Synthèse

Les initiatives d’IA en entreprise devraient évaluer non seulement les capacités du modèle, mais aussi l’adéquation des informations fournies au système. Cet article propose de considérer la préparation des données pour l’IA comme une responsabilité opérationnelle continue : sélectionner les sources appropriées, préserver le sens métier, maintenir la traçabilité, faire respecter les limites d’accès et réagir aux changements.

L’accent est mis sur les applications d’entreprise qui dépendent de données internes, en particulier les assistants fondés sur la recherche d’informations et les systèmes d’aide à la décision. L’objectif n’est pas de préparer chaque jeu de données pour chaque modèle, mais d’établir un état de préparation démontrable pour un cas d’usage défini.

La disponibilité des données ne signifie pas qu’elles sont prêtes au déploiement

Selon Eurostat, en 2025, 19,95 % des entreprises de l’UE comptant au moins dix salariés ou travailleurs indépendants utilisaient des technologies d’IA, dans les secteurs économiques couverts par son enquête sur les TIC dans les entreprises. Ce chiffre mesure l’adoption, et non l’adéquation des données qui alimentent chaque application. [1]

Posons une autre question : lorsqu’un système d’IA répond à une question opérationnelle, l’organisation peut-elle établir quelles informations il a utilisées, si elles étaient à jour et si l’utilisateur était autorisé à les recevoir ?

Cet article défend l’idée que répondre à ces questions exige une responsabilité explicite en matière de préparation des données, entre les systèmes opérationnels et les applications d’IA. Les capacités du modèle restent importantes. Elles ne peuvent toutefois remplacer ni des informations que l’application ne reçoit jamais, ni des définitions métier que personne n’a établies.

L’importance du travail sur les données n’est pas nouvelle. Sambasivan et ses collègues ont montré comment les problèmes de données peuvent se cumuler et provoquer des défaillances en aval dans des systèmes d’IA à forts enjeux. Leur étude qualitative a porté sur 53 praticiens dans plusieurs pays ; elle ne doit pas être interprétée comme une estimation du taux d’échec des entreprises européennes. Ce qui importe ici, c’est le mécanisme : les décisions prises en amont concernant les données peuvent influencer le comportement du système en aval. [2]

Quand des enregistrements exacts produisent une réponse incomplète

Imaginons un assistant opérationnel hypothétique auquel on demande :

« Quels services de production nécessitent une attention particulière aujourd’hui ? »

Ses systèmes sources contiennent des enregistrements d’incidents, des mesures d’infrastructure et des calendriers de maintenance. Chaque jeu de données peut être exact pris isolément. Pourtant, l’assistant reçoit l’export des incidents de la veille, ne peut distinguer les ressources de production des environnements de test et retrouve une procédure de maintenance qui a été remplacée.

La réponse obtenue pourrait être cohérente, mais trompeuse sur le plan opérationnel. Le problème n’est pas nécessairement un fait inventé. Il peut s’agir d’une relation manquante, d’un enregistrement obsolète ou d’une distinction perdue entre des environnements opérationnels.

Cet exemple montre pourquoi la préparation doit aller au-delà d’une ingestion réussie. Le processus de préparation devrait préserver les relations, horodatages, définitions et conditions d’applicabilité nécessaires à l’interprétation des éléments probants.

Il montre aussi pourquoi une démonstration réussie ne suffit pas. Un prototype testé sur un instantané sélectionné n’a pas démontré son comportement lorsque les enregistrements changent, que des sources deviennent indisponibles ou que des autorisations sont retirées.

Définir l’état de préparation pour un cas d’usage précis

Voici une définition de travail utile :

Les données prêtes pour l’IA sont des données qui ont été évaluées et préparées pour une tâche d’IA précise, avec une signification, une provenance, des conditions d’accès, des attentes de qualité et des responsabilités de maintenance documentées.

Il s’agit d’une définition opérationnelle proposée, et non d’une certification.

Un jeu de données peut permettre de trouver des documents tout en restant inadapté à une recommandation opérationnelle aux conséquences importantes. De même, l’AI Risk Management Framework du NIST souligne la nécessité d’évaluer l’IA dans son contexte d’utilisation prévu et de traiter les risques tout au long de son cycle de vie. [3]

Pour les équipes en entreprise, je propose quatre questions pratiques.

