← Notes de terrain

12 octobre 2026 · 7 min de lecture

Votre IA ne lira pas vos tableaux de bord : structurez la donnée pour les machines

Un tableau de bord se lit avec un cerveau qui corrige les erreurs. Un modèle d'IA, lui, prend votre donnée telle quelle, défauts compris. Ma position : la rentabilité de vos projets d'IA se joue dans la structure de vos données, bien avant le choix du modèle.

Francis Meleard

80 000utilisateurs de la plateforme IOGA

Notes de terrain · Francis Meleard

Votre tableau de bord est propre. Votre donnée, elle, n'est pas prête pour une IA, et c'est la confusion la plus coûteuse du moment. Une actualité de cette semaine la montre de façon presque caricaturale.

Selon le JDN (10 octobre 2026), des entreprises technologiques achètent des millions de livres physiques, les découpent, les scannent, puis les détruisent pour nourrir leurs modèles. Honnêtement, l'image est spectaculaire. Mais le raisonnement derrière, lui, est très terre à terre.

Des géants détruisent des livres pour une seule raison : la donnée propre

Un livre représente, pour un éditeur de modèle, une masse de texte de haute qualité. Le JDN rapporte qu'Anthropic a utilisé des massicots hydrauliques pour trancher les reliures et séparer les pages, afin de les passer dans des scanners industriels. Scanner un livre en conservant sa reliure demande plus de temps, de manipulation et de matériel. Le détruire est donc une optimisation économique.

Il y a une seconde raison. Le Web se remplit de contenus générés par des machines, et les laboratoires cherchent des corpus dont l'origine humaine est certaine. Les livres publiés avant l'explosion de l'IA générative deviennent une ressource précieuse, justement parce qu'ils sont fiables.

Troisième élément, d'ordre juridique : le JDN précise que l'usage de bibliothèques numériques pirates a déjà provoqué d'importants litiges. D'où le choix d'acheter légalement des ouvrages physiques. Autrement dit, ces acteurs paient cher pour obtenir une donnée propre, légitime et traçable.

Vous n'entraînez pas un modèle de langage, je le sais bien. Mais la leçon descend à votre échelle : la qualité de ce qu'on donne à la machine pèse plus que la machine elle-même. Votre avantage est que votre matière première est déjà chez vous. Reste à savoir dans quel état.

Un tableau de bord pardonne, un modèle ne pardonne pas

Un tableau de bord est fait pour un humain. Quand le champ « secteur d'activité » est mal rempli sur une partie des fiches, votre directeur commercial le sait, il pondère, il corrige de tête. Le tableau de bord vit très bien avec une donnée approximative parce que celui qui le lit compense.

Un modèle ne compense pas. Il lit ce qu'on lui donne, avec la même confiance sur une fiche soignée et sur une fiche bâclée. Et il agit : il rédige, il classe, il recommande, il répond à un client.

Le principe n'a rien de neuf. Dans Harvard Business Review France (5 octobre 2026), Thomas Misslin et Alban Pelesko rappellent que le « garbage in, garbage out » a été identifié par l'armée américaine dès les années 1950. Une information tardive, incomplète ou biaisée produit mécaniquement une décision fragile. Avec une IA, la décision fragile part simplement plus vite et en plus grand nombre.

De mon point de vue, c'est la vraie rupture. On structurait la donnée pour qu'elle soit agrégée et affichée. Il faut maintenant la structurer pour qu'elle soit exploitée ligne à ligne, sans personne pour la rattraper.

La donnée que vos systèmes ne voient pas

Les deux auteurs de HBR pointent un autre angle mort. Une catégorie entière de données échappe encore largement aux systèmes d'information : celles liées aux comportements associés à la singularité et à la performance de l'organisation. Ils les appellent les « soft data stratégiques ».

Concrètement, c'est la façon dont votre meilleur commercial qualifie un prospect, la raison pour laquelle un client reste, ce que votre équipe sait faire et que personne n'a jamais écrit. Je ne suis pas chercheur sur le sujet, et le cadre théorique des auteurs n'est pas le mien. Mais le constat colle à ce que je vois sur le terrain : l'essentiel de la valeur d'une PME n'est dans aucune base.

Et c'est exactement ce que l'IA pourrait exploiter le mieux, à condition que ce savoir soit capté et structuré.

Cas d'école : IOGA et la connaissance qui sort des têtes

HBR décrit IOGA, une plateforme SaaS B2B de gestion des connaissances qui utilise l'IA générative pour capter, structurer et diffuser le savoir en entreprise. D'après la présentation de son fondateur Alban Pelesko, elle est déployée auprès de plus de 80 000 utilisateurs dans des groupes comme Accor, VINCI, COLAS ou Freyssinet. Elle diffuse aussi plus de 600 ressources pédagogiques à la filière des travaux publics, en partenariat avec TP demain (FNTP).

