Données et IA en entreprise : êtes-vous prêt ?
Avant de lancer un projet d’IA, vérifiez moins le volume de vos données que leur utilité pour une tâche précise. Des informations exploitables peuvent déjà se trouver dans votre ERP, vos tableurs, vos courriels ou vos documents, même si elles sont dispersées. Le bon diagnostic porte donc sur l’accès, la qualité, les droits, la sécurité et la capacité de l’entreprise à maintenir ces données dans le temps.
Pourquoi vérifier ses données avant un projet d’IA ?
Une entreprise ne dispose pas d’une « donnée IA » unique. Elle possède un ensemble de sources, de formats et d’historiques produits pour des usages différents. Un ERP peut contenir les commandes et les factures. Un outil de gestion de la relation client peut conserver les opportunités et les échanges commerciaux. Des tableurs peuvent regrouper les tarifs. Les courriels, comptes rendus, contrats et procédures contiennent souvent une information métier riche, mais moins directement exploitable.
France Num rappelle que l’historique client peut être réparti entre les courriels, les tableurs, les carnets et les documents partagés. La première étape n’est donc pas de chercher une grande base de données. C’est de cartographier les sources et de relier chaque source à une décision ou à une tâche.
Le niveau de préparation dépend ensuite du projet. Une recherche documentaire ne demande pas la même organisation qu’une prévision de ventes ou qu’une détection d’anomalies. La qualité d’une donnée se juge par rapport à la question que l’IA doit traiter, et non selon une norme abstraite.
En France, 10 % des entreprises de 10 salariés ou plus déclaraient utiliser au moins une technologie d’IA en 2024, contre 6 % en 2023. Pour les entreprises qui démarrent, France Num recommande une progression allant des outils existants vers la connexion aux outils internes, puis vers un développement spécifique si le besoin le justifie selon cette logique de déploiement.
Quels types de données peuvent alimenter un projet IA ?
Les données structurées
Ce sont les données organisées dans des champs, des lignes et des colonnes :
- commandes, factures et règlements dans un ERP ;
- références produits, prix et stocks ;
- temps d’intervention, incidents et résultats de contrôle ;
- prospects, clients, contrats et étapes commerciales ;
- consommations, mesures de production ou historiques de maintenance.
Elles conviennent notamment à l’analyse, à la prévision, au classement, à la détection d’anomalies et à l’automatisation de règles. Elles sont utiles lorsque le projet doit comparer des enregistrements, repérer des tendances ou produire une alerte.
Les données semi-structurées
Il s’agit de fichiers ou de flux qui suivent une organisation partielle : exports de logiciels, fichiers CSV, formulaires, journaux d’événements ou courriels avec des champs variables. Ils peuvent être exploitables, mais nécessitent souvent une étape de nettoyage et de normalisation.
Les données non structurées
Les contrats, devis, procédures, comptes rendus, fiches techniques, courriels et PDF ne sont pas inutiles parce qu’ils ne figurent pas dans une base relationnelle. Ils peuvent servir à rechercher une clause, résumer un dossier, classer des documents, extraire des informations ou comparer des versions.
France Num cite la recherche interne, la synthèse, la classification, l’extraction et l’analyse de contrats parmi les usages des données documentaires. Ce type de projet peut s’appuyer sur une recherche augmentée par génération, souvent appelée RAG, sur la fouille de texte ou sur des outils d’extraction.
Une IA générative peut aussi produire du contenu à partir d’une instruction, retraiter un contenu existant et analyser des données, notamment en triant ou en synthétisant des documents selon la CNIL. Il est donc possible d’étudier un projet documentaire sans entraîner un modèle propriétaire.
Les dix questions du diagnostic de données IA
Répondez à ces questions pour chaque cas d’usage envisagé. Une réponse négative ne condamne pas le projet. Elle indique le chantier à traiter ou le périmètre à réduire.
Avez-vous défini la décision ou la tâche à améliorer ?
