Votre entreprise est-elle prête pour l’IA ? Les prérequis côté données

Évaluer un usage précis, pas une maturité abstraite

Une entreprise peut être prête à proposer un assistant documentaire à ses acheteurs et manquer encore des données nécessaires pour prévoir ses ruptures de stock. Elle peut disposer d’une plateforme récente sans savoir quelle version d’une procédure fait autorité. L’expression « IA Ready » devient utile lorsqu’elle décrit une capacité vérifiée sur un périmètre, pour des utilisateurs et des décisions identifiés.

Commencez par formuler le service attendu : retrouver une règle applicable, expliquer un écart de performance, classer une demande ou anticiper un événement. Précisez qui utilise le résultat, qui décide ensuite, le délai utile et les conséquences d’une réponse incorrecte. Un brouillon relu par un spécialiste et une instruction exécutée automatiquement ne demandent pas les mêmes garanties.

Le cadre volontaire NIST AI RMF 1.0 organise la gestion des risques autour de quatre fonctions : gouverner, comprendre le contexte, mesurer et gérer. Il insiste sur une démarche continue, proportionnée au contexte. La grille présentée dans cet article est notre proposition opérationnelle ; elle ne constitue ni une certification ni une checklist officielle du NIST.

Distinguer les prérequis des trois grandes familles d’usages

Pour un assistant documentaire utilisant le RAG, le système recherche des contenus puis les fournit au modèle pour préparer sa réponse. La documentation Microsoft recommande de définir ensemble le domaine, les documents représentatifs et les questions auxquelles ils permettent de répondre. Un index interrogeable ne prouve pas que le corpus contient la bonne information.

Pour une interrogation de données structurées, le problème porte aussi sur le sens des chiffres : période, unité, niveau de détail, périmètre et règles de calcul. Pour un modèle prédictif, il faut reconstruire ce qui était effectivement connu avant l’événement à prévoir. Ces trois besoins peuvent partager une infrastructure, mais leurs preuves de préparation diffèrent.

Mesurer la qualité qui change réellement le résultat

Une note globale de qualité renseigne mal sur la faisabilité d’un usage. Pour une prévision de livraison, l’historique des dates promises peut être déterminant alors que certains champs descriptifs sont secondaires. Pour rechercher une procédure, sa date d’application et son périmètre importent davantage que l’uniformité de sa mise en page. Reliez donc chaque contrôle à un mode d’erreur concret.

Sur un échantillon représentatif, vérifiez les informations manquantes, les doublons, les identifiants incohérents, les unités et les changements de définition. Observez les écarts par site, catégorie ou période : une moyenne satisfaisante peut masquer un périmètre inexploitable. Distinguez aussi une absence réelle de donnée d’un défaut d’extraction ; les actions correctrices seront différentes.

Il n’est pas nécessaire d’attendre une qualité parfaite sur tout le patrimoine. En revanche, un champ critique sans maîtrise ne devient pas acceptable parce que les autres sont bien renseignés. Décidez explicitement de corriger la source, de limiter le périmètre, d’afficher une réserve ou de suspendre la réponse. Un seuil de tolérance doit découler de l’usage et du coût de l’erreur, pas d’un pourcentage universel.

Documenter le sens, la provenance et la fraîcheur

Pour chaque ensemble de données exposé à l’IA, créez une fiche courte : propriétaire, origine, définition, périmètre, fréquence de mise à jour, restrictions et anomalies connues. Documentez les transformations importantes. Une somme calculée après exclusion de certains établissements doit conserver cette information jusqu’à sa restitution à l’utilisateur.

Dans un corpus documentaire, distinguez date de publication, date d’application et date d’indexation. Une procédure ancienne peut rester valide ; un document chargé hier peut déjà être remplacé. Reliez les versions et prévoyez le retrait des contenus obsolètes. Lorsqu’un document est découpé pour la recherche, chaque fragment doit conserver assez de contexte pour éviter une interprétation isolée d’une exception ou d’un tableau.

Formalisez un contrat de données proportionné avec le producteur : contenu attendu, identifiants stables, délai de disponibilité, contrôles et annonce des changements. Il s’agit d’un accord de fonctionnement, qui peut commencer par une page partagée. Vérifiez la fraîcheur de l’information métier, et pas seulement que le dernier traitement informatique s’est terminé sans erreur.

Faire suivre les droits jusqu’à la réponse

Le compte technique capable de lire une source ne définit pas ce qu’un salarié est autorisé à consulter. L’identité de l’utilisateur et son périmètre doivent participer au contrôle des données récupérées. Demander au modèle de ne pas divulguer une information ne remplace pas un contrôle d’accès exécuté par l’application ou le service de données.

La documentation Azure AI Search illustre le filtrage des documents selon les droits au moment de la recherche. Elle précise également que des permissions copiées dans un index dépendent de leur synchronisation avec la source. Une révocation de droit doit donc être testée de bout en bout, avec le délai réellement observé.

