« Nos données ne sont pas prêtes » : le mythe du prérequis

« Nos données ne sont pas prêtes pour l'IA. » La phrase est prudente, sincère — et fausse dans sa prémisse : des données modernes seraient le prérequis de la trajectoire. Nous défendons l'inverse : elles en sont le résultat. Attendre qu'elles soient prêtes est la meilleure façon qu'elles ne le soient jamais.

Les chiffres brandis pour justifier l'attente disent autre chose. Gartner prévoit que 60 % des projets d'IA sans données adaptées seront abandonnés d'ici fin 2026. Mais seules 7 % des entreprises estiment leurs données complètement prêtes : si « prêt » était le ticket d'entrée, 93 % des organisations seraient disqualifiées d'office. Gartner ajoute que 63 % des organisations n'ont pas — ou ne savent pas si elles ont — des pratiques de gestion de données adaptées à l'IA — le prérequis n'est pas seulement rare, il est invérifiable.

La recherche le dit depuis trente ans : la qualité des données n'existe pas dans l'absolu. Neil Lawrence (Data Readiness Levels, 2017) montre qu'elle s'évalue par rapport à une tâche donnée. Wang et Strong la définissaient dès 1996 par l'usage :

« Des données de qualité sont des données adaptées à l'usage de ceux qui les consomment. » — Wang & Strong, Journal of Management Information Systems, 1996 (traduction libre).

La norme ISO/IEC 5259-4:2024 va au bout de cette logique : la qualité de données pour le machine learning y est un cadre de processus — évaluer, améliorer, en boucle — pas un état à atteindre avant de commencer. « Pas prêtes » reste une phrase incomplète tant qu'on n'a pas répondu à : prêtes pour quel usage ? C'est pourquoi le schéma est le livrable : le modèle de données utile émerge de l'usage réel.

L'écart mesuré entre les 84 % de confiants et les 18 % de réellement gouvernés confirme le piège : attendre d'être prêt, c'est attendre un état que presque personne n'atteint.

Trois travaux indépendants convergent. RAND recommande de rester concentré « sur le problème à résoudre, pas sur la technologie ». Le rapport MIT NANDA 2025 (méthodologie discutée, mais convergente) observe que les organisations qui réussissent avec l'IA générative commencent étroit, sur un processus non critique, prouvent la valeur, puis étendent. Et Drexel LeBow / Precisely mesure le gain de confiance de 50 % à 71 % : on ne gouverne pas ses données pour commencer, on les gouverne en commençant.

C'est la mécanique start from anywhere : partir de l'existant, choisir un usage étroit, livrer, laisser la qualité monter. Elle est au cœur de notre façon de construire.

Ce que ça coûte de ne rien faire — 42 % des entreprises rapportent que plus de la moitié de leurs projets d'IA ont été retardés, dégradés ou abandonnés à cause de la préparation des données (étude commanditée par Fivetran, 2025). Pendant ce temps, l'adoption de l'IA dans les entreprises de l'UE est passée de 8,1 % en 2023 à 20,0 % en 2025 (Eurostat). L'attente n'est pas neutre : c'est une décision, avec un prix.

Nos trente et quelques projets livrés ne sont pas partis d'infrastructures modernes, mais de sept situations réelles — un Excel mis à jour à la main chaque lundi, un processus qui n'existait que dans les têtes, six systèmes qui ne se parlaient jamais… Aucune n'attendait un entrepôt de données. Le protocole MCP — un standard open source qui connecte l'IA aux systèmes existants, « comme un port USB-C pour l'IA » — outille précisément cela : de l'IA sans data warehouse, en interrogeant les systèmes en place sans les remplacer. Un ERP scolaire à API SOAP est ainsi devenu interrogeable en langage naturel ; une direction financière publie ses dashboards en parlant à Claude, en minutes. La logique rejoint celle du strangler fig appliqué au legacy : on entoure l'existant, on ne l'attend pas.

Par où commencer ? Là où vous êtes. Voici nos sept points de départ et ce que chacun est devenu.

Chaque ligne a commencé avec des données pas prêtes pour l'IA, et a fini avec des données plus propres — parce que l'usage l'exigeait.

Commencer avec ce qu'on a n'autorise pas à commencer n'importe comment. Certains usages imposent de vrais prérequis : des données personnelles appellent une base légale et des accès maîtrisés avant tout traitement ; un usage critique — paie, facturation, santé — mérite une qualification sérieuse en amont. Par ailleurs, multiplier les petits débuts sans jamais industrialiser produit une collection de prototypes : le premier pas n'a de valeur que dans une trajectoire, avec schéma, gouvernance et extension progressive. Enfin, nos sept trajectoires sont des cas constatés, pas une loi statistique : elles prouvent le possible, pas l'automatique.