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

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

Cela devient évident dès que l’IA s’intègre dans des flux de travail en production. Personalization incite les clients à « passer à l’offre supérieure » juste après un achat. Les segments semblent corrects dans les rapports, mais leur activation échoue faute de cohérence entre le consentement et l’identité sur les différentes plateformes. L’automatisation du contenu réutilise des ressources au-delà de leur marché approuvé, et cela ne se remarque qu’après le lancement.

Les coûts se font sentir rapidement. Gartner prédit que d’ici 2026, les organisations abandonneront 60 % de leurs projets d’IA pour cette raison précise. Des équipes ayant investi des mois dans des projets pilotes se retrouvent dans l’impossibilité de les déployer à grande échelle, et l’écart entre les organisations qui adoptent efficacement l’IA et les autres ne cesse de se creuser.

Combler cet écart exige un changement de posture : cesser de considérer les données comme un actif statique et les traiter comme le principal levier de réussite de l’IA.

Trois actions essentielles pour des données prêtes pour l’IA

L’écart entre la prise de conscience du problème de données et sa résolution se comble souvent en sachant où concentrer les efforts. Les trois actions présentées ci-dessous offrent cette clarté.

1. Cartographier le paysage des données avant que l’IA ne tente de s’y repérer.
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 flux de travail 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 de façon progressive, en commençant par les cas d’usage prioritaires. Pour la plupart des organisations, ces actions ne constituent pas de nouvelles capacités. Les équipes marketing et informatiques travaillent déjà, sous une forme ou une autre, sur la visibilité, la qualification et la gouvernance des données. Ce que l’IA change, c’est le niveau d’exigence auquel ces capacités doivent répondre.

Examinons chacune de ces actions plus en détail.

Cartographier le paysage des données avant que l’IA ne tente de s’y repérer

Lorsque les responsables affirment ne pas disposer des bonnes données pour l’IA, ils diagnostiquent souvent mal le problème. Dans la plupart des organisations, la question n’est pas l’absence de données, mais leur dispersion.

Les données sont dispersées entre les lacs de données, les gestionnaires d’assets, les plateformes marketing, les espaces de stockage partagés et les systèmes partenaires. Certaines sont hébergées dans des outils formalisés, d’autres dans des processus qui se sont construits au fil du temps et qui soutiennent désormais le travail quotidien. Ce qui manque, c’est une vision claire de l’emplacement de ces données, de leurs interconnexions et de ce que l’IA peut réellement percevoir et exploiter.

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

Une grande marque mondiale de grande consommation a appliqué cette logique lors du déploiement à l’échelle de sa personnalisation pilotée par l’IA sur ses différents marchés. En se concentrant d’abord sur les Insights clients nécessaires pour offrir des expériences pertinentes, l’organisation a pu identifier les sources de données les plus importantes, repérer les silos d’information entre régions et déterminer ce qui devait être connecté avant que l’IA puisse fonctionner de manière fiable.

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

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

Cet exercice contribue à construire une compréhension commune entre des équipes qui peuvent employer les mêmes termes avec des sens différents. Par exemple, les équipes marketing, informatique, analytique et ingénierie parlent toutes de « profil client », mais n’entendent pas la même chose. Certaines raisonnent en termes d’enregistrements et de segments issus du CRM (gestion de la relation client). D’autres pensent en flux d’événements et en comportements. D’autres encore se concentrent sur les identifiants et les autorisations. L’IA ne résout pas ces divergences d’elle-même.

Sans alignement sur ce que les données représentent, toute tentative de connecter des systèmes pour l’IA échoue avant même que la technologie entre en jeu.

L’objectif n’est pas une visibilité parfaite, mais de réduire suffisamment les angles morts pour que les équipes sachent à quelles données l’IA peut accéder et en lesquelles elle peut avoir confiance. Cela passe par une documentation de haut niveau de l’emplacement actuel des données et de leur rôle dans les activités.

Contextualisation des données pour une IA capable d’agir avec intention

La visibilité indique où se trouvent les données. L’étiquetage dit 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 informations, et non pour aider l’IA à prendre des décisions.

Un asset de contenu étiqueté « Summer Campaign 2025 » est facile à retrouver pour un être humain, mais un outil d’IA ne sait pas s’il est aspirationnel ou pragmatique, formel ou conversationnel, destiné aux voyageurs et voyageuses de luxe ou aux familles. Sans ce contexte, l’IA peut agir, mais elle ne peut pas agir avec intention.

Ce « déficit de contexte » explique en grande partie pourquoi, selon l’étude Adobe sur les tendances IA et numériques 2026*, seulement 43 % des organisations estiment que la qualité et l’accessibilité de leurs données sont suffisantes pour adopter l’IA. Pour y remédier, les décideurs et décideuses doivent comprendre que le niveau de contexte requis varie selon le comportement attendu de l’IA.

1. La recherche assistée par IA nécessite des libellés qui lui permettent de trouver la bonne ressource : auteur, date, sujet et catégorie de marque.
2. L’exécution pilotée par IA nécessite des libellés qui lui permettent d’adapter les expériences à l’instant : intention de l’audience, ton, contexte émotionnel et langue.
3. L’action guidée par IA nécessite des libellés qui lui permettent d’agir en toute sécurité sans validation constante : droits d’utilisation, restrictions régionales, date d’expiration et statut d’approbation.

