Données
Ce que rapporte l’IA repose sur des données auxquelles le modèle peut se fier : propres, réconciliées, assez contextualisées pour vouloir dire quelque chose. La plupart des projets d’IA décevants ont échoué un étage plus bas, sur des données que personne n’avait remises en état.
Quatre questions passent avant les autres : ce que vous possédez, dans quel état, qui a le droit de s’en servir, et ce que ces données disent déjà.
// console données · toutes sources
un jeu de chiffres · datéSources
une seule version de la vérité · actualisée par votre équipe
Le problème
Chaque système a été bâti pour une seule tâche, et tous se contredisent : la même chose nommée de deux façons, un client devenu trois lignes, une date qui signifie commande ici et livraison là. Face à ces contradictions, un modèle ne les signale pas. Il en choisit une et répond avec aplomb sur le mauvais chiffre. Le difficile, dans l’IA, ce n’est presque jamais l’intelligence.C’est la tuyauterie en dessous.
Les offres
Le gros du nettoyage occupait naguère une équipe entière pendant un trimestre : rapprocher des enregistrements qui n’ont jamais partagé de clé, réconcilier une même entité entre des systèmes qui l’écrivent chacun à leur façon. L’IA l’abat aujourd’hui en une fraction de ce temps, et c’est ce qui rend des fondations propres enfin abordables.
Ce que l’IA ne fera pas, c’est décider de ce que « juste » veut dire.Cela reste entre les mains de ceux qui connaissent le métier.
« Que possédons-nous, au juste ? »
Nous dressons l’inventaire de vos sources, puis nous notons chacune au regard des cas d’usage que vous voulez financer, parce qu’une « bonne donnée » ne veut rien dire dans l’abstrait.
Vous recevez un diagnostic que votre directeur financier peut lire, pas un schéma d’architecture : chaque source notée, chaque lacune chiffrée, et ce qu’il faut corriger d’abord. Quand le constat honnête est « vos données ne peuvent pas encore porter cela », il l’écrit.
// chaque source notée face au cas d’usage qui en dépend
« Comment les mettre en état ? »
Deux chantiers : nettoyer la donnée, puis bâtir la tuyauterie qui la garde propre. Nous réconcilions les sources qui se contredisent, confions le rapprochement à l’IA, et construisons l’architecture minimale qu’exigent vos cas d’usage prioritaires, rien de plus.
La prolifération de plateformes ressemble à du progrès sur une diapositive ; dix-huit mois d’infrastructure avant la livraison du premier cas d’usage restent le moyen le plus rapide de brûler un budget. Nous faisons l’inverse : assez de pipelines pour le premier pilote, la preuve, puis l’extension à mesure que la feuille de route la justifie.
Le travail, sur un projet
Secteur · Distribution et chaîne d’approvisionnement, sur plusieurs marchés.
Le client nous a appelés pour une seule chose : une prévision de la demande assistée par l’IA, pour cesser de sur-commander certaines références et de tomber en rupture sur d’autres. Un cas d’usage clair et finançable.
Le hic
L’IA n’avait rien de solide sur quoi s’appuyer. Trois systèmes décrivaient l’activité, et aucun ne s’accordait avec les autres.
Le stock vivait dans l’ERP, les mouvements d’entrepôt dans un PMS distinct, les ventes en ligne dans la plateforme e-commerce.
Dès que quelqu’un réclamait un chiffre couvrant les trois, un analyste le reconstruisait à la main dans un tableur.
Donnez cela à un modèle de prévision et il n’apprend pas la demande. Il apprend le désordre.
// plusieurs relèvements ramenés à un seul
Ce que nous avons fait
Nous avons fait tenir le même récit aux trois systèmes. L’IA a pris en charge le gros du rapprochement, à une échelle qu’aucune équipe n’aurait tenue à la main :
Il en est sorti un jeu de données propre et réconcilié, sur lequel un modèle de prévision pouvait enfin s’entraîner, chaque règle de rapprochement étant consignée pour que l’équipe du client en reste propriétaire.
Où cela les a menés
Les fondations posées, la reconstruction quotidienne du tableur a disparu : un chiffre transverse qu’on assemblait à la main sort désormais d’une source unique, et reconnue comme telle.
Cette réconciliation porte tout le cas d’usage, et c’est l’étape que les acheteurs sous-estiment presque toujours. Nous l’avons donc cadrée et chiffrée à part, avant tout le reste. Le client a vu ses données devenir dignes de confiance avant d’engager le moindre centime sur le modèle posé par-dessus.
D’expérience, c’est cet ordre-là, les fondations d’abord, qui évite de payer deux fois le même budget d’IA.
« Qui en répond, et où ont-elles le droit de résider ? »
Le chapitre que tout le monde saute, jusqu’au jour où il bloque un lancement.
Qui accède aux données, combien de temps on les conserve, où elles ont le droit de résider. Un fichier européen qui ne peut pas alimenter un modèle hébergé aux États-Unis. Une filiale de Chine continentale dont les données ne peuvent pas sortir. Un fournisseur dont les conditions revendiquent discrètement un droit d’entraînement sur ce que vous lui confiez. Entre marchés occidentaux et chinois, c’est là que la plupart des plans d’IA mondiaux se brisent, et nous travaillons des deux côtés de cette ligne.
Vous obtenez un guide calqué sur vos flux de données réels, écrit pour des opérationnels et relu avec vos conseils juridiques.