Les informations sont-elles adaptées ?

Définissez la tâche, ses limites et les éléments probants qu’elle exige. Documentez les lacunes de couverture, les enregistrements contradictoires et les faiblesses de qualité connues. Une application ne devrait pas traiter silencieusement l’absence d’éléments probants comme la preuve qu’aucun problème n’existe.

Les informations conservent-elles leur sens ?

Préservez les unités, les définitions métier, les relations entre entités, les fuseaux horaires et le contexte historique pertinent. Un champ nommé « statut » n’est pas explicite en soi lorsque différents systèmes l’utilisent différemment.

Peut-on établir leur origine et leurs usages autorisés ?

Reliez les éléments dérivés à des sources et à des versions identifiables. Définissez qui peut les utiliser, à quelle fin et par quelle application. Les règles d’accès devraient déterminer ce qui parvient au modèle, plutôt que de s’appuyer uniquement sur le filtrage de sa réponse finale.

Resteront-elles adaptées à l’usage ?

Attribuez les responsabilités de mise à jour, de correction, de suppression et de revalidation. La préparation exige un responsable opérationnel, pas seulement un transfert de projet réussi.

La documentation des jeux de données constitue une base utile. La proposition Datasheets for Datasets recommande de consigner des aspects tels que la collecte, la composition et l’usage prévu. Les équipes en entreprise peuvent adapter cette approche pour maintenir un accord explicite entre les producteurs de données et leurs consommateurs côté IA. [4]

La couche manquante est une responsabilité, pas une base de données supplémentaire

Une couche de préparation des données pour l’IA doit être comprise comme un ensemble coordonné de contrôles, pas nécessairement comme un nouveau produit ou référentiel. Les plateformes d’intégration, catalogues, bases de données et services de gestion des accès existants peuvent en mettre en œuvre une grande partie.

Son objectif est de rendre explicite le passage des informations sources aux données d’entrée de l’IA :

  • ce qui est sélectionné ;
  • comment cela est transformé ;
  • quels contrôles sont réussis ;
  • dans quelles conditions l’utilisation est autorisée.

La génération augmentée par récupération illustre cette distinction. Les travaux initiaux sur le RAG associaient un modèle génératif à une recherche dans un index de connaissances externe. Cela offre une voie architecturale pour fournir des informations au-delà des paramètres d’un modèle ; cela ne garantit pas que les informations récupérées soient complètes, à jour ou adaptées à une tâche précise en entreprise. [5]

La préparation ne doit pas non plus être assimilée à la conversion de toutes les données en embeddings.

Les embeddings sont des représentations numériques utilisées dans des approches telles que la recherche sémantique. Un total opérationnel exact peut plutôt nécessiter une requête contrôlée en base de données ; un état de service évolutif peut nécessiter une API autorisée. La représentation doit suivre la tâche.

Pour un assistant fondé sur des documents, la préparation peut inclure la curation, la génération de documents, la segmentation, l’indexation et l’évaluation de la recherche d’informations. Pour une autre application, un jeu de données structuré et validé peut être plus approprié.

L’exigence commune est un chemin aux responsabilités clairement établies, depuis les éléments probants sources jusqu’aux données d’entrée de l’application.

L’état de préparation doit résister aux changements opérationnels

Un test de réception utile ne consiste pas simplement à vérifier qu’un pipeline peut ingérer des données. Il doit vérifier que l’application reste fiable après la modification de ces données.

Pour l’assistant opérationnel hypothétique, testez :

  • un incident mis à jour ;
  • un enregistrement supprimé ;
  • un champ renommé ;
  • une procédure remplacée ;
  • une autorisation révoquée.

Définissez la réaction attendue avant d’exécuter le test.

Lorsqu’une source devient indisponible, exigez que le système rende cette limitation visible ou utilise une solution de repli contrôlée, plutôt que de laisser entendre silencieusement que la couverture est complète.

