L’IA ne crée pas de valeur là où la donnée n’en crée déjà pas

L’intelligence artificielle occupe aujourd’hui une place centrale dans les stratégies de transformation. Elle promet d’automatiser des décisions, de détecter des signaux faibles et d’accélérer les processus d’analyse. 

Dans de nombreuses organisations, ces promesses nourrissent une attente forte : celle de transformer rapidement les données en avantage compétitif. Pourtant, une réalité apparaît très vite dans les projets concrets. L’IA n’améliore pas un système qui ne fonctionne pas déjà. Elle l’amplifie.  

Avant même de parler d’algorithmes ou de modèles, il est donc nécessaire de clarifier ce que signifie réellement la « valeur » de la donnée. 

Une donnée crée de la valeur lorsqu’elle est fiable, standardisée, documentée et accessible. Elle doit être gouvernée, comprise par les métiers et exploitable dans les systèmes qui supportent les processus de l’entreprise. 

Dans de nombreuses organisations, ces conditions ne sont que partiellement réunies. Les entreprises accumulent avec le temps une dette data : des référentiels incohérents entre systèmes, des règles métier implicites ou non documentées, des doublons de données, ou encore des transformations reconstruites dans plusieurs outils. 

Lorsque les référentiels sont instables, lorsque les données sont hétérogènes entre métiers ou lorsque les règles de gestion ne sont pas alignées, l’IA ne produit pas davantage de valeur. Elle produit surtout des résultats incohérents ou difficilement exploitables. 

Autrement dit, l’intelligence artificielle ne corrige pas la dette data d’une organisation. Elle la rend simplement plus visible. Dans ce contexte, la question n’est plus de savoir si l’IA peut transformer la performance. La question est de comprendre dans quelles conditions elle peut réellement le faire. 

L’IA ne remplace pas la gouvernance des données   

Dans de nombreux programmes de transformation, l’IA est perçue comme une solution capable de simplifier la gestion de la donnée. La réalité est plus nuancée. 

Prenons le cas d’un projet de déploiement international d’un SIRH global. L’objectif est généralement clair : harmoniser la gestion des données RH à l’échelle de l’entreprise. 

Dans la pratique, les difficultés apparaissent rapidement. Les référentiels RH varient d’un pays à l’autre. Les formats de données diffèrent, les statuts contractuels ne correspondent pas toujours, les réglementations locales introduisent des spécificités importantes. Une même information peut exister sous plusieurs formes selon les systèmes sources. 

Un exemple simple illustre bien cette situation : la variable de genre. Selon les pays et les systèmes historiques, elle peut apparaître sous différentes formes : valeurs codifiées, formulations textuelles ou standards locaux. 

Individuellement, ces écarts peuvent sembler mineurs. À l’échelle d’une organisation internationale, ils deviennent un problème structurel. Avant toute migration ou harmonisation, un travail de clarification est indispensable : définir les référentiels, aligner les règles, établir les correspondances entre systèmes. 

C’est à ce moment que l’IA peut intervenir. Elle peut suggérer des correspondances entre référentiels, détecter des similitudes ou accélérer certaines étapes de mapping. Mais elle ne définit pas la règle métier. Cette responsabilité reste celle de l’organisation. La gouvernance des données précède toujours l’IA. Elle en constitue la condition d’efficacité. L’IA n’est pas une solution en soi : elle est un levier. Sans une gouvernance des données solide, elle ne fait que déplacer, voire amplifier, les déséquilibres existants. 

L’IA révèle l’état réel de la qualité des données 

Dans les projets de transformation, la question de la qualité des données apparaît rapidement. 

Les anomalies sont nombreuses : champs manquants, incohérences de format, historiques incomplets ou incompatibilités avec les nouveaux systèmes. 

Traditionnellement, ces problèmes sont identifiés par des contrôles manuels ou par des scripts techniques. L’intelligence artificielle permet aujourd’hui d’accélérer ces analyses. 

Au-delà de la détection d’anomalies, elle peut également : 

• accélérer la documentation des données, 

• enrichir automatiquement les catalogues de données, 

• proposer des règles de qualité (Data Quality), 

• automatiser certaines analyses de data lineage, 

• suggérer des correspondances entre schémas de données. 

