Les problèmes liés à l’IA se manifestent souvent au moment de l’utilisation. Pourtant, les résultats se jouent bien en amont — au niveau de la couche de données qui alimente les décisions pilotées par l’IA.

Il est tentant de se concentrer sur l’intelligence du système, mais l’IA fonctionne davantage comme un amplificateur : elle apprend à partir des données de l’entreprise et démultiplie ce qu’elles contiennent. Lorsque les fondations sont fragmentées ou de mauvaise qualité, les résultats le sont tout autant.

Cela devient évident dès que l’IA s’intègre dans des workflows en production. La personnalisation pousse les clients à « passer à la version supérieure » juste après un achat. Les segments peuvent sembler corrects dans les rapports, mais ils ratent leur cible lors de l’activation, car le consentement et l’identité ne sont pas cohérents d’une plateforme à l’autre. L’automatisation de contenus réutilise des ressources au-delà de leur marché approuvé, et vous ne vous en rendez compte qu’après le lancement.

Les coûts se font rapidement sentir. Gartner prédit que d’ici 2026, 60 % des projets d’IA seront abandonnés pour cette raison précise. Les équipes qui ont consacré des mois à des pilotes ne peuvent les déployer à grande échelle, et l’écart entre les organisations qui adoptent efficacement l’IA et les autres ne cesse de se creuser.

Pour combler cet écart, il faut changer de posture : cesser de considérer les données comme un actif statique et les traiter comme le premier facteur de succès de l’IA.

Trois actions indispensables pour des données prêtes pour l’IA

L’écart entre la prise de conscience du problème de données et sa résolution peut souvent être comblé en sachant sur quoi concentrer ses efforts. Les trois actions ci-dessous apportent cette clarté.

1. Cartographier le paysage des données avant que l’IA ne s'y aventure
2. Qualifier les données avec le contexte dont l’IA a besoin pour agir de manière intentionnelle
3. Garantir la qualité des données grâce à des contrôles automatisés dans les workflows d’IA

Chacune de ces actions répond à une condition spécifique que l’IA doit remplir pour fonctionner de manière fiable — et chacune peut être abordée progressivement, en commençant par les cas d’usage prioritaires. Pour la plupart des organisations, il ne s’agit pas de nouvelles capacités. Les équipes marketing et informatiques travaillent déjà, sous une forme ou une autre, sur la visibilité, l’annotation et la gouvernance. Ce que l’IA fait évoluer, c’est le niveau d’exigence auquel ces capacités doivent répondre.

Examinons chacune d’elles plus en détail.

Cartographier le paysage des données avant que l’IA ne s'y aventure

Lorsque des dirigeants affirment ne pas disposer des bonnes données pour l’IA, ils posent souvent un mauvais diagnostic. Dans la plupart des organisations, le problème n’est pas l’absence de données, mais leur dispersion.

Les données sont dispersées entre des data lakes, des gestionnaires de ressources, des plateformes marketing, des espaces de stockage partagés et des systèmes partenaires. Certaines sont hébergées dans des outils structurés, d’autres dans des processus qui se sont construits de façon organique et qui font désormais partie du quotidien. Ce qui fait défaut, c’est une vision claire de l’emplacement de ces données, de leurs interconnexions et de ce à quoi l’IA peut réellement accéder et se fier.

Pour gagner en visibilité, la démarche la plus efficace consiste souvent à partir d’un résultat concret attendu de l’IA, plutôt que de chercher à dresser un inventaire exhaustif des données disponibles.

Une marque de grande consommation mondiale a mis cette approche en pratique lors du déploiement de sa personnalisation pilotée par l’IA à l’échelle internationale. En se concentrant d’abord sur les insights clients nécessaires à la création d’expériences pertinentes, l’entreprise a pu identifier les sources de données les plus déterminantes, repérer les zones de fragmentation entre les différentes régions et déterminer ce qui devait être connecté pour permettre à l’IA de fonctionner de manière fiable.

Cette approche orientée résultats implique de savoir répondre aux questions suivantes :

• Sur quelles données ce cas d’usage IA s’appuie-t-il pour prendre des décisions ?
• Où ces données se trouvent-elles aujourd’hui dans nos systèmes ?
• Quelles sources sont interconnectées, et où les lacunes créent-elles des angles morts ?

