répondre à plusieurs exigences :
- Exactitude : représenter fidèlement la réalité métier.
- Complétude : contenir les informations nécessaires aux traitements.
- Cohérence : éviter les contradictions entre applications.
- Fraîcheur : être actualisées selon les besoins des processus.
- Traçabilité : permettre d'identifier leur origine et leurs transformations.
- Pertinence : être adaptées aux cas d'usage et suffisamment représentatives.
Une donnée techniquement correcte peut être inutilisable si elle ne correspond pas au besoin métier.
2. La gouvernance Data : transformer les données en actifs de confiance
La qualité des données ne peut pas reposer uniquement sur les équipes techniques.Elle nécessite une gouvernance claire, impliquant les directions métiers, la DSI, les équipes Data et les responsables de la sécurité. Cette gouvernance doit permettre de répondre à plusieurs questions fondamentales :
Qui est responsable de la donnée ? Quelle application fait autorité ? Quelles règles garantissent sa qualité ? Comment les anomalies sont-elles détectées et corrigées ?
La mise en place de Data Owners, Data Stewards, dictionnaires de données, catalogues, règles de gestion et indicateurs de qualité constitue une base essentielle.
Mais disposer d'outils de gouvernance ne suffit pas.
Une gouvernance efficace doit être opérationnelle, mesurable et intégrée aux processus métiers.
Par exemple, identifier un taux élevé de doublons dans un référentiel fournisseur n'a de valeur que si des responsabilités et des mécanismes de correction sont définis.
La gouvernance Data ne consiste pas simplement à documenter les données. Elle consiste à organiser durablement leur fiabilité, leur responsabilité et leur utilisation.
3. L'urbanisation du SI : un rôle déterminant dans la réussite de l'IA
L'urbanisation du système d'information prend une importance particulière avec le développement de l'intelligence artificielle.Une IA ne fonctionne pas isolément. Elle s'intègre dans un écosystème composé de processus métiers, d'applications, de référentiels, de flux de données et de services techniques.
L'architecte d'entreprise doit donc garantir une vision transverse de cet écosystème.
Son rôle consiste notamment à :
- Cartographier les applications, les données et leurs interactions.
- Identifier les sources de référence et les responsabilités associées.
- Harmoniser les modèles de données et les règles d'échange.
- Définir les architectures AS-IS, de transition et TO-BE.
- Garantir l'interopérabilité, la sécurité et la cohérence des solutions IA avec le SI existant.
Dans une Data Platform, par exemple, la mise en place de modèles pivots, de référentiels communs et de contrats d'interface permet de structurer les échanges entre applications productrices et consommatrices.
Ces fondations facilitent ensuite l'intégration des solutions d'IA tout en limitant les incohérences.
L'urbanisation du SI ne se limite plus à organiser les applications. Elle devient un levier stratégique pour construire une architecture Data et IA cohérente, évolutive et maîtrisée.
4. IA générative et agents intelligents : des risques amplifiés
Avec l'IA générative, les enjeux de qualité des données deviennent encore plus sensibles. Prenons le cas d'un assistant IA reposant sur une architecture RAG (Retrieval-Augmented Generation).
Le modèle peut consulter des documents internes, des bases de connaissances ou des référentiels métiers pour produire ses réponses.
Mais si les documents sont obsolètes, contradictoires ou mal indexés, les réponses risquent d'être incorrectes, même lorsque le modèle utilisé est performant. Le risque augmente encore avec les agents IA capables d'exécuter des actions dans le système d'information.
Un agent chargé d'analyser les contrats fournisseurs et de déclencher des processus de renouvellement pourrait engager une mauvaise action à partir d'une information erronée.
La qualité des données doit donc être complétée par des mécanismes de contrôle : gestion des habilitations, traçabilité, validation humaine des décisions sensibles et supervision des actions automatisées.
Plus l'IA gagne en autonomie, plus les exigences de gouvernance, de sécurité et de maîtrise des données ne deviennent critiques.