Dans les systèmes de recherche d’informations, la conception devrait traiter la propagation des changements vers les documents dérivés, les index et les caches. Conserver un historique d’audit ne devrait pas conduire à continuer de fournir des contenus obsolètes comme s’ils étaient actuels.

Le Generative AI Profile du NIST recommande notamment de suivre les modifications des jeux de données et de maintenir une surveillance après le déploiement. [6]

La fraîcheur des données doit elle aussi être proportionnée.

« Suffisamment à jour » pour un assistant de gestion des incidents peut différer de « suffisamment à jour » pour une revue trimestrielle des connaissances. Définissez et mesurez un délai maximal acceptable pour chaque cas d’usage, plutôt que de supposer que toute charge de travail exige un traitement en temps réel.

Valider séparément les données et l’application

Trois questions doivent rester distinctes :

  • Le pipeline s’est-il exécuté ?
  • A-t-il préservé les informations requises ?
  • L’application d’IA a-t-elle utilisé ces informations correctement ?

Une transformation achevée ne démontre pas la justesse sémantique.

La traçabilité indique d’où viennent les informations ; elle ne prouve pas que la source est correcte.

Une correspondance dans les résultats de recherche ne démontre pas que le passage sélectionné étaye la réponse.

La validation devrait donc examiner séparément la fidélité entre la source et la sortie, la pertinence des informations retrouvées, les affirmations générées et le comportement en cas de défaillance.

Le Generative AI Profile du NIST recommande de vérifier les sources et les citations dans les sorties générées, de contrôler la provenance des données pertinentes et d’éviter les affirmations générales sur les capacités fondées sur des évaluations étroites ou anecdotiques. [6]

Pour un pilote délimité, j’évaluerais :

  • la traçabilité des sources ;
  • le respect des objectifs de fraîcheur ;
  • la couverture de la recherche sur un ensemble de questions vérifié ;
  • l’exactitude des citations ;
  • les résultats des tests de contrôle d’accès.

Je consignerais aussi les réponses non étayées et les cas où le système refuse à juste titre de répondre.

Les défaillances critiques concernant les accès ou la provenance ne doivent pas disparaître dans une moyenne flatteuse. Les contrôles de préparation contribuent aux décisions de déploiement ; ils ne prouvent pas l’absence d’hallucinations et ne remplacent pas des évaluations plus larges de la sécurité, de la protection des données et de la supervision humaine.

Une perspective architecturale pratique

Cette séparation des responsabilités guide notre travail sur CIRMS.

GL3 se concentre sur l’automatisation et l’acquisition de données opérationnelles.

GL4 fournit le parcours de préparation des données par le traitement des métadonnées, l’acquisition, la curation, la génération de documents et de chunks, la vectorisation et la validation sémantique.

GL5 est la couche d’IA appliquée prévue, destinée à s’appuyer sur cette base. [7]

Une distinction architecturale importante est que CIRMS lui-même n’est pas divisé en variantes de produit distinctes PROD, TEST ou DEV.

Une version de CIRMS correspond à un seul build du produit.

Si une organisation a besoin d’un déploiement de test, la même version de CIRMS peut être déployée sur une infrastructure de test. Un déploiement en production utilise la même version de CIRMS sur une infrastructure de production.

Les libellés d’environnement associés aux systèmes sources décrivent le contexte opérationnel de ces sources. Ils ne doivent pas être confondus avec des éditions, des builds ou des versions de produit CIRMS différents.

Cette distinction est tout aussi importante au sein du pipeline de préparation des données pour l’IA.

Un mécanisme déterministe utilisé pour valider le comportement du pipeline de bout en bout n’est pas une « version de développement » distincte de CIRMS. Il ne doit pas non plus être confondu avec un modèle d’embeddings sémantiques utilisé pour évaluer la qualité réelle de la recherche d’informations.

La validation du pipeline et la validation de la recherche sémantique sont des responsabilités différentes, même lorsqu’elles s’exercent au sein d’une même version du produit CIRMS.

L’enseignement architectural plus général est indépendant de CIRMS : distinguer l’exploitation de l’environnement source, la préparation d’informations utilisables et l’exploitation de ces informations par l’IA.

Chaque responsabilité exige des données d’entrée, des contrôles et des responsables clairement définis.