« Que nous disent-elles déjà ? »
Avant d’acheter de l’intelligence, exploitez celle que vous avez déjà payée. Nous consolidons vos chiffres dans des tableaux de bord que votre équipe actualise elle-même, sur des définitions validées par tous : une version datée de la vérité, qui fait la preuve des tendances au lieu de les livrer à la discussion. C’est souvent le gain le plus rapide de toute la mission.
// l’ordre du travail, quand il se déroule en entier
L’audit reste le petit engagement du début, et il chiffre tout ce qui se trouve à sa droite. Personne n’a besoin de financer la ligne entière pour savoir si le premier tronçon en valait la peine.
FAQ
Le prisme du cas d’usage, et l’expérience de la gouvernance entre l’Est et l’Ouest. On demande aux équipes internes de rendre les données bonnes en général ; nous les rendons bonnes pour un usage précis.
Presque jamais. Nous bâtissons sur ce que vous exploitez déjà, et toute recommandation de remplacer un outil arrive avec le coût de la migration chiffré à l’intérieur.
C’est ce que l’audit tranche, source par source. « Assez propre » ne vaut jamais dans l’absolu : tout dépend de ce que vous demandez à la donnée de faire.
Le périmètre et le prix se fixent projet par projet, une fois l’audit rendu. L’audit reste le petit engagement du début : il vous permet de dimensionner la suite avant de la financer.
Le résultat de l’audit est évalué au regard de la même feuille de route de cas d’usage que produit le pilier IA. Les deux partagent un seul corpus de documents.
Un accès en lecture seule aux sources du périmètre, une heure avec chacune des personnes qui les maintiennent, et le cas d’usage à l’aune duquel juger les données. Comptez deux à quatre semaines : moins quand les systèmes sont peu nombreux, davantage quand la réponse dort dans des tableurs posés sur les postes de chacun. Nous n’avons pas besoin d’une copie de tout : il nous faut assez de chaque source pour la noter honnêtement.
En général non, et l’acheter d’abord reste la façon la plus courante de brûler ce budget. Le premier pilote a besoin que les sources qu’il touche concordent et arrivent à l’heure : c’est une question de pipelines, pas de plateforme. Si la feuille de route justifie plus tard un stockage central, l’audit vous en fournit le dossier, volumes et coûts attachés, plutôt qu’une diapositive d’éditeur.
Vous obtenez la réparation chiffrée, et le cas d’usage qu’elle bloque, nommé. Une note éliminatoire ne concerne jamais la source dans l’absolu : elle échoue face à une question précise que vous vouliez lui poser. Parfois la correction demande des semaines de rapprochement, parfois il suffit qu’un propriétaire s’accorde sur une définition, et parfois la recommandation honnête consiste à changer de cas d’usage plutôt que de données.
Vos équipes, et c’est une contrainte de conception dès le premier jour plutôt qu’une passation de dernière minute. Nous construisons avec les outils que vous exploitez déjà, documentons les flux et les modes de panne, et menons la dernière passe avec vos gens au clavier. Si personne en interne ne peut en répondre, nous le disons avant de construire : un pipeline orphelin se dégrade plus vite que le désordre qu’il remplaçait.
Parfois, dans un seul sens, pour certaines catégories, et le corpus de règles dit lesquelles. Des données de Chine continentale qui ne peuvent pas sortir, des données européennes qui ne peuvent pas alimenter un modèle hébergé aux États-Unis, une filiale qui a besoin de son propre jeu local : autant de résultats normaux, pas des blocages. Nous concevons l’architecture autour de la ligne au lieu de demander à votre conseil juridique de bénir un franchissement après coup.
Réalisations liées
Trois déploiements où le travail sur la donnée a occupé l’essentiel du calendrier : un dictionnaire de métriques signé, cinq ans d’historique de commandes rapprochés du chiffre d’affaires facturé, cinq systèmes réconciliés autour d’un même client.
Régie publicitaire et analytics
Chaque plateforme comptait à sa façon et une vue n’était pas une vue. D’abord un dictionnaire de métriques, puis la normalisation, puis des rapports qui affichent les désaccords au lieu de les lisser.
Les écarts affichés, pas moyennésLire le cas→
Direction commerciale et finance
La prévision ne tenait qu’une version de l’avenir à la fois. L’objectif était la capacité à jouer des scénarios, pas un meilleur chiffre. Des fourchettes, des hypothèses tracées, une décision humaine.
Une fourchette, jamais un pointLire le cas→
Reporting de direction
Les données dormaient dans cinq systèmes et remontaient au dirigeant par cinq personnes. Les définitions ont pris trois séances. Un indicateur a été publié comme une lacune assumée.
Un indicateur publié comme lacuneLire le cas→
Les projets d’IA basculent du sur-mesure vers des plateformes assemblées. Ce que cela change pour les acheteurs, ce que cela ne change pas, et ce qu’il faut demander avant de signer.
Lire l’analyse→
Pékin transforme l’inférence en commodité d’exportation facturée au compteur. Cinq hypothèses portent cette stratégie, et une seule résiste aux données disponibles.
Lire l’analyse→
Répartir les requêtes entre modèles bon marché et modèles de pointe est devenu un minimum, et la Chine fournit l’essentiel du segment économique. Ce que cela implique pour votre pile technique.
Lire l’analyse→Parlons-en
Un échange avec l’équipe dirigeante sur vos marchés, vos données et les terrains où l’IA serait vraiment rentable pour vous. Sans slides, sans engagement. Et si la réponse honnête est que l’IA n’est pas votre prochaine étape, vous l’entendrez aussi.