Cet exercice contribue à construire une compréhension partagée entre des équipes qui peuvent employer les mêmes termes avec des sens différents. Par exemple, les équipes marketing, IT, analytics et ingénierie parlent toutes de « profil client », mais n’y mettent pas la même réalité. L’une raisonne en termes d’enregistrements et de segments de gestion de la relation client (GRC). Une autre pense flux d’événements et comportements. Une troisième se concentre sur les identifiants et les permissions. L’IA ne résout pas ces divergences d’elle-même.

Sans alignement sur ce que représentent réellement les données, toute tentative d’interconnexion des systèmes pour l’IA achoppe bien avant même d’aborder la dimension technologique.

L’objectif n’est pas d’atteindre une visibilité parfaite, mais de réduire suffisamment les angles morts pour que les équipes sachent à quelles données l’IA peut accéder et faire confiance. Cela passe par une cartographie de haut niveau indiquant où résident les données aujourd’hui et comment elles soutiennent les activités.

Qualifier les données avec le contexte dont l’IA a besoin pour agir de manière intentionnelle

La visibilité indique où se trouvent les données. L'étiquetage indique à l’IA ce qu’elles signifient.

La plupart des organisations étiquettent déjà leurs données, mais ces systèmes ont été conçus pour aider les personnes à retrouver des contenus — non pour aider l’IA à prendre des décisions.

Une ressource contenu étiquetée « Campaign Été 2025 » est facile à retrouver pour un être humain, mais un outil IA ne sait pas si elle est aspirationnelle ou pratique, formelle ou conversationnelle, destinée à des personnes souhaitant un voyage haut de gamme ou bien à des familles. Sans ce contexte, l’IA peut agir, mais elle ne peut pas agir avec intention.

Ce « fossé contextuel » explique en grande partie pourquoi les recherches 2026 d’Adobe sur l’IA et les tendances numériques* révèlent que seulement 43 % des organisations jugent la qualité et l’accessibilité de leurs données suffisantes pour adopter l’IA. Pour le combler, les leaders doivent comprendre que le niveau de contexte nécessaire varie selon le comportement attendu de l’IA.

1. La recherche assistée par l’IA requiert des libellés qui facilitent l’identification des ressources appropriées : auteur, date, thème et catégorie de marque.
2. L’exécution pilotée par l’IA requiert des libellés qui permettent d’adapter les expériences au contexte immédiat : intention de l’audience, ton, contexte émotionnel et langue.
3. L’action guidée par l’IA requiert des libellés qui permettent à l’IA d’agir en toute sécurité sans révision constante : droits d’utilisation, restrictions régionales, date d’expiration et statut d’approbation.

Réétiqueter intégralement une bibliothèque existante en une seule fois n’est pas toujours réaliste. L’IA peut prendre en charge ce travail d’étiquetage, ou bien vous pouvez adopter la même approche que pour la visibilité : cibler quelques résultats à fort impact pour orienter vos efforts.

Par exemple, si vous développez la création de contenu assistée par l’IA, vous pouvez commencer par ajouter des libellés indiquant le statut d’approbation et les cas d’utilisation autorisés. Certains contenus seront marqués comme « référence uniquement », tandis que d’autres pourront être autorisés à l’adaptation ou à la réutilisation automatisée.

Cette approche permet à l’IA de respecter les exigences de la marque et de la conformité sans nécessiter une révision humaine permanente. Pour garantir la fiabilité de l’IA, trois pratiques d’étiquetage essentielles sont à privilégier :

• Intégrer le contexte décisionnel : précisez ce que l’IA peut générer, recommander ou exclure.
• Définir des contraintes claires : intégrez les approbations et les droits d’utilisation directement dans les données.
• Indiquer les actions : identifiez les données pouvant déclencher des actions par rapport à celles servant uniquement à l’analyse.

Cette approche garantit que les données qui alimentent vos cas d’usage IA prioritaires disposent du contexte nécessaire à leur bon fonctionnement. À mesure que les cas d’usage évoluent, les améliorations restent ciblées et les investissements demeurent liés à la valeur générée.

Application de la gouvernance des données via des contrôles automatisés dans les workflows d'IA

La visibilité et l’étiquetage des données apportent de la clarté, mais c’est la gouvernance des données qui détermine si cette clarté se maintient lors du passage à l’échelle.