Une précaution s'impose : ces chiffres viennent de la biographie d'un auteur qui est aussi le fondateur. Le dossier ne donne aucun résultat financier ni aucun retour sur investissement. Je ne vous vends donc pas IOGA, et je ne conclus rien sur sa rentabilité.

Ce que j'en retiens est ailleurs. Alban Pelesko a été Chief Digital Officer de VINCI Construction France, 22 000 collaborateurs, avant de fonder cet outil. Son produit ne vaut pas par le modèle utilisé, mais par le travail de captation et de structuration du savoir en amont. Le modèle est interchangeable. La matière, non.

Ailleurs : quand la donnée propre devient un actif qu'on s'arrache

Le même JDN relève un effet de bord que l'on mesure peu. Des libraires spécialisés dans les ouvrages rares, notamment aux Pays-Bas, ont vu apparaître des acheteurs capables de vider des stocks entiers d'éditions épuisées. Un exemplaire détruit ne peut plus être revendu, prêté, étudié ni numérisé par un concurrent.

La logique est brutale : une donnée rare, de qualité et d'origine certaine devient un actif que l'on se dispute. À votre échelle, la lecture est rassurante et exigeante à la fois. Vos dix ans d'historique client, de devis, de réclamations ou de plannings ne s'achètent nulle part. Mais si personne ne les a jamais organisés, vous possédez une mine que vous n'avez pas ouverte.

Le vrai problème : vous avez structuré pour l'œil, pas pour l'usage

On me demande souvent quel modèle choisir. Le vrai problème est rarement là. La valeur d'un système, c'est la donnée métier, pas l'outil, et l'outil changera trois fois avant que vos données soient propres.

La méthode que je défends est simple : partir du résultat attendu, puis redescendre jusqu'à la donnée source. Si vous voulez qu'une IA qualifie vos demandes entrantes, demandez-vous quelles informations elle doit lire, où elles naissent, qui les saisit et dans quel état elles arrivent. Le tableau de bord, lui, se construit à l'envers : on part de ce qui est disponible.

J'ai travaillé sur la base e-mails de La Poste, 16 millions d'adresses, avec un chantier d'uniformisation puis de segmentation. L'ordre compte : on uniformise avant de segmenter, jamais l'inverse. Une segmentation sophistiquée posée sur des champs incohérents ne fait que classer proprement des erreurs. Une IA se comporte de la même manière.

Un modèle n'améliore pas une donnée mauvaise, il la rend simplement plus convaincante.

J'ai détaillé le cas du CRM dans une note précédente : arrêtez de chercher le meilleur modèle d'IA, assainissez votre CRM. Si votre CRM est votre première source, commencez par là.

Ce que je ferais à votre place

Vous avez trois options, et je les ai toutes vues tentées.

Option 1 : acheter ou tester un modèle plus puissant. C'est rapide, c'est visible, cela rassure un comité de direction. Mais vous payez pour que le modèle lise vos incohérences à grande vitesse. Je ne la choisirais pas.

Option 2 : lancer un grand chantier de nettoyage de toute la donnée de l'entreprise. C'est sérieux sur le papier, c'est surtout une usine à gaz. Ce type de chantier n'a ni fin ni résultat mesurable, donc il s'enlise. Pas davantage.

Option 3 : choisir un seul cas d'usage et nettoyer uniquement la donnée dont il dépend. C'est celle que je prendrais, parce qu'elle respecte le rapport effort / valeur : un résultat visible, un périmètre borné, un apprentissage réutilisable pour le cas suivant.

Concrètement, voici comment je lancerais ça lundi matin :

  • Écrire en une phrase le résultat attendu, par exemple « répondre aux demandes clients sans reprise manuelle ».
  • Lister les données dont l'IA aura besoin et repérer où chacune naît, et qui la saisit.
  • Faire lire un échantillon réel à la machine et regarder ses erreurs plutôt que ses réussites : elles vous montrent les défauts de la donnée.
  • Nommer un responsable de la donnée source, avec un nom, pas un service.
  • Interviewer deux ou trois de vos meilleurs collaborateurs pour repérer le savoir qui n'est écrit nulle part. C'est votre version des soft data.

Je ne promets pas un retour sur investissement chiffré : le dossier de cette note n'en contient pas, et je refuse d'en inventer un. Mon pari est plus modeste et, à mon sens, plus solide. Un projet d'IA qui démarre sur une donnée structurée coûte moins cher à corriger qu'un projet qui découvre le problème au troisième mois.

Quelle donnée mérite d'être lue par une machine ?

La question à poser à votre équipe lundi est simple : si une IA devait répondre à votre place sur un sujet précis, quelle donnée lirait-elle, et la croiriez-vous ? Si la réponse est « on verra », vous avez votre premier chantier.

Vous avez le même sujet sur la table ? Parlons-en trente minutes : https://yaokilab.com/rdv

Francis Meleard, fondateur de Yaoki Lab. Notes de terrain, chaque semaine.