Chaque feuille de route IA que nous examinons a la même dépendance silencieuse : la donnée. L'agent censé répondre aux questions de pricing a besoin de prix propres et à jour. Le copilote qui rédige les réponses clients a besoin de l'historique des commandes, des conditions contractuelles, du dernier catalogue. Quand ces systèmes déçoivent, le post-mortem n'incrimine presque jamais le modèle.
Les fondations que personne ne montre en démo
Une IA fiable repose sur trois couches de travail ingrat. Des pipelines qui déplacent la donnée des systèmes opérationnels vers un entrepôt requêtable, selon un rythme que quelqu'un surveille vraiment. Des contrats qui rendent les schémas explicites, pour qu'un renommage en amont casse un test plutôt qu'un agent en production. Et des contrôles qualité qui quantifient fraîcheur, complétude et dérive — car un LLM raisonnera avec assurance sur des données périmées sans jamais le signaler.
Un modèle avec une mauvaise récupération n'est pas moins intelligent. Il a intelligemment tort.
Rendre la donnée lisible par l'IA
Au-delà de la justesse, les charges IA changent la définition d'une « bonne donnée ». Les tables ont besoin d'une documentation qu'un modèle peut lire, pas de savoir tribal. Les métriques ont besoin de définitions uniques, pas de cinq tableaux de bord concurrents. Les accès doivent être assez fins pour qu'un agent voie exactement ce que son utilisateur a le droit de voir — et rien de plus.
Rien de tout cela n'exige de reconstruire la plateforme. Cela exige un séquencement : corriger les deux ou trois jeux de données que les premiers cas d'usage IA touchent réellement, les instrumenter, puis étendre. L'intelligence est une propriété du système entier — et le système commence par la donnée.