Étendez ces vérifications aux extraits, caches, conversations conservées et journaux techniques. Testez un changement de groupe et une tentative d’accès à un autre périmètre. Pour les sources tierces, faites vérifier les usages autorisés et les conditions de transmission au fournisseur IA concerné. L’accès à une donnée dans un outil existant ne suffit pas à établir que tous ses nouveaux traitements sont autorisés.

Construire l’évaluation avant d’optimiser la démonstration

Constituez avec les métiers un jeu de situations accompagné des réponses attendues et de leurs justifications. Incluez des demandes courantes, des exceptions, des ambiguïtés et des questions auxquelles le système ne peut pas répondre. Réservez une partie des cas à une évaluation finale : ajuster la solution sur tous les exemples disponibles rend la mesure trop favorable.

Évaluez séparément la récupération des bonnes données et la réponse produite. Une citation présente ne garantit pas qu’elle soutient l’affirmation. Sur les indicateurs, comparez les résultats chiffrés, les filtres et les agrégations aux références validées. Ajoutez le temps de vérification humaine : une réponse rapide qui exige une longue correction peut dégrader le travail réel.

Pour le prédictif, Google souligne deux pièges : utiliser une information indisponible au moment de la prédiction et laisser diverger les données d’entraînement et de production. Son guide recommande aussi d’examiner les performances par sous-ensemble. Concrètement, tester une prévision de retard avec la date réelle de livraison comme entrée donnerait une réussite artificielle.

Adaptez la séparation des données au contexte : ordre temporel pour une prévision, séparation d’équipements ou d’entités lorsque leur répétition pourrait rendre le test trop facile. Comparez au processus actuel et à une méthode simple. Présentez les résultats par famille de situations, avec les erreurs observées et les limites de l’échantillon, plutôt qu’un seul taux de réussite.

Décider de lancer, de réduire le périmètre ou d’attendre

La grille ci-dessous aide à préparer une décision collective. Elle n’est pas une moyenne de maturité : une fuite d’information ou l’impossibilité d’identifier les sources peut bloquer le lancement malgré de bons résultats ailleurs. Associez chaque réserve à un responsable, une preuve attendue et une échéance.

Un feu vert vaut pour le périmètre testé et le niveau d’autonomie retenu. Passer d’une suggestion relue à une action automatique, ouvrir un nouveau pays ou ajouter des sources impose de réexaminer les conditions de lancement. Un pilote limité reste une étape de vérification, avec des utilisateurs informés et un suivi adapté.

Exemple fictif : préparer un assistant pour les équipes d’exploitation

Une entreprise fictive souhaite aider ses équipes d’exploitation à retrouver les procédures internes applicables à leurs sites. Son corpus contient des politiques groupe, des annexes locales et des versions remplacées. Une première démonstration paraît convaincante, mais répond à une question française avec une annexe destinée à un autre pays.

L’équipe restreint le pilote à la France, identifie les documents applicables et ajoute le pays, la date d’effet et le responsable à chaque source. Elle prépare 60 questions fictives pour illustrer son protocole : 40 situations courantes, 10 ambiguës et 10 hors périmètre. Ces nombres constituent un exemple de travail, pas une taille d’échantillon recommandée ni une preuve statistique suffisante.

Les critères distinguent exactitude, source applicable, demande de précision et refus justifié. Le responsable opérationnel conserve la décision ; l’assistant n’exécute aucune opération. Une réponse exacte fondée sur une version obsolète reste un défaut. Le lancement dépend des résultats examinés par famille et des tests d’accès, puis un suivi des corrections détermine si l’usage fait réellement gagner du temps.

Construire un plan d’action proportionné et durable

Organisez le travail autour de quatre livrables. Le premier cadre l’usage, les utilisateurs et les conséquences d’une erreur. Le deuxième décrit les données réellement inspectées et les écarts bloquants. Le troisième rassemble les tests et la décision de lancement. Le quatrième précise qui exploite le service, suit les résultats et finance les corrections.

Après lancement, surveillez les sources manquantes, les retards de mise à jour, les changements de structure, les refus et les réponses corrigées. Analysez régulièrement un échantillon avec les métiers, car un système techniquement disponible peut produire des réponses inutiles. Un changement de modèle, de documents ou de règles métier doit déclencher les vérifications pertinentes.

Prévoyez aussi le coût de fonctionnement : alimentation des données, appels aux services, contrôle humain et maintenance des règles. Si l’effort de vérification absorbe le bénéfice attendu, réduisez le périmètre ou revoyez le service. Le meilleur prochain investissement peut être de fiabiliser un référentiel ou de clarifier une règle métier ; le diagnostic doit permettre cet arbitrage.

Questions fréquentes