5. Faut-il fiabiliser toutes les données avant de déployer l'IA ?
C'est une question essentielle. Attendre que toutes les données de l'entreprise soient parfaitement fiables avant de lancer un projet IA serait souvent irréaliste. À l'inverse, déployer des solutions IA sans évaluer la qualité des données représente un risque important. La bonne approche consiste à avancer progressivement, en partant des cas d'usage métiers prioritaires.
Une démarche pragmatique peut s'articuler autour de cinq étapes :
a. Identifier les cas d'usage à forte valeur ajoutée, en précisant les résultats attendus et les risques métiers.
b. Cartographier les données critiques, leurs sources, leurs flux et leurs dépendances applicatives.
c. Évaluer et améliorer leur qualité, avec des indicateurs mesurables et des règles de contrôle adaptées.
d. Définir une architecture Data et IA cohérente, intégrant les exigences d'interopérabilité, de sécurité et de gouvernance.
e. Mesurer et superviser les résultats, afin de détecter les erreurs, les dérives et les évolutions nécessaires.
Il faut également rappeler qu'une donnée de qualité ne garantit pas, à elle seule, une IA performante. Le choix du modèle, la pertinence de l'architecture, les mécanismes de recherche et l'évaluation continue restent indispensables.
L'objectif n'est donc pas d'atteindre une qualité parfaite, mais de disposer de données suffisamment fiables et maîtrisées pour chaque usage.
6. L'IA doit devenir un sujet d'architecture et de gouvernance d'entreprise
Les investissements dans l'intelligence artificielle ne devraient pas être examinés uniquement sous l'angle des fonctionnalités, des performances des modèles ou des coûts technologiques.
Les comités de direction et d'investissement doivent également s'interroger sur la maturité Data de leur organisation.
Avant de valider un projet IA, plusieurs questions méritent d'être posées :
Les données nécessaires sont-elles disponibles et fiables ? Les applications sources sont-elles identifiées ? Les responsabilités sont-elles définies ? Les risques sont-ils maîtrisés ? L'architecture cible est-elle cohérente avec la stratégie du SI ?
Ces questions sont aussi importantes que le choix du modèle d'intelligence artificielle.
C'est précisément à ce niveau que l'architecte d'entreprise, les responsables Data et les métiers doivent travailler ensemble pour aligner les investissements technologiques sur les objectifs de transformation.
Conclusion : avant de rendre l'IA plus intelligente, rendons nos données plus fiables L'intelligence artificielle constitue une formidable opportunité de transformation. Mais sa réussite repose sur des fondations souvent moins visibles que les modèles et les algorithmes : la qualité des données, leur gouvernance et la cohérence du système d'information.
Une entreprise qui investit massivement dans l'IA sans maîtriser son patrimoine de données risque d'industrialiser ses dysfonctionnements plutôt que de les résoudre.
À l'inverse, une organisation qui structure ses référentiels, fiabilise ses données et urbanise son SI crée les conditions d'une IA plus pertinente, plus sécurisée et plus durable.
La question stratégique n'est donc plus seulement :
Quelle intelligence artificielle devons-nous déployer ?
Mais également :
Notre système d'information et notre patrimoine de données sont-ils suffisamment maîtrisés pour permettre à cette intelligence artificielle de créer une véritable valeur métier ?
Car finalement :
L'intelligence artificielle amplifie la valeur des données, mais elle amplifie aussi leurs défauts. Sans gouvernance Data, elle risque de devenir un accélérateur d'erreurs plutôt qu'un créateur de valeur.
Mais derrière cet engouement technologique, une réalité fondamentale reste souvent sous-estimée : une intelligence artificielle, aussi sophistiquée soit-elle, ne peut pas produire durablement des résultats fiables si elle s'appuie sur des données de mauvaise qualité.
C'est le principe bien connu du Garbage In, Garbage Out (GIGO) : des données erronées, incomplètes, incohérentes ou obsolètes conduisent à des résultats peu fiables.
Et avec l'IA, les conséquences peuvent être considérables. Une donnée incorrecte peut devenir une recommandation convaincante, alimenter une mauvaise décision ou déclencher une action automatisée inappropriée. L'IA ne corrige pas automatiquement les faiblesses d'un système d'information. Elle peut, au contraire, les amplifier.
