Préparer ses données pour l'IA : la méthode avant l'outil

Préparer ses données pour l'IA consiste à inventorier les sources utiles à un cas d'usage, structurées ou non, à mesurer leur qualité, à établir qui a le droit de s'en servir et à constituer un corpus limité à ce besoin. Ce travail précède le choix de l'outil : un modèle restitue le fonds qu'on lui donne, sans en corriger les incohérences.

Selon l'Insee (enquête TIC 2025, parue en juillet 2026), 29 % des entreprises de 10 salariés ou plus qui n'utilisent pas l'IA citent parmi leurs raisons les difficultés liées aux données nécessaires, et 49 % de celles de 250 salariés ou plus. L'étude de Bpifrance Le Lab de juin 2025, menée auprès de 1 209 dirigeants, relève que 43 % des PME et ETI n'utilisent pas l'analyse de données pour piloter leur activité.

De quelles données parle-t-on ?

Les données structurées sont rangées dans des champs définis : tables d'un ERP, d'un CRM, d'un logiciel de paie, exports et classeurs. Les données non structurées n'ont pas de schéma : contrats, procédures, comptes rendus, courriels, présentations, documents scannés. La CNIL, dans sa fiche pratique sur la collecte et la gestion des données, ajoute deux objets à traiter : les métadonnées (qui a produit la donnée, quand, par quel processus) et les annotations.

Un modèle de prévision ou de classement s'appuie sur des données structurées. Un assistant qui répond sur des documents s'appuie sur des données non structurées, et ses métadonnées comptent autant que le texte : sans date ni numéro de version, impossible d'écarter une procédure remplacée. Beaucoup de cas d'usage combinent les deux, par exemple répondre sur un client à partir de son contrat et de sa fiche dans l'ERP.

Par où commencer la préparation des données ?

Par le cas d'usage. La CNIL recommande de partir d'un besoin concret plutôt que de déployer une IA générative sans but précis. Le besoin fixe le périmètre : une question métier, les tables et documents qui y répondent, les personnes qui posent la question.

Vient ensuite l'inventaire des sources réelles, qui ne se limitent pas aux applications officielles : exports, classeurs partagés et extractions manuelles en font partie, comme le décrit l'article Pourquoi nous demandons les fichiers avant les accès. Pour chaque source, noter le propriétaire, le format, le volume, la date de dernière mise à jour et les autres sources qui portent la même information. Ce relevé recoupe la cartographie des flux de données quand elle existe.

Quels critères de qualité des données vérifier ?

La CNIL liste les opérations de nettoyage attendues : corriger les valeurs vides, détecter les valeurs aberrantes, corriger les erreurs, éliminer les doublons, supprimer les champs inutiles. Le guide RAG de la Direction générale des Entreprises (novembre 2024) les transpose aux documents : suppression des doublons, mise en cohérence en retirant les documents qui donnent des informations contradictoires, retrait des en-têtes, pieds de page et tables des matières, anonymisation ou pseudonymisation des données personnelles.

Complétude : les champs utiles au cas d'usage sont renseignés, les documents attendus sont présents.
Exactitude : la valeur correspond à la réalité (prix, statut, contact).
Unicité : un client, un article ou un fournisseur n'existe qu'une fois ; un document n'a qu'une version en vigueur.
Cohérence : la même information ne diverge pas d'une source à l'autre.
Fraîcheur : la date de mise à jour est connue et compatible avec l'usage.
Traçabilité : on sait d'où vient la donnée et qui la corrige.

Ces critères se mesurent sur un échantillon avant d'engager le projet : taux de champs vides, nombre de doublons, part de documents sans date ou présents en plusieurs versions. Le résultat dit si le périmètre est exploitable tel quel, s'il faut nettoyer, ou s'il faut d'abord corriger le process qui produit la donnée. Un fichier clients ressaisi dans trois logiciels se dégrade de nouveau après nettoyage tant que la double saisie continue.

