McKinsey · 23 juin 2026
Des données prêtes pour l'IA : la condition du passage à l'échelle
- préparation IA
- qualité des données
- gouvernance
- data management
Seules 7 % des entreprises auraient réellement déployé l'IA à l'échelle de leur organisation, selon McKinsey. Le goulot d'étranglement n'est ni le modèle ni le budget : c'est la donnée, et en particulier la masse de contenus non structurés — documents, e-mails, transcriptions — que les systèmes d'IA découpent, recombinent et réutilisent en permanence.
Pourquoi les recettes classiques ne suffisent plus
Le cabinet décrit un changement de nature du problème. Un document exact peut produire une réponse fausse si l'IA n'en retient qu'un fragment sorti de son contexte ; les contrôles d'accès posés sur les fichiers ne protègent plus quand des extraits circulent dans les index et les prompts ; et l'IA génère elle-même des contenus qui alimentent d'autres systèmes, créant des boucles qu'une gouvernance périodique ne peut plus suivre. Numériser et rendre cherchable ne suffit pas — chercher n'est pas exploiter. L'article démonte au passage un mythe : loin de rendre la qualité des données secondaire, l'IA en amplifie les défauts.
Six disciplines à faire évoluer
La réponse proposée n'est pas de tout réinventer, mais d'étendre six disciplines existantes aux artefacts de l'IA (extraits, découpes, index) : observabilité de bout en bout, gestion de la qualité à travers les transformations, métadonnées comme couche de contrôle, traçabilité au niveau de chaque fragment, gouvernance appliquée jusqu'à la génération des réponses, et plateformes mutualisées pour éviter que chaque équipe rebâtisse sa propre tuyauterie. Le tout avec un objectif réaliste : définir, usage par usage, ce que « suffisamment bon » veut dire selon le risque métier.
Ce que cela change pour une PME
Transposé à une petite structure, le message est directement actionnable : avant de brancher un assistant IA sur ses documents, il faut savoir lesquels font foi, en quelle version, et lesquels contiennent des informations sensibles. Viser la perfection est inutile ; définir le bon niveau d'exigence par usage, c'est exactement la logique de l'axe « qualité & fiabilité » de l'Audit Data. Les fondations d'abord, l'échelle ensuite.