Dans les projets d’IA, la qualité des données détermine le succès ou l’échec bien plus tôt que le choix du modèle. Quiconque applique un modèle linguistique ou un système de classification à des données incomplètes, contradictoires ou obsolètes obtiendra un résultat qui reflète précisément ces lacunes, mais de manière plus rapide et à plus grande échelle. Cet article explique comment évaluer concrètement la qualité des données, combien de temps la préparation des données prend réellement, et dans quels cas un projet pilote reste néanmoins pertinent. Cela vaut aussi bien pour un modèle de classification en production que pour un modèle linguistique censé répondre à partir des connaissances internes de l’entreprise.
Pour obtenir de bons résultats en matière d’IA, la source de données doit répondre à six critères : exhaustivité, exactitude, cohérence, actualité, univocité et accessibilité. D’après une analyse réalisée par superkind.ai en avril 2026, la préparation des données représente en moyenne environ 61 % de la durée totale d’un projet. Ceux qui prévoient cet effort au lieu de le sous-estimer parviennent à avancer même avec des données médiocres.
La qualité des données dans les projets d'IA : six dimensions
La notion de « qualité des données » semble abstraite tant qu'on ne la décompose pas en critères spécifiques. Six dimensions reviennent le plus souvent dans la pratique et peuvent être vérifiées individuellement pour chaque source de données.
| Dimension | Question d'examen |
|---|---|
| Exhaustivité | Y a-t-il des champs obligatoires qui ne sont pas remplis ? |
| exactitude | Ces chiffres correspondent-ils à la réalité ? |
| Consistance | Y a-t-il des divergences entre les valeurs des différents systèmes ? |
| Actualité | De quand date la dernière mise à jour ? |
| unicité | Y a-t-il des doublons ou plusieurs orthographes différentes ? |
| Accessibilité | Est-il techniquement possible de connecter cette source ? |
D'après une analyse de superkind.ai D'après une étude datant d'avril 2026, une part importante des champs de données requis est incomplète dans les projets examinés, notamment en ce qui concerne l'exhaustivité et l'actualité des données. Selon cette même évaluation, les évaluations formelles de la qualité des données réalisées avant le lancement du projet augmentent considérablement le taux de réussite.
Déroulement concret d'une évaluation de la qualité des données
Une évaluation commence par un échantillonnage, et non par le choix d'un outil. Quelques centaines d'enregistrements sont extraits de la source cible et vérifiés par rapport aux six dimensions, manuellement ou à l'aide d'un script simple qui signale les champs manquants, les doublons et les valeurs aberrantes. À partir de cet échantillon, on obtient un taux d’erreur par dimension, par exemple environ 8 % de numéros de téléphone manquants ou 12 % d’adresses contradictoires entre deux systèmes, à titre d’exemples tirés d’une base de données clients type.
Ce taux d'erreur détermine la prochaine étape. S'il se situe dans une fourchette acceptable pour un prototype, le travail de modélisation proprement dit peut commencer. S'il est nettement plus élevé, il est judicieux de procéder à un nettoyage ciblé des champs les plus importants avant le projet pilote, mais uniquement des champs dont le cas d'utilisation a réellement besoin, et non de l'ensemble de la base de données.
Combien de temps prend réellement la préparation des données ?
Cette même analyse de superkind.ai, datant d’avril 2026, estime à environ 61 % en moyenne la part du temps consacrée à la préparation des données par rapport à la durée totale du projet. Quiconque prévoit un projet d’IA comprenant quatre semaines de travail sur le modèle devrait plutôt tabler sur dix semaines de travail sur les données en amont, et non deux. Dans les plans de projet qui sous-estiment cette part, la date de livraison du premier prototype utilisable est généralement repoussée, le travail sur les données ne pouvant guère être raccourci. Pour les systèmes à haut risque, cet effort est désormais également prescrit par la loi. Article 10 du règlement sur l'IA exige que les données d'entraînement, de validation et de test soient pertinentes et suffisamment représentatives, et qu'elles soient, dans la mesure du possible, exemptes d'erreurs et complètes. Ceux qui ne prennent connaissance de cette exigence qu'après la phase de prototypage doivent planifier deux fois le travail sur les données. L'article fournit un aperçu complet des échéances jusqu'en 2028. Loi européenne sur l'IA : feuille de route pour la mise en conformité d'ici 2028.
Sur la durée du projet, la préparation des données représente en moyenne une part plus importante que le modèle.
superkind.ai, avril 2026
Un chiffre souvent cité, selon lequel une grande partie des projets d'IA échoue en raison d'une qualité insuffisante des données, circule dans de nombreuses conférences et articles. Il provient d'analyses ponctuelles réalisées par certains prestataires, et non d'une étude indépendante à grande échelle ; il doit donc être considéré comme une estimation et non comme une donnée fiable.