1. La qualité des données : le premier défi de l'IA
Dans de nombreuses entreprises, les données sont dispersées entre plusieurs systèmes : ERP, CRM, applications métiers, Data Lakes, plateformes Cloud et fichiers bureautiques.
Cette fragmentation devient problématique lorsque les données ne partagent pas les mêmes définitions, les mêmes identifiants ou les mêmes règles de gestion.
Prenons un exemple concret.
Une entreprise souhaite déployer une IA capable d'analyser ses commandes, ses fournisseurs et ses contrats afin d'identifier des opportunités d'optimisation financière.
Si un fournisseur possède plusieurs identifiants, si certaines commandes ne sont pas rattachées aux bons contrats ou si les informations contractuelles ne sont pas actualisées, l'IA risque de produire des analyses incorrectes.
Le problème ne vient pas nécessairement de l'algorithme, mais de la fiabilité des informations exploitées. Pour être utiles à l'IA, les données doivent répondre à plusieurs exigences :
- Exactitude : représenter fidèlement la réalité métier.
- Complétude : contenir les informations nécessaires aux traitements.
- Cohérence : éviter les contradictions entre applications.
- Fraîcheur : être actualisées selon les besoins des processus.
- Traçabilité : permettre d'identifier leur origine et leurs transformations.
- Pertinence : être adaptées aux cas d'usage et suffisamment représentatives.
Une donnée techniquement correcte peut être inutilisable si elle ne correspond pas au besoin métier.
2. La gouvernance Data : transformer les données en actifs de confiance
La qualité des données ne peut pas reposer uniquement sur les équipes techniques.Elle nécessite une gouvernance claire, impliquant les directions métiers, la DSI, les équipes Data et les responsables de la sécurité. Cette gouvernance doit permettre de répondre à plusieurs questions fondamentales :
Qui est responsable de la donnée ? Quelle application fait autorité ? Quelles règles garantissent sa qualité ? Comment les anomalies sont-elles détectées et corrigées ?
La mise en place de Data Owners, Data Stewards, dictionnaires de données, catalogues, règles de gestion et indicateurs de qualité constitue une base essentielle.
Mais disposer d'outils de gouvernance ne suffit pas.
Une gouvernance efficace doit être opérationnelle, mesurable et intégrée aux processus métiers.
Par exemple, identifier un taux élevé de doublons dans un référentiel fournisseur n'a de valeur que si des responsabilités et des mécanismes de correction sont définis.
La gouvernance Data ne consiste pas simplement à documenter les données. Elle consiste à organiser durablement leur fiabilité, leur responsabilité et leur utilisation.
3. L'urbanisation du SI : un rôle déterminant dans la réussite de l'IA
L'urbanisation du système d'information prend une importance particulière avec le développement de l'intelligence artificielle.Une IA ne fonctionne pas isolément. Elle s'intègre dans un écosystème composé de processus métiers, d'applications, de référentiels, de flux de données et de services techniques.
L'architecte d'entreprise doit donc garantir une vision transverse de cet écosystème.
Son rôle consiste notamment à :
- Cartographier les applications, les données et leurs interactions.
- Identifier les sources de référence et les responsabilités associées.
- Harmoniser les modèles de données et les règles d'échange.
- Définir les architectures AS-IS, de transition et TO-BE.
- Garantir l'interopérabilité, la sécurité et la cohérence des solutions IA avec le SI existant.
Dans une Data Platform, par exemple, la mise en place de modèles pivots, de référentiels communs et de contrats d'interface permet de structurer les échanges entre applications productrices et consommatrices.
Ces fondations facilitent ensuite l'intégration des solutions d'IA tout en limitant les incohérences.
L'urbanisation du SI ne se limite plus à organiser les applications. Elle devient un levier stratégique pour construire une architecture Data et IA cohérente, évolutive et maîtrisée.
4. IA générative et agents intelligents : des risques amplifiés
Avec l'IA générative, les enjeux de qualité des données deviennent encore plus sensibles. Prenons le cas d'un assistant IA reposant sur une architecture RAG (Retrieval-Augmented Generation).
Le modèle peut consulter des documents internes, des bases de connaissances ou des référentiels métiers pour produire ses réponses.