Ces capacités permettent d’améliorer la compréhension et la gouvernance du patrimoine data. 

Mais il est important de comprendre ce que fait réellement l’IA dans ce contexte. Elle ne crée pas la qualité. Elle révèle l’état réel des données. 

Si les règles de gestion sont ambiguës, si les référentiels ne sont pas stabilisés ou si les définitions diffèrent entre directions, l’IA ne peut pas arbitrer à la place de l’organisation. Elle peut signaler une anomalie, proposer une correction ou suggérer une correspondance. Mais la décision sur ce qui est correct reste une responsabilité humaine. 

La qualité de la donnée reste donc avant tout une décision organisationnelle. La technologie peut accélérer les contrôles et améliorer la visibilité, mais elle ne remplace pas la clarification des règles métier. 

L’IA transforme les rôles… mais ne supprime pas les responsabilités   

L’essor de l’IA modifie également l’organisation des équipes data. Dans de nombreux projets, le rôle du Data Steward devient central. Cette fonction agit comme un point de convergence entre les métiers, les équipes techniques et la gouvernance. 

Avec l’arrivée de l’IA générative et des outils d’automatisation, ce rôle évolue progressivement. 

L’IA permet par exemple de générer des scripts de transformation, de formaliser des règles de qualité ou de suggérer des contrôles automatisés. Le Data Steward n’est plus seulement chargé d’exécuter des contrôles ou de documenter les données. Il devient progressivement un superviseur de la qualité automatisée. Son rôle consiste à entraîner, superviser et ajuster les mécanismes qui garantissent la qualité des données. 

En d’autres termes, il passe d’un rôle d’exécutant de la qualité à celui d’« entraîneur » des modèles et des règles qui automatisent cette qualité. Cette évolution renforce la dimension stratégique du rôle.  

 D’autant plus que les usages de l’IA dans la gestion des données doivent désormais respecter un cadre réglementaire strict. En Europe, le AI Act impose des exigences de transparence, de traçabilité et de supervision humaine pour les systèmes considérés comme à risque. Dans ce contexte, la gouvernance des données et la supervision humaine deviennent des éléments essentiels pour garantir une utilisation responsable de l’IA. 

L’IA amplifie les fondations existantes 

 L’intelligence artificielle est souvent présentée comme un levier de transformation radicale. Elle peut effectivement accélérer certaines dynamiques : automatiser des contrôles, améliorer la détection d’anomalies ou assister les équipes dans la gestion des données. 

 Mais son impact dépend toujours de la qualité du système dans lequel elle s’insère.  

• Sans gouvernance des données, l’IA amplifie l’incertitude.  

• Sans règles métier alignées, elle produit des résultats incohérents. 

• Sans référentiels stabilisés, elle renforce les divergences entre directions.

Même lorsqu’elle est capable de suggérer des règles à partir des données, l’IA ne peut en garantir ni la pertinence métier ni la légitimité organisationnelle. 

Dans certains cas, des modèles entraînés sur des données mal gouvernées peuvent produire des biais ou des hallucinations, compromettant la fiabilité des décisions automatisées. C’est pour cette raison que de plus en plus d’organisations parlent aujourd’hui de AI readiness. 

UNDP : Are countries ready for AI? How they can ensure ethical and responsible adoption

La capacité à tirer parti de l’intelligence artificielle dépend directement de la maturité du patrimoine data : qualité des données, gouvernance structurée, référentiels stabilisés, traçabilité des flux et implication active des Data Stewards. 

Les organisations qui réussiront avec l’IA ne seront pas nécessairement celles qui déploieront le plus rapidement les modèles. Ce seront celles qui auront construit les fondations nécessaires pour les exploiter.   

L’IA ne crée pas la valeur d’une organisation. Elle amplifie la qualité de ses données, de ses règles métier et de ses processus. Et c’est précisément pour cette raison que la gouvernance de la donnée reste la première condition pour transformer l’intelligence artificielle en levier de performance durable.