Pourquoi un projet pilote reste néanmoins pertinent
Il n'existe pas de données parfaites. Chaque source comporte des lacunes, des doublons ou des entrées obsolètes, qu'il s'agisse d'un système ERP géré en interne ou d'une base de données publique. Pour un projet pilote, ce qui compte avant tout, c'est de savoir si une seule source, bien entretenue, suffit pour un premier cas d'utilisation.
Un pilote reposant sur une seule source de données bien entretenue est un projet qui ne verra jamais le jour, car il vise à nettoyer au préalable toutes les sources de données de l'entreprise. Celui qui attend des données parfaites ne se lance jamais.
Dans nos propres projets, nous sommes plus souvent confrontés au problème inverse. Les équipes passent des mois à nettoyer une base de données avant même que le premier prototype ne soit opérationnel, et perdent ainsi de vue le cas d'utilisation initial. Un cas d'utilisation précis, s'appuyant sur une seule source, permet de déterminer plus rapidement si l'effort en vaut la peine qu'un projet de données à l'échelle de l'entreprise sans objectif précis.
De la base de données au projet pilote
Une source de données validée et bien délimitée ouvre la voie à l'étape suivante. Notre „ Méthodologie pour un projet pilote d'IA en 90 jours “ décrit comment cela permet de créer un prototype avec de vrais utilisateurs. Si vous souhaitez faire évaluer au préalable votre propre base de données, vous pouvez obtenir, dans un Premier entretien de conseil en IA une première analyse indépendante.
Contextualiser les données disponibles avant la réalisation du prototype
Pour savoir si une source existante est suffisante pour un premier cas d'utilisation, il suffit de procéder à un bref échantillonnage avant la réalisation du prototype. Cela permet de déterminer s'il est nécessaire de nettoyer de manière ciblée certains champs avant de commencer à modéliser.
Foire aux questions
Comment vérifier la qualité des données ?
Le plus rapide consiste à effectuer un échantillonnage selon les six critères suivants : exhaustivité, exactitude, cohérence, actualité, clarté et accessibilité. Pour une base de données clients, cela signifie par exemple vérifier manuellement entre cent et deux cents enregistrements et noter le taux d’erreur pour chaque dimension, plutôt que de nettoyer l’intégralité de la source au préalable. Le résultat tient sur une page et suffit pour prendre la décision suivante.
Qui est responsable ?
La qualité des données relève rarement de la responsabilité d’un seul acteur. Le service métier connaît la signification des champs, le service informatique maîtrise les accès techniques, et l’équipe chargée du projet d’IA doit concilier ces deux points de vue. Sans une personne désignée pour coordonner cette concertation, celle-ci reste un sujet dont personne ne se sent finalement responsable. Dans les petites équipes, un seul interlocuteur ayant accès aux deux parties suffit ; dans les grandes organisations, il faut mettre en place un cadre fixe, par exemple une brève réunion hebdomadaire de mise au point pendant la phase pilote.
Un projet pilote est-il justifié lorsque les données sont médiocres ?
Dans la plupart des cas, oui, à condition que le cas d'utilisation soit suffisamment ciblé. Un projet pilote présentant des lacunes connues permet de mettre en évidence les erreurs qui posent réellement problème dans la pratique et celles qui n'ont pratiquement aucune incidence sur le résultat. Il est difficile de tirer cette conclusion à partir d'un tableau comportant des valeurs manquantes, mais cela devient possible dès les premières semaines avec un prototype en fonctionnement. L'important est simplement de limiter suffisamment la portée du projet pilote pour qu'une seule donnée manquante ne rende pas immédiatement le résultat inutilisable.
Pourquoi torck ?
torck développe des applications d'IA avec ses propres équipes de développement à Maxhütte-Haidhof, Vienne et Rabat, et aborde chaque projet en se basant sur la situation réelle des données, et non sur une vision idéalisée de celles-ci. Cette analyse détermine souvent si un cas d'utilisation permettra d'aboutir à un prototype en six semaines ou seulement à l'issue d'un projet de traitement des données de longue haleine. Si vous souhaitez évaluer votre base de données de manière réaliste, vous pouvez le faire dans un Premier entretien de conseil en IA .
Cet article cite des lois et des règlements pour situer des décisions techniques. Il ne constitue pas un conseil juridique. Pour savoir si et comment une règle s'applique à votre entreprise, adressez-vous à votre service juridique ou à un cabinet d'avocats.
German 
English 
French