C’est la petite phrase qui tue n’importe quel projet d’IA en comité de direction : « On a la data, mais elle n’est pas prête ».
En réalité, elle ne le sera jamais. Attendre le lac de données parfait est une stratégie de procrastination déguisée en rigueur technique. La vérité, c’est que la « data quality » n’est pas un prérequis binaire (propre/sale), mais une variable d’ajustement économique. Voici pourquoi 80% des entreprises échouent à passer en production, et comment inverser la vapeur en adoptant une approche Data Quality First pragmatique.
Le Mythe du « Data Lake » Immaculé
Pendant une décennie, les DSI ont vendu le rêve du Data Lake : un réceptacle centralisé, agnostique et infini. Le résultat ? Des marais de données (Data Swamps) inexploitables. Selon une étude Gartner, 60% des projets de Big Data échouent. Pourquoi ? Parce qu’on stocke « au cas où », sans schéma, sans gouvernance, et surtout sans cas d’usage.
L’IA générative a changé la donne. Un LLM (Large Language Model) n’a pas besoin de données structurées parfaites, mais il a besoin de contexte. Si vous nourrissez un RAG (Retrieval-Augmented Generation) avec des PDF obsolètes de 2019, vous n’aurez pas une hallucination technique, mais une hallucination corporative : l’IA vous répondra avec la stratégie d’il y a 5 ans.
L’Approche « Garbage In, Garbage Out » revisitée
Le vieux dicton informatique est plus vrai que jamais, mais avec une nuance. Avec le Deep Learning, le « Garbage » est parfois subtil. Ce n’est pas une cellule Excel vide. C’est un biais. C’est une documentation technique ambiguë. C’est un historique de CRM où les commerciaux ont rempli « test » dans le champ « raison de la perte ».
- La donnée manquante : L’IA invente pour combler le vide.
- La donnée dupliquée : Elle renforce artificiellement un signal faible (biais de répétition).
- La donnée non datée : L’IA ne distingue pas le fait d’hier de la vérité d’aujourd’hui.
La Stratégie Data Quality First : 3 Piliers
1. Nettoyer à la source (Shift Left)
Arrêtez de payer des Data Scientists 80k€ pour nettoyer des fichiers CSV. La qualité de la donnée doit être imposée à la saisie. Si un commercial ne remplit pas correctement le CRM, ce n’est pas un problème technique, c’est un problème de management. Instaurez des contraintes d’intégrité rigides dans vos applications métiers. C’est impopulaire, mais nécessaire.
2. La Métrique de « Time-to-Data »
Combien de temps faut-il à une nouvelle donnée pour être ingérée, nettoyée et vectorisée ? Si la réponse se compte en semaines, vous êtes morts. L’architecture moderne (le fameux Modern Data Stack) doit permettre un flux quasi-temps réel. Utilisez des outils comme dbt pour transformer la donnée dans l’entrepôt (ELT plutôt que ETL), garantissant traçabilité et versioning.
3. L’IA pour nettoyer l’IA
Ironiquement, les LLM sont d’excellents nettoyeurs. Utilisez des modèles légers (type Llama 3 ou Mistral) pour scanner vos bases textuelles, identifier les doublons, corriger les fautes de frappe et normaliser les formats. C’est le concept d’AI-Assisted Data Engineering.
Conclusion : La dette technique est une dette financière
Ne lancez pas de POC (Proof of Concept) IA tant que vous n’avez pas audité la qualité de vos données sur un périmètre restreint mais critique. « Mieux vaut un petit dataset propre qu’un Big Data sale », disait Andrew Ng. C’est la seule voie pour passer du fantasme technologique au ROI mesurable.