Qui a le droit d'utiliser ces données ?

Trois vérifications précèdent tout traitement. Les données personnelles d'abord : l'organisme qui connecte un système d'IA générative à sa propre base de connaissance en est responsable lorsqu'elle contient des données personnelles, précise la CNIL dans ses questions-réponses de juillet 2024, qui recommande d'associer le DPO et, le cas échéant, de réaliser une AIPD. Sa fiche pratique sur la collecte et la gestion des données rappelle qu'elles ne se conservent pas indéfiniment : la préparation est l'occasion d'appliquer les durées de conservation.

Le besoin d'en connaître ensuite. L'ANSSI, dans ses recommandations de sécurité pour un système d'IA générative (avril 2024), demande de le prendre en compte dès la conception (recommandation R8) et de n'entraîner un modèle qu'avec des données légitimement accessibles par ses utilisateurs (R18). Une note réservée à la direction financière ne doit pas pouvoir alimenter la réponse faite à un commercial. Les droits sur les contenus enfin : normes achetées, documents transmis par des tiers ou contenus sous licence ne sont pas tous réutilisables dans un outil interne.

Comment constituer un corpus exploitable ?

Sélectionner les documents validés et en vigueur pour le périmètre retenu ; écarter brouillons, doublons et versions remplacées.
Convertir en texte, avec reconnaissance optique de caractères pour les scans, et retirer les éléments de mise en page.
Attacher à chaque document ses métadonnées : titre, version, date, propriétaire, niveau de confidentialité.
Découper en passages et rattacher à chaque passage son contexte (chapitre, date) ; le guide de la DGE présente la taille des segments comme un paramètre déterminant, à fixer avec les experts métier.
Nommer un propriétaire du corpus et une règle de mise à jour : qui ajoute, qui retire, à quelle fréquence.

Le guide de la DGE note que l'intégration d'un grand volume de nouveaux documents peut appeler une nouvelle phase de prétraitement. Les règles de propriété et de mise à jour relèvent de la gouvernance des données ; la suite technique, pour un corpus documentaire, est décrite dans l'article sur le RAG documentaire.

Faut-il tout préparer avant de commencer ?

Non. La préparation porte sur le périmètre du premier cas d'usage, pas sur tout le patrimoine informationnel. Les freins ne disparaissent pas avec l'adoption : selon l'Insee, parmi les entreprises qui utilisent déjà l'IA, 53 % se disent freinées par un manque d'expertise et 43 % par des inquiétudes sur la protection des données. Un périmètre réduit, préparé jusqu'au bout, permet de tester les réponses sur des questions réelles et de décider quoi étendre. Dans la méthode en quatre étapes, ce travail se place entre le rapport d'audit et la plateforme de données, avant les assistants.

Questions fréquentes

Que veut dire « data readiness for AI » ?

C'est l'expression anglaise pour l'état de préparation des données avant un projet d'IA : sources inventoriées, qualité mesurée, droits d'usage établis, corpus délimité. Elle s'évalue cas d'usage par cas d'usage.

Les données non structurées sont-elles utilisables par une IA ?

Oui, c'est l'usage principal des IA génératives sur documents. Il faut les convertir en texte, trier les versions et leur associer une date, une version et un propriétaire.

Faut-il anonymiser les données avant un projet d'IA ?

Pas systématiquement. Le guide de la DGE cite l'anonymisation ou la pseudonymisation parmi les opérations de nettoyage ; la décision dépend de la finalité et de l'AIPD, à trancher avec le DPO.

Qui porte la préparation des données ?

Le métier fixe le périmètre et valide les documents, la DSI ou le prestataire convertit et indexe, le DPO se prononce sur les données personnelles. Pour un RAG développé en interne, la DGE place le prétraitement à la charge de l'entreprise.

Sources

Tous les articles

Préparer ses données avant un projet d'IA