Commencer par un engagement délimité et vérifiable

Pour une entreprise qui entame ce travail, je recommande de sélectionner :

  • une question opérationnelle ;
  • un ensemble limité de sources ;
  • un groupe d’utilisateurs clairement défini.

Convenez des erreurs acceptables, de la fraîcheur, des limites d’accès et des procédures d’escalade avant d’élargir le périmètre de l’application.

Le livrable doit être plus qu’une démonstration.

Il doit apporter la preuve que les informations choisies soutiennent la tâche prévue, que les changements sont gérés de manière prévisible et que les limitations restent visibles pour les personnes qui se fient au système.

Cela n’exige ni des données parfaites dans toute l’organisation, ni le remplacement de l’ensemble de la pile technologique.

Cela exige des contrôles proportionnés au cas d’usage réel et un plan pour les maintenir.

La question n’est pas seulement : « Quel modèle d’IA devrions-nous déployer ? » Elle est aussi : « Quels éléments prouvent que les informations que nous fournissons sont adaptées à cette tâche, et le resteront demain ? »

C’est ainsi que la préparation des données pour l’IA en entreprise devient une discipline opérationnelle plutôt qu’un exercice de préparation ponctuel.

Points clés et implications pratiques

1. La disponibilité des données ne signifie pas qu’elles sont prêtes au déploiement.

L’accès aux informations ne démontre pas leur adéquation à une tâche d’IA particulière. Avant le déploiement, l’organisation devrait établir leur provenance, leur fraîcheur et les conditions d’utilisation autorisées.

2. Des enregistrements exacts peuvent produire une réponse incomplète.

Des relations manquantes, des procédures obsolètes ou une confusion entre environnements opérationnels peuvent rendre une réponse trompeuse sans que les enregistrements individuels soient incorrects. La préparation doit préserver le contexte nécessaire pour les interpréter correctement.

3. L’état de préparation est défini par l’usage prévu.

L’évaluation doit répondre à quatre questions : les informations sont-elles adaptées, conservent-elles leur sens, leur origine et leurs usages autorisés sont-ils établis, et resteront-elles adaptées à l’usage ? Les critères doivent être définis pour la tâche précise.

4. La couche manquante est une responsabilité, pas nécessairement un référentiel supplémentaire.

Une transition contrôlée des informations sources vers l’application d’IA est nécessaire. Documents, embeddings, requêtes structurées ou API doivent être choisis en fonction de la tâche, plutôt que d’appliquer une même approche à toutes les données.

5. L’état de préparation doit résister aux changements.

Testez le comportement lors des mises à jour, suppressions, modifications de schéma, indisponibilités des sources et révocations d’accès. Définissez des délais d’actualisation acceptables et empêchez la présentation d’informations historiques comme si elles étaient actuelles.

6. Les données et le comportement de l’application nécessitent des validations distinctes.

Une exécution réussie, des données correctement préparées et une réponse d’IA correcte sont des résultats différents. Évaluez-les séparément ; une moyenne flatteuse ne doit pas dissimuler des défaillances critiques concernant les accès ou la provenance.

7. L’architecture doit distinguer les responsabilités sans créer d’environnements de produit artificiels.

L’approche CIRMS sépare l’automatisation opérationnelle dans GL3, la préparation des données dans GL4 et leur utilisation prévue par l’IA appliquée dans GL5. CIRMS reste la même version de produit, qu’il soit déployé sur une infrastructure de test ou de production. De même, les mécanismes de validation du pipeline et de recherche sémantique doivent être distingués par leur finalité, et non décrits comme des environnements CIRMS distincts.

8. Commencer avec un périmètre limité et des objectifs vérifiables.

Sélectionnez une question précise, des sources limitées et des utilisateurs définis. Avant d’élargir l’application, établissez par des tests que les informations soutiennent la tâche, que les changements sont gérés de manière prévisible et que les limitations restent visibles.

Conclusion générale : la préparation des données pour l’IA n’est pas une réussite technique ponctuelle. C’est un état d’adéquation à une tâche précise, maintenu et démontrable.

Références

← Retour aux articlesRetour en haut ↑