Commencez par une tâche concrète : retrouver une procédure, préparer une réponse, repérer une facture atypique, résumer un compte rendu ou prévoir une charge. Évitez la formulation « mettre de l’IA dans l’entreprise ». Sans tâche précise, il est impossible de déterminer quelles données sont utiles, quelle qualité est nécessaire et comment mesurer le résultat.
Savez-vous où se trouvent les données ?
Dressez une carte des sources : logiciels métiers, serveurs, espaces partagés, boîtes aux lettres, fichiers locaux et documents papier numérisés. Notez le propriétaire opérationnel de chaque source, son format, sa fréquence de mise à jour et les personnes qui y ont accès.
Cette cartographie révèle souvent des doublons, des ruptures d’historique et des informations détenues par une seule personne. Elle permet aussi de distinguer ce qui doit être connecté de ce qui peut rester hors périmètre.
Pouvez-vous accéder aux données dans un format exploitable ?
Un fichier consultable par un humain n’est pas toujours facile à traiter automatiquement. Vérifiez les possibilités d’export, les interfaces disponibles, les droits d’accès, les formats de fichiers et les limites imposées par les logiciels en place.
Pour les documents, examinez la qualité de la numérisation, la présence de texte sélectionnable, l’organisation des dossiers et la stabilité des noms de fichiers. L’accès doit rester traçable et limité au périmètre utile.
Les données sont-elles suffisamment complètes pour la tâche ?
Cherchez les valeurs absentes, les périodes manquantes et les dossiers qui ne suivent pas le même processus. Une absence peut être normale ou signaler un problème de saisie. Il faut donc l’interpréter avec les équipes métier.
La question n’est pas de savoir si toutes les lignes sont complètes. Il faut savoir si les informations indispensables à la décision sont présentes assez régulièrement pour produire une réponse utilisable.
Les données sont-elles cohérentes entre elles ?
Comparez les formats de dates, les unités, les identifiants clients, les références produits et les statuts. Un même client peut apparaître sous plusieurs noms. Une même valeur peut être exprimée dans des unités différentes. Un statut commercial peut changer de définition selon le service.
La CNIL relie la qualité des sorties d’un algorithme à celle du jeu de données utilisé et cite notamment les doublons, les valeurs manquantes, les erreurs, les formats incohérents et les variables inutiles comme points de contrôle dans ses recommandations sur les données d’entraînement.
L’historique représente-t-il réellement votre activité ?
Un historique ancien peut refléter une organisation, un catalogue ou une clientèle qui n’existe plus. À l’inverse, une période atypique peut fausser une analyse. Interrogez les équipes sur les changements de logiciel, de processus, de produit, de réglementation ou de politique commerciale.
Pour un projet prédictif, vérifiez aussi que les exemples disponibles couvrent les situations que l’outil devra rencontrer. Pour un assistant documentaire, examinez plutôt l’actualité, la version et l’autorité des documents.
Qui peut utiliser, modifier ou supprimer chaque donnée ?
Identifiez le responsable métier de chaque source et les rôles autorisés à la consulter ou à la modifier. Une donnée sans responsable identifié devient difficile à corriger et à maintenir.
Séparez les droits de lecture, de modification, d’export et d’administration. Cette organisation est particulièrement importante lorsqu’un outil d’IA peut interroger plusieurs sources à la fois.
Avez-vous le droit de réutiliser ces données ?
L’accès technique ne suffit pas. Vérifiez les contrats de licence, les conditions d’utilisation des logiciels, les droits attachés aux bases, les engagements de confidentialité et les droits de propriété intellectuelle sur les documents reçus de tiers.
Le ministère de l’Économie rappelle que l’achat d’une prestation ou d’une base ne transfère pas automatiquement tous les droits sur les éléments livrés dans ses recommandations sur les clauses de propriété intellectuelle. Cette vérification doit être menée avant d’importer une base dans un outil externe ou de l’utiliser pour entraîner un système.
Les données personnelles et sensibles sont-elles identifiées ?
