Données pour l’IA: pourquoi la qualité des données est-elle un facteur décisif de réussite?

Les données ont toujours été critiques pour les entreprises. Mais avec l’intelligence artificielle, la qualité des données devient elle aussi un facteur décisif de réussite. En effet, lorsque des informations sont incomplètes, obsolètes ou contradictoires, les avantages, la fiabilité et la modularité des applications d’IA diminuent.

Qu’en est-il des données et de l’IA dans les entreprises suisses?

L’étude Swiss IT 2026 de Computerworld montre la tension sur le marché suisse: 57,1% des entreprises utilisent déjà l’IA de manière productive dans certains domaines, tandis que 32,1% estiment que la qualité des données est le principal obstacle aux cas d’usage de l’IA. De nombreuses entreprises ne sont plus en phase d’expérimentation. Le défi réside désormais dans la modularité, la fiabilité et la mise en œuvre de la gouvernance des données et de l’IA.

Pourquoi l’IA a-t-elle besoin de données de bonne qualité?

Il en résulte alors des modèles imprécis, des priorités et des bases décisionnelles erronées, des pronostics ratés ainsi que de mauvais résultats de la part des processus automatisés. «La qualité des modèles dépend des données sur lesquelles ils s’appuient», résument les auteurs de l’étude La sécurité OT en pleine mutation, PAC, 2025/26.

L’IA ne traite pas seulement les connaissances, elle amplifie aussi les erreurs. À l’inverse, des données de qualité rendent l’IA plus sûre et augmentent clairement son utilité commerciale et la confiance dans les applications. Et c’est également ce que conclut le Manuel suisse de l’IA 2026 (1re édition).

Avec l’IA générative, ce lien est plus difficile à identifier. En effet, l’IA générative formule des réponses, des résumés, des recommandations ou des textes entiers qui sont convaincants sur le plan linguistique et semblent plausibles au premier abord, même lorsque les informations sous-jacentes ne sont pas de bonne qualité. Le personnel doit donc examiner ces résultats de manière critique, car un assistant IA n’indiquera pas si ses réponses sont basées sur des données actuelles, correctes et complètes.

Qu’entend-on par «mauvaises données»?

Les données «mauvaises» sont des données qui ne sont pas suffisamment fiables face à l’objectif visé. Elles peuvent être fausses, incomplètes, obsolètes, contradictoires, doubles ou difficiles d’accès, ou leur signification peut ne pas être suffisamment claire dans un contexte commercial particulier. Un exemple: pour un rapport simple, les exigences de qualité peuvent être différentes de celles d’un assistant IA qui formule des recommandations ou automatise des processus.

Quelles sont les causes d’une mauvaise qualité des données?

Une mauvaise qualité des données est rarement due à une seule erreur. Les causes résident souvent dans la fragmentation des systèmes, le manque d’homogénéité des données de base, l’absence de responsabilités ou le manque de clarté dans les processus de nettoyage. Lorsque plusieurs services saisissent, mettent à jour ou interprètent des données différemment, il en résulte des ensembles de données incohérents. Et ce n’est pas tout: le personnel collecte souvent des données dans les activités quotidiennes pour un processus spécifique et non pas de manière à ce que les données soient utilisables ultérieurement pour des applications d’IA.

Quels problèmes surgissent en raison de la mauvaise qualité des données de l’IA?

Des données de mauvaise qualité ont un impact direct sur l’efficacité, les décisions et la confiance. Les rapports deviennent moins fiables, les analyses perdent en pertinence et la charge de travail liée au contrôle – et surtout à la correction – des résultats produits par l’IA augmente. Au lieu d’accélérer les processus, la charge de travail passe de la création à la vérification et à la correction, ce qui nuit à la productivité.