Mais si les documents sont obsolètes, contradictoires ou mal indexés, les réponses risquent d'être incorrectes, même lorsque le modèle utilisé est performant. Le risque augmente encore avec les agents IA capables d'exécuter des actions dans le système d'information.
Un agent chargé d'analyser les contrats fournisseurs et de déclencher des processus de renouvellement pourrait engager une mauvaise action à partir d'une information erronée.
La qualité des données doit donc être complétée par des mécanismes de contrôle : gestion des habilitations, traçabilité, validation humaine des décisions sensibles et supervision des actions automatisées.
Plus l'IA gagne en autonomie, plus les exigences de gouvernance, de sécurité et de maîtrise des données ne deviennent critiques.
5. Faut-il fiabiliser toutes les données avant de déployer l'IA ?
C'est une question essentielle. Attendre que toutes les données de l'entreprise soient parfaitement fiables avant de lancer un projet IA serait souvent irréaliste. À l'inverse, déployer des solutions IA sans évaluer la qualité des données représente un risque important. La bonne approche consiste à avancer progressivement, en partant des cas d'usage métiers prioritaires.
Une démarche pragmatique peut s'articuler autour de cinq étapes :
a. Identifier les cas d'usage à forte valeur ajoutée, en précisant les résultats attendus et les risques métiers.
b. Cartographier les données critiques, leurs sources, leurs flux et leurs dépendances applicatives.
c. Évaluer et améliorer leur qualité, avec des indicateurs mesurables et des règles de contrôle adaptées.
d. Définir une architecture Data et IA cohérente, intégrant les exigences d'interopérabilité, de sécurité et de gouvernance.
e. Mesurer et superviser les résultats, afin de détecter les erreurs, les dérives et les évolutions nécessaires.
Il faut également rappeler qu'une donnée de qualité ne garantit pas, à elle seule, une IA performante. Le choix du modèle, la pertinence de l'architecture, les mécanismes de recherche et l'évaluation continue restent indispensables.
L'objectif n'est donc pas d'atteindre une qualité parfaite, mais de disposer de données suffisamment fiables et maîtrisées pour chaque usage.
6. L'IA doit devenir un sujet d'architecture et de gouvernance d'entreprise
Les investissements dans l'intelligence artificielle ne devraient pas être examinés uniquement sous l'angle des fonctionnalités, des performances des modèles ou des coûts technologiques.
Les comités de direction et d'investissement doivent également s'interroger sur la maturité Data de leur organisation.
Avant de valider un projet IA, plusieurs questions méritent d'être posées :
Les données nécessaires sont-elles disponibles et fiables ? Les applications sources sont-elles identifiées ? Les responsabilités sont-elles définies ? Les risques sont-ils maîtrisés ? L'architecture cible est-elle cohérente avec la stratégie du SI ?
Ces questions sont aussi importantes que le choix du modèle d'intelligence artificielle.
C'est précisément à ce niveau que l'architecte d'entreprise, les responsables Data et les métiers doivent travailler ensemble pour aligner les investissements technologiques sur les objectifs de transformation.
Conclusion : avant de rendre l'IA plus intelligente, rendons nos données plus fiables L'intelligence artificielle constitue une formidable opportunité de transformation. Mais sa réussite repose sur des fondations souvent moins visibles que les modèles et les algorithmes : la qualité des données, leur gouvernance et la cohérence du système d'information.
Une entreprise qui investit massivement dans l'IA sans maîtriser son patrimoine de données risque d'industrialiser ses dysfonctionnements plutôt que de les résoudre.
À l'inverse, une organisation qui structure ses référentiels, fiabilise ses données et urbanise son SI crée les conditions d'une IA plus pertinente, plus sécurisée et plus durable.
La question stratégique n'est donc plus seulement :
Quelle intelligence artificielle devons-nous déployer ?
Mais également :
Notre système d'information et notre patrimoine de données sont-ils suffisamment maîtrisés pour permettre à cette intelligence artificielle de créer une véritable valeur métier ?
Car finalement :
L'intelligence artificielle amplifie la valeur des données, mais elle amplifie aussi leurs défauts. Sans gouvernance Data, elle risque de devenir un accélérateur d'erreurs plutôt qu'un créateur de valeur.