Repérez les noms, coordonnées, identifiants, échanges individuels, données concernant les salariés, informations de santé et autres informations relatives à des personnes physiques. Ne confondez pas données d’entreprise et données personnelles : un contrat, un tarif ou une procédure peuvent relever d’obligations de confidentialité ou de propriété intellectuelle sans être, par nature, des données personnelles.
Si des données personnelles sont utilisées, définissez la finalité avant le projet. La CNIL distingue la phase d’apprentissage de la phase de production, qui peuvent poursuivre des objectifs différents et doivent être analysées séparément dans son cadre de conformité pour l’IA.
L’outil d’IA protège-t-il correctement les informations introduites ?
Avant de déposer un document ou de connecter une base, examinez le traitement des données, la confidentialité, la sécurité, le pays d’hébergement, les conditions d’utilisation et les possibilités de suppression. Vérifiez aussi si les contenus servent à améliorer le service de l’éditeur.
France Num recommande de définir une politique interne sur les informations pouvant être introduites dans un outil d’IA générative. Cette politique peut préciser les catégories interdites, les outils autorisés, les règles de validation humaine et la conduite à tenir en cas d’erreur.
Qui vérifiera les réponses et corrigera les erreurs ?
Une donnée préparée une fois ne reste pas automatiquement fiable. Désignez les personnes qui contrôleront les résultats, signaleront les erreurs, mettront à jour les documents et décideront de l’arrêt ou de l’évolution du système.
Pour chaque usage, prévoyez un échantillon de tests, des critères d’acceptation et un mécanisme de retour des utilisateurs. L’objectif n’est pas de supprimer toute erreur avant de commencer, mais de savoir les détecter et de limiter leurs conséquences.
Quels chantiers de préparation faut-il prévoir ?
Le diagnostic conduit généralement à un ou plusieurs chantiers, à dimensionner selon le projet :
| Chantier | Travail à réaliser | Résultat attendu |
|---|---|---|
| Cartographie | Recenser les sources, formats, propriétaires et accès | Un périmètre de données documenté |
| Nettoyage | Traiter les doublons, erreurs, valeurs manquantes et formats divergents | Des données plus cohérentes pour la tâche visée |
| Structuration | Harmoniser les champs, les identifiants, les unités et les nomenclatures | Des données comparables |
| Documentation | Décrire l’origine, la définition et la date de mise à jour | Une interprétation partagée |
| Gestion documentaire | Classer les documents, les versions, les droits et les durées de conservation | Une recherche plus fiable |
| Sécurisation | Régler les habilitations, les exports, les journaux et les environnements | Un accès proportionné au besoin |
| Évaluation | Construire des cas de test et organiser la validation métier | Une mesure concrète de la qualité |
Ne lancez pas tous ces chantiers en même temps. Commencez par les données directement liées au cas d’usage. Si le projet consiste à rechercher des procédures, la priorité sera probablement la sélection, la version et l’accès aux documents. Si le projet vise la prévision, les historiques, les variables explicatives et la cohérence des périodes seront plus importants.
Pour structurer cette analyse, vous pouvez vous appuyer sur une méthode d’audit IA centrée sur les processus, les données et les priorités. Dans un contexte industriel, la démarche d’audit IA appliquée à l’industrie aide à relier les sources de données aux flux opérationnels.
Peut-on commencer sans données parfaites ?
Oui, à condition de réduire le périmètre et de choisir un usage vérifiable. Une entreprise peut commencer avec des outils existants, un corpus documentaire limité ou un processus bien délimité. Elle n’a pas besoin de constituer immédiatement une base exhaustive ni de construire un modèle spécifique.
La bonne approche consiste à sélectionner un cas où les données sont compréhensibles, où le résultat peut être contrôlé et où une erreur ne crée pas un risque disproportionné. Testez ensuite le système sur des situations représentatives, recueillez les corrections et décidez si le bénéfice justifie un travail de préparation plus important.