À l’inverse, l’utilité d’une bonne qualité des données dans le travail quotidien se fait rapidement sentir: les décisions gagnent en fiabilité, les corrections manuelles diminuent et les données peuvent être réutilisées pour plusieurs applications. De bonnes données permettent non seulement d’obtenir de meilleurs résultats à partir de l’IA, mais aussi d’accroître l’efficacité, la transparence et la confiance dans les processus numériques dans leur ensemble.

Comment détecter précocement une mauvaise qualité des données?

La mauvaise qualité des données se manifeste souvent très tôt. Un signal d’alerte clair apparaît lorsque des spécialistes ne sont pas d’accord sur une même réponse: la personne A estime qu’une affirmation du système est correcte, la personne B qu’elle est fausse. Dans ce cas, le problème ne relève pas nécessairement d’un simple problème technique. Il peut révéler des objectifs mal définis ou des connaissances contradictoires au sein de l’entreprise.

Les valeurs manquantes dans des champs critiques, les doublons, les documents obsolètes ou la présence de plusieurs versions avec des affirmations différentes sont d’autres signaux d’alerte possibles. Pour les applications d’apprentissage automatique ou d’apprentissage profond en particulier, il est important de définir des fonctionnalités – c’est-à-dire des points de données ou des attributs – de manière claire sur le plan technique et de les interpréter correctement.

Qu’entend-on par «bonnes données» et quand sont-elles compatibles avec l’IA?

De manière générale, les bonnes données n’ont pas nécessairement besoin d’être parfaites. Il est essentiel qu’elles soient suffisamment correctes, complètes, actuelles, cohérentes et compréhensibles pour chaque cas d’application.

Pour les applications d’IA, les entreprises doivent préparer, mettre à disposition et documenter clairement les informations pertinentes, afin que les spécialistes puissent les utiliser de manière traçable. Cela implique la mise en place de responsabilités claires, de droits d’accès pertinents, de sources documentées et d’une base de données qui soit compréhensible et adaptée à chaque cas d’application de l’IA. Les personnes qui garantissent la qualité des données contribuent donc à une utilisation responsable de l’IA.

Brève liste de vérification: quand les données sont-elles compatibles avec l’IA?

Critères que les données doivent remplir pour être compatibles avec les applications d’intelligence artificielle. Illustration: Swisscom

Comment les entreprises améliorent-elles la qualité des données pour l’IA?

Les entreprises doivent identifier les informations pertinentes pour leurs principaux processus et cas d’application de l’IA, mais aussi définir les responsabilités et les règles pour leur nettoyage, leur accès et leur utilisation. La qualité des données n’est donc pas seulement une question technique, mais aussi une tâche stratégique et organisationnelle.

L’interaction entre la stratégie des données, la gouvernance des données et la gouvernance de l’IA est déterminante: Tim Giger, Principal Data & AI Consultant chez Swisscom, le résume en ces mots: «La stratégie de données détermine les finalités pour lesquelles les données doivent être utilisées. La gouvernance des données indique les personnes qui définissent les règles, responsabilités et contrôles à cet effet. La gestion des données applique ces règles au quotidien sur le plan technique et opérationnel. Enfin, la gouvernance de l’IA garantit que l’IA est utilisée de manière responsable sur cette base.»

Qu’est-ce qu’une stratégie de données?

Une stratégie de données répond avant tout à la question stratégique suivante: quelles données sont particulièrement précieuses pour l’entreprise, pour quels objectifs commerciaux l’organisation compte-t-elle les utiliser et quelles sont les priorités à respecter lors de la constitution d’un socle de données solide? Elle donne ainsi la direction à prendre, par exemple en déterminant si l’accent doit être mis dans un premier temps sur les données clients, les données de processus, les connaissances documentaires ou le reporting de gestion.

Une forte culture des données est tout aussi importante: le personnel doit comprendre pourquoi la qualité des données est importante et comment la gestion des données influence les décisions, les processus et les résultats de l’IA.

Qu’est-ce que la gouvernance des données?

