La data de qualité, fondation de toute stratégie IA

Avant de parler d'IA, parlons data. Pourquoi les projets échouent et comment construire la bonne fondation.

7 minutes

9th of September, 2026

Le paradoxe de l'entreprise qui investit dans l'IA sans investir dans sa data

Les budgets IA atteignent des records. Les ambitions aussi. Pourtant, les résultats, eux, déçoivent à une échelle qui devrait alarmer chaque dirigeant. En 2025, les entreprises mondiales ont investi 684 milliards de dollars dans des initiatives IA. Résultat : plus de 80 % de cet investissement n'a pas délivré la valeur attendue.

Ce chiffre n'est pas une projection. C'est un constat. L'analyse de la RAND Corporation portant sur plus de 2 400 projets d'entreprise établit que 80,3 % des initiatives IA ont échoué à délivrer leur valeur business, dont un tiers abandonné avant même d'atteindre la production. Et selon Gartner, 85 % de ces échecs sont directement attribuables à une mauvaise qualité des données ou à l'absence de données pertinentes.

Le paradoxe est là, net et documenté : on construit des architectures IA sophistiquées sur des fondations que personne n'a prises le temps de consolider. La technologie n'est pas en cause. C'est la donnée qui manque ou qui est là, mais dans un état qui la rend inutilisable.

« Les organisations dont les initiatives IA réussissent investissent jusqu'à quatre fois plus dans leurs fondations data et analytiques que celles qui échouent. »

— Rita Sallam, Distinguished VP Analyst, Gartner Fellow – Avril 2026

Ce que « mauvaise donnée » signifie vraiment sur le terrain

Dans la plupart des organisations industrielles, la donnée existe en abondance. Le problème est structurel : elle est fragmentée entre des systèmes qui ne se parlent pas, non étiquetée, rarement gouvernée, et presque jamais pensée pour être consommée par un modèle d'IA.

Trois symptômes reviennent systématiquement. Selon une étude DATAVERSITY 2025, 68 % des organisations citent les silos de données comme leur principal obstacle, un chiffre en hausse de 7 points en un an. Le deuxième symptôme est l'absence de gouvernance : pas de data owner clairement identifié, pas de règles de qualité appliquées, pas de traçabilité des sources. Le troisième est une infrastructure qui n'a jamais été conçue pour exposer la donnée là où l'IA en a besoin, au bon moment et dans le bon format.

Ces trois symptômes ont une conséquence commune : un modèle entraîné sur ces données produit des résultats non fiables, dérive rapidement en production, et finit par être abandonné, non pas parce qu'il est mauvais, mais parce que la fondation sur laquelle il repose est instable.

Infographie

Deux cas, un même diagnostic

Cas A | Équipementier du secteur énergie

Un projet de maintenance prédictive s'appuie sur des millions de points IoT par jour. Mais les données sont hétérogènes, non étiquetées, dispersées entre des silos incompatibles. Le POC fonctionne en laboratoire. En production, le modèle dérive en trois semaines. Bilan : 18 mois de développement perdus. Cause : absence de pipeline de qualification des données en amont. La donnée existait. Elle n'était pas exploitable.

Cas B | Fabricant de dispositifs médicaux

Projet d'automatisation du contrôle qualité par vision IA. Première tentative : échec, images issues de trois lignes avec éclairages et résolutions différents, sans métadonnées. Après quatre mois de chantier data (normalisation, étiquetage, pipeline unifié), le modèle atteint 97 % de précision et réduit les faux rejets de 40 %. ROI atteint en six mois.

Dans les deux cas, la technologie IA n'était pas en cause. La fondation data a fait toute la différence.

Les trois piliers d'une donnée « AI-ready »

Rendre une donnée exploitable par l'IA ne s'improvise pas. Cela repose sur trois exigences non négociables, que les organisations qui réussissent adressent systématiquement avant de déployer le moindre modèle.

1. La qualité : fiabilité, complétude, fraîcheur. Un modèle d'IA n'est pas tolérant à la médiocrité des données, il l'amplifie. Une donnée erronée en entrée produit une prédiction erronée en sortie, avec une confiance affichée qui peut être trompeuse. La qualité n'est pas un état à atteindre une fois, c'est un processus continu : les modèles en production ont besoin de signaux de qualité mesurés en heures, pas en trimestres.

2. La gouvernance : qui est responsable de quoi. Sans data owner identifié, sans règles de qualité appliquées et auditées, aucun déploiement IA n'est durable. Gartner anticipe que d'ici 2026, 60 % des grandes entreprises auront déployé des outils de traçabilité des données pour adresser les risques réglementaires et opérationnels, contre seulement 20 % en 2023. L'écart entre les leaders et les retardataires se creuse précisément sur ce point.

3. L'infrastructure : exposer la bonne donnée au bon endroit. La donnée doit pouvoir circuler depuis ses sources – ERP, IoT, fichiers, bases de données ou documents – jusqu'aux modèles qui en ont besoin, dans des environnements variés (on-premise, cloud souverain, hybride), sans friction et sans perte de qualité. C'est ici que la plupart des architectures héritées montrent leurs limites.

Une réponse d’Akkodis : Data@Scale comme fondation opérationnelle

Data@Scale ne s'ajoute pas à l'existant : elle le connecte et l’amplifie. Elle unifie les sources de données de l'entreprise, automatise les pipelines de qualification et de gouvernance, enrichit et expose la donnée dans les environnements cibles, qu'il s'agisse d'un, d'un assistant IA génératif, ou d'un dashboard de décision. Le tout dans un cadre souverain, adapté aux exigences réglementaires françaises et européennes.

« Une donnée fiable, structurée et gouvernée est le prérequis de toute IA performante. C'est cette fondation, trop souvent négligée, explique une grande part des échecs au passage à l'échelle. »

— Denis Grandjean - Directeur de l'offre Data & IA, Akkodis

Dans les deux cas présentés plus haut, l'intervention d'Akkodis a d'abord porté sur la donnée, avant toute considération sur le modèle. C'est ce séquencement, contre-intuitif pour beaucoup d'organisations pressées de déployer, qui conditionne la durabilité des résultats.

La donnée n'est pas un prérequis technique. C'est un choix stratégique.

Les organisations qui réussissent leur transformation IA en 2026 ne sont pas celles qui ont le plus investi dans les modèles. Ce sont celles qui ont eu le courage d'investir d'abord dans ce qui est invisible : la qualité, la gouvernance et l'infrastructure de leurs données.

Mais une donnée bien gouvernée ne suffit pas si elle ne peut pas circuler librement dans un environnement maîtrisé. La question de la souveraineté – où la donnée est stockée, qui y accède, sous quelle juridiction – devient un enjeu stratégique croissant, notamment pour les entreprises françaises soumises au RGPD et aux nouvelles exigences de l'AI Act.

-----

Sources :