De nombreuses organisations ont des règles en place. Elles s’appuient sur des politiques de gouvernance, des programmes de formation et des bonnes pratiques documentées — mais le vrai défi, c’est la cohérence. Ce qui est écrit ne correspond pas toujours à la réalité lorsque les équipes avancent vite et que les données sont réutilisées dans de nouveaux contextes. Sans mécanismes d’application, la gouvernance reste lettre morte.

Cette divergence se manifeste de manière prévisible : le consentement des utilisateurs et utilisatrices n’est pas recueilli de façon homogène, les autorisations ne suivent pas toujours les données, et l’accès aux données s’élargit sans supervision adéquate.

Une entreprise mondiale de conseil s’est heurtée à ce problème lorsque ses données de consentement étaient dispersées dans des systèmes régionaux, contraignant les équipes à rechercher manuellement les autorisations avant chaque prise de contact client. En centralisant le consentement et en appliquant des règles d’utilisation via des contrôles automatisés, l’entreprise a gagné en cohérence dans l’activation et amélioré l’engagement.

Les secteurs réglementés bénéficient souvent d’un avantage en matière de déploiement de la prise de décision automatisée. Contraints depuis longtemps de mettre en place des contrôles d’accès rigoureux et des pratiques de consentement claires, ils répondent déjà aux exigences de gouvernance de l’IA que tous les secteurs doivent désormais respecter.

Le constat est sans appel : si la qualité des données repose sur la vigilance humaine à chaque étape, elle ne résistera pas à la montée en puissance de l’IA. Une bonne hygiène des données suppose de dépasser les simples recommandations pour passer à l’application automatique, via des contrôles intégrés directement dans les workflows. En pratique, cela passe par ces quelques mesures concrètes :

1. Validation à la création : les systèmes rejettent les données incomplètes ou mal étiquetées.
2. Traçabilité de la provenance : une lignée claire indiquant l’origine des données et les modifications apportées.
3. Protocoles de test : évaluation proactive des problèmes de qualité, des biais ou des résultats indésirables avant tout déploiement.
4. Mécanismes de retour d’information : des canaux structurés pour signaler les problèmes de qualité dès qu’ils apparaissent en pratique.

Ces contrôles réduisent la dépendance à la mémoire humaine et à l’application manuelle des règles. Ils limitent la dégradation progressive des données, diminuent les corrections en aval et favorisent un comportement plus cohérent de l’IA. La qualité devient automatique lorsque le comportement attendu est aussi le comportement le plus simple.

Des données au service de l’IA à grande échelle

L’avantage concurrentiel que procure l’IA ne tient ni au choix du modèle idéal, ni au lancement d’un pilote remarquable. Il repose sur les conditions que vous créez pour permettre à l’IA de fonctionner de manière fiable à grande échelle.

C’est précisément ce qu’apportent la visibilité, l’étiquetage et l’hygiène des données. Ne les considérez pas comme de simples tâches techniques à cocher. Lorsque ces trois éléments sont maîtrisés, l’IA peut exploiter des données unifiées à travers les systèmes, interpréter le contexte associé à chaque ressource et opérer dans le cadre d’une gouvernance appliquée naturellement dans les workflows quotidiens.

Pour passer de ces principes stratégiques à une réalité opérationnelle, une architecture adaptée devient indispensable. Pour une vision plus large de la façon dont les organisations abordent cette transformation, je vous recommande de consulter The AI Inflection Point.

Dans mon prochain article, j’aborderai le volet opérationnel de cette transition : comment gérer la courbe d’adoption et organiser les équipes.

*Note : les statistiques citées dans cet article sont issues de la recherche d’Adobe sur l’IA et les tendances numériques de 2026. Une sélection de résultats est publiée dans le Adobe 2026 AI and Digital Trends Report.

Emily McReynolds est Head of Global AI Strategy chez Adobe, où elle se consacre à l’adoption de l’IA en entreprise. Elle possède plus de 15 ans d’expérience en gouvernance des données, en apprentissage automatique et en IA, acquise aussi bien dans la recherche technique que dans le secteur industriel, notamment chez Microsoft et Meta.

Ayant déployé l’IA dans plusieurs entreprises, elle connaît parfaitement les défis caractéristiques d'un tel déploiement et accompagne les équipes dans sa mise en œuvre. Emily a commencé à coder en HTML et a appris à des personnes à se servir d’ordinateurs à l’époque des disquettes.

https://business.adobe.com/fragments/resources/cards/thank-you-collections/generative-ai