La gouvernance des données définit les règles, responsabilités et processus pour le traitement des données. Elle clarifie quels stocks de données sont critiques pour l’entreprise, qui en est responsable, quelles exigences de qualité s’appliquent et comment elles restent accessibles, compréhensibles et utilisables de manière contrôlée.

La gouvernance des données articule trois domaines: gestion des données, sécurité informatique, ainsi que conformité et éthique. La gestion des données garantit que les informations soient de qualité, entretenues et utilisables. La sécurité informatique les protège contre tout accès non autorisé ou toute perte. La conformité et l’éthique garantissent que le traitement des données est juridiquement correct, compréhensible et réalisé de manière responsable.

Quel rôle joue la gestion des données?

Tandis que la gouvernance des données définit les règles, les rôles et les responsabilités, la gestion des données veille à ce que ces règles soient appliquées au quotidien. Il ne s’agit pas seulement d’informations structurées dans des tableaux, des bases de données ou des systèmes, mais aussi de contenus non structurés dans des documents, des e-mails, des images ou des bases de connaissances. Ce sont justement ces stocks de données non structurés qui ont pris beaucoup d’importance avec l’IA générative.

Pour résumer, la gestion des données est devenue encore plus essentielle avec l’arrivée de l’IA. Elle couvre l’ensemble du cycle de vie des données, de leur collecte et structuration à leur maintenance, leur contrôle qualité, leur documentation et leur utilisation réglementée. Le manuel suisse de l’IA 2026 (1re édition) souligne également qu’une bonne gestion des données est indispensable pour éviter les erreurs dans les résultats de l’IA.

Qu’est-ce que la gouvernance de l’IA?

La gouvernance des données et la gouvernance de l’IA sont souvent désignées ensemble, mais elles servent des objectifs différents. La gouvernance des données crée les conditions pour des données dont la qualité est garantie, tandis que la gouvernance de l’IA réglemente l’utilisation responsable des systèmes d’IA. Les questions centrales sont notamment: Quelles applications d’IA sont autorisées? Où un contrôle humain est-il nécessaire? Et comment les entreprises vérifient-elles que les résultats sont fiables, compréhensibles et appropriés? L’équité a également son importance: les entreprises doivent vérifier si les données d’entraînement et d’utilisation sont représentatives, si des biais peuvent se produire et comment détecter et réduire les risques liés.

Les évolutions réglementaires jouent un rôle à cet égard. Pour les entreprises ayant un lien avec le marché de l’UE, l’EU AI Act peut être pertinent. Il suit une approche basée sur les risques et pose différentes exigences en matière de transparence, de gestion et de traçabilité selon le type et le domaine d’utilisation des systèmes d’IA.

Quel niveau de stratégie de données et de gouvernance l’IA a-t-elle besoin?

Les principes de la stratégie et de la gouvernance des données s’appliquent à toutes les entreprises. Dès que l’IA est utilisée, la gouvernance de l’IA devient un élément supplémentaire à intégrer. La différence réside principalement dans l’étendue et le niveau de formalisation: les PME peuvent démarrer de manière pragmatique avec peu de stocks de données critiques, des responsabilités claires et de simples règles de qualité.

Les grandes entreprises ont généralement besoin de rôles plus formalisés, de standards communs et de structures de gouvernance. Dans les secteurs réglementés, des prescriptions spécifiques viennent s’ajouter, par exemple les exigences de la FINMA dans le secteur de la finance et des assurances, les prescriptions en matière de protection des données et de sécurité de l’information dans le secteur de la santé, ou encore les exigences légales en matière de traçabilité et d’archivage dans l’administration publique.

De manière générale, on peut dire que l’étape la plus importante n’est pas de mettre en place immédiatement une structure de gouvernance complète. Il vaut mieux commencer avec les données et cas d’application les plus critiques pour l’entreprise. En clarifiant les responsabilités, les critères de qualité et les règles d’utilisation dans ces domaines, les entreprises créent une base solide pour une IA efficace.