Un assistant de recherche documentaire peut ainsi être évalué sur un ensemble de procédures validées. Un outil de synthèse peut être testé sur des comptes rendus déjà relus. Une automatisation de reporting peut commencer avec des sources définies et un contrôle humain avant diffusion. La mesure du retour sur investissement d’un projet IA en PME peut être préparée dès cette phase, sans promettre un gain avant d’avoir observé le fonctionnement réel.
Limites et points de vigilance
Aucun seuil universel ne permet de déclarer une entreprise « prête pour l’IA ». La qualité nécessaire dépend de la tâche, du niveau de risque, du type de système et du rôle de l’entreprise.
Le RGPD ne s’applique pas à toute donnée d’entreprise indistinctement. Il concerne les informations relatives aux personnes physiques. En revanche, la confidentialité, le secret des affaires, le droit d’auteur, le droit des bases de données, les contrats et les règles sectorielles peuvent s’appliquer séparément.
La taille de l’entreprise ne suffit pas à déterminer les mesures à prendre. La CNIL et Bpifrance indiquent que le volume ou la sensibilité des données compte davantage que la taille ou le nombre de salariés. Une PME traitant des informations sensibles doit donc examiner ses accès, sa sécurité, sa documentation et ses durées de conservation avec sérieux.
Enfin, un outil qui répond correctement dans un test peut perdre en fiabilité lorsque les documents changent, que les équipes modifient les pratiques ou que les données se dégradent. La gouvernance des données doit être conçue comme une activité continue, avec des responsabilités et des contrôles simples.
Questions fréquentes
Faut-il centraliser toutes les données avant de commencer un projet IA ?
Non. Il est souvent préférable de partir des sources utiles à une tâche clairement définie. Une centralisation prématurée peut augmenter les coûts, les risques d’accès et le volume de données à nettoyer sans améliorer le résultat.
Les documents PDF sont-ils exploitables par une IA ?
Oui, s’ils contiennent un texte lisible ou peuvent être correctement numérisés et indexés. Il faut toutefois contrôler la version, la qualité de l’extraction, les droits d’accès et la fiabilité du document utilisé comme référence.
Une donnée personnelle interdit-elle tout projet d’IA ?
Non. Elle impose d’identifier la finalité, la base juridique applicable, les personnes concernées, les mesures de sécurité et les conditions de conservation. Le projet doit aussi distinguer les usages d’apprentissage, de test et de production lorsque ces usages ne poursuivent pas le même objectif.
Comment savoir si la qualité des données est suffisante ?
Définissez les erreurs qui seraient acceptables ou non pour la tâche, puis testez le système sur des exemples représentatifs. Mesurez la complétude, la cohérence, l’actualité et la capacité de l’utilisateur à vérifier le résultat, plutôt que de rechercher une perfection générale.
Que faire si les données sont dispersées entre plusieurs logiciels ?
Commencez par cartographier les sources et les relations entre elles. Choisissez ensuite le plus petit périmètre capable de répondre au besoin, avec des exports ou des connexions maîtrisés. La dispersion est un problème à traiter, mais elle ne justifie pas nécessairement l’abandon du projet.
Sources
- Insee, « Les technologies de l’information et de la communication dans les entreprises en 2024 »
- France Num, « L’intelligence artificielle dans les TPE et PME : dix réponses concrètes aux questions que se posent les dirigeants »
- France Num, « Recherche intelligente et analyse documentaire avec l’IA »
- CNIL, « Les questions-réponses de la CNIL sur l’utilisation d’un système d’IA générative »
- CNIL, « Collecter et qualifier les données d’entraînement »
- CNIL, « IA : comment être en conformité avec le RGPD ? »
- CNIL et Bpifrance, « Guide pratique de sensibilisation au RGPD pour les petites et moyennes entreprises »
- France Num, « Choisir parmi les solutions d’IA générative et comment les utiliser »
- Ministère de l’Économie, « Clauses de propriété intellectuelle dans les marchés publics : les bons réflexes »