Réétiqueter l’intégralité d’une bibliothèque existante en une seule fois n’est toutefois pas toujours réaliste. Vous pouvez faire appel à l’IA pour effectuer ce travail, ou adopter la même approche que pour la visibilité : cibler quelques résultats à fort impact pour orienter vos efforts.

Par exemple, si vous poursuivez la création de contenu assistée par IA, il peut être judicieux de prioriser l’ajout de libellés indiquant le statut d’approbation et les cas d’usage autorisés. Certains contenus devront être marqués comme « référence uniquement », tandis que d’autres pourront être validés pour l’adaptation ou la réutilisation automatisée.

L’IA peut ainsi respecter les exigences de la marque et les obligations de conformité sans validation humaine permanente. Pour garantir la fiabilité de l’IA, il convient de prioriser les trois pratiques d’étiquetage décrites ci-dessous :

• Ajouter un contexte décisionnel : indiquer ce que l’IA peut générer, recommander ou exclure.
• Intégrer des contraintes claires : incorporer les validations et les droits d’utilisation directement dans les données.
• Baliser les actions : distinguer les données pouvant déclencher des actions de celles servant uniquement à l’analyse.

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

Application de l’hygiène des données via des contrôles automatisés dans les workflows IA

La visibilité et l’étiquetage des données vous apportent de la clarté, mais c’est la qualité des données qui détermine si cette clarté se maintient à mesure que vous montez en charge.

De nombreuses organisations ont mis en place des directives : politiques de gouvernance, programmes de formation et bonnes pratiques documentées. Le problème, c’est la cohérence. Ce qui est écrit ne correspond souvent pas à ce qui se passe réellement quand les équipes avancent vite et que les données sont réutilisées dans de nouveaux contextes. Sans mécanisme d’application, la gouvernance reste un vœu pieux.

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

Un cabinet de conseil international s’est retrouvé confronté à ce problème lorsque ses données de consentement étaient dispersées dans des systèmes régionaux distincts, contraignant les équipes à rechercher manuellement les autorisations avant chaque prise de contact client. La centralisation des consentements et l’application de règles d’utilisation via des contrôles automatisés ont permis d’homogénéiser l’activation et d’améliorer l’engagement.

Les secteurs réglementés disposent souvent d’un avantage certain en matière de décisions automatisées. Contraints de mettre en place des contrôles d’accès plus stricts et des pratiques de consentement plus claires, ils ont anticipé ce que la gouvernance de l’IA exige désormais de tous les secteurs.

Le constat est sans appel : si la qualité des données repose sur la bonne mémoire de chaque collaborateur et collaboratrice, elle ne passera pas à l’échelle de l’IA. Une hygiène efficace implique d’aller au-delà des recommandations pour imposer des contrôles intégrés directement dans les workflows. Quelques garde-fous concrets illustrent ce que cela signifie en pratique :

1. Validation à la création : les systèmes refusent les données incomplètes ou mal étiquetées.
2. Traçabilité de la provenance : une généalogie claire indiquant l’origine des données et leurs modifications successives.
3. Protocoles de test : évaluation proactive des problèmes de qualité, des biais ou des sorties préjudiciables avant tout déploiement.
4. Mécanismes de retour : des canaux structurés pour recueillir les problèmes de qualité dès qu’ils surviennent dans la pratique.

Ces contrôles réduisent la dépendance à la mémoire individuelle et à l’application manuelle des règles. Ils limitent les régressions dans le temps, diminuent les correctifs en aval et favorisent un comportement plus cohérent de l’IA. La qualité devient automatique dès lors que le bon comportement est aussi le plus simple à adopter.

Valorisation des données pour une IA à grande échelle

L’avantage concurrentiel de l’IA ne vient pas du choix du modèle idéal ni du déploiement d’un projet pilote brillant. Il découle des conditions que vous créez pour que l’IA fonctionne de manière fiable à grande échelle.

C’est précisément ce que la visibilité, l’étiquetage et l’hygiène des données vous apportent. Ne les considérez pas comme de simples tâches techniques à cocher. Lorsque vous maîtrisez ces trois dimensions, l’IA peut exploiter des données unifiées à travers les systèmes, interpréter le contexte associé à chaque ressource et opérer dans un cadre de gouvernance appliqué naturellement au fil des workflows quotidiens.

Passer de ces principes stratégiques à une réalité opérationnelle concrète exige une architecture adaptée. Pour une vision plus globale de la façon dont les organisations naviguent dans cette transformation, je vous invite à explorer The AI Inflection Point.

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

*Note : les statistiques citées dans cet article sont issues des recherches d’Adobe sur l’IA et les tendances numériques en 2016. Une sélection de résultats est publiée dans le Adobe 2026 AI and Digital Trends Report.

Emily McReynolds est responsable de la stratégie IA mondiale chez Adobe, où elle se concentre sur 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 dans le cadre de la recherche technique et de l’industrie, notamment chez Microsoft et Meta.

Ayant déployé l’IA dans plusieurs entreprises, elle connaît parfaitement les défis auxquels une organisation est confrontée lors du déploiement de l’IA et accompagne les équipes dans sa mise en œuvre. Emily a commencé à coder en HTML et apprenait aux gens à se servir d’ordinateurs à l’époque des disquettes.

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