Préparer ses données pour l'IA : la méthode pour une PME
Préparer ses données pour l'IA consiste à savoir où elles se trouvent, à les rendre fiables, à les ranger dans une structure qu'une machine peut lire, puis à désigner qui en garantit la qualité dans la durée. Pour une PME, la démarche tient en cinq étapes : choisir le cas d'usage, inventorier les sources, mesurer et corriger la qualité, structurer autour d'un référentiel unique, puis organiser la gouvernance. Il n'est pas nécessaire de tout nettoyer avant de commencer : on prépare d'abord les données dont le premier projet a besoin, et on étend ensuite. Un agent IA ne compense pas des données fausses ou dispersées ; il les reproduit, plus vite et à plus grande échelle.
Pourquoi les données décident-elles du succès d'un projet IA ?
Un agent IA qui qualifie des prospects, relance des factures ou prépare des devis lit vos données avant d'agir. S'il trouve trois fiches pour le même client, il les traite comme trois clients. Si l'historique des échanges est dans une boîte e-mail personnelle, il l'ignore. Si le chiffre d'affaires est saisi tantôt en euros, tantôt en milliers d'euros, il compare des choses incomparables.
Le problème se manifeste rarement par une panne. Il se manifeste par des résultats médiocres : des suggestions à côté de la plaque, des relances envoyées à des clients qui ont déjà payé, une équipe qui perd confiance et revient à ses habitudes. On accuse alors le modèle, alors que la cause se trouve en amont. La structuration des données fait d'ailleurs partie des tendances de l'IA pour les PME dans les deux années qui viennent, portée notamment par la facture électronique.
La qualité de ce que produit un agent IA est plafonnée par la qualité des données qu'il lit. Améliorer les données est souvent le levier le plus rentable d'un projet IA, avant même le choix du modèle.
Étape 1 : partir d'un cas d'usage, pas de toutes les données
L'erreur la plus courante consiste à lancer un grand chantier de nettoyage de toutes les données de l'entreprise avant de faire quoi que ce soit. Ce chantier ne finit jamais, parce que sans usage précis personne ne sait quand les données sont « assez propres ».
Commencez par un cas d'usage et posez trois questions :
- Quelle tâche l'IA doit-elle accomplir ? Par exemple : préparer les relances des devis non signés.
- De quelles données a-t-elle besoin pour la faire ? Ici : la liste des devis, leur date, leur montant, leur statut, le contact destinataire et l'historique des échanges.
- Quelle erreur serait grave ? Relancer un devis déjà signé, ou écrire à la mauvaise personne. Ce sont les données à fiabiliser en priorité.
Ce cadrage réduit le périmètre à quelques tables et quelques champs. Pour choisir ce premier cas d'usage, notre article sur les cas d'usage d'un agent IA en PME donne des exemples par fonction.
Étape 2 : faire l'inventaire des sources
L'inventaire répond à une question simple : où se trouve chaque information dont le cas d'usage a besoin ? La réponse surprend presque toujours.
| Question | Ce qu'il faut relever |
|---|---|
| Quels outils contiennent la donnée ? | CRM, logiciel de facturation, comptabilité, ERP, tableurs partagés, boîtes e-mail, dossiers partagés |
| Qui la saisit, et à quel moment ? | La personne, l'étape du processus, la fréquence |
| Sous quelle forme ? | Champ structuré, texte libre, pièce jointe, document scanné |
| Est-elle accessible par une machine ? | API, export automatique, ou seulement par un humain qui ouvre le fichier |
| Quelle version fait foi en cas de conflit ? | L'outil de référence, s'il en existe un |
N'oubliez pas les sources officieuses : le tableur personnel du directeur commercial, le carnet de l'assistante, les notes dans la messagerie instantanée. C'est souvent là que se trouve l'information la plus à jour. Notre méthode d'audit des outils SaaS aide à dresser cette carte de manière systématique.
Faites l'inventaire en suivant un dossier réel de bout en bout : une demande de devis du mois dernier, depuis le premier e-mail jusqu'au paiement. Notez chaque endroit où l'information a été saisie ou recopiée.
Étape 3 : mesurer et corriger la qualité
La qualité des données se mesure sur quelques dimensions simples. Inutile de viser la perfection : visez le niveau dont le cas d'usage a besoin.
Les dimensions à contrôler
- Complétude : les champs indispensables sont-ils remplis ? Un devis sans contact destinataire ne peut pas être relancé.
- Unicité : chaque client, contact ou produit n'existe-t-il qu'une fois ? Les doublons faussent les comptes et provoquent des envois en double.
- Exactitude : les valeurs correspondent-elles à la réalité ? Une adresse e-mail périmée, un statut « en cours » sur une affaire perdue depuis six mois.
- Cohérence : la même information a-t-elle le même format partout ? Dates, montants, noms de secteurs, codes produits.
- Fraîcheur : depuis quand la donnée n'a-t-elle pas été mise à jour ?
Les corrections prioritaires
- Dédoublonner. Rapprochez les fiches par adresse e-mail, par numéro SIREN ou par domaine du site web, puis faites valider les cas ambigus par une personne qui connaît les clients.
- Normaliser les formats. Fixez une convention pour chaque champ (montants en euros hors taxe, dates au même format, liste fermée pour le secteur) et appliquez-la à l'existant.
- Compléter les champs critiques. Seulement ceux dont le cas d'usage a besoin. Le reste peut attendre.
- Archiver l'obsolète. Les contacts partis, les entreprises fermées, les affaires mortes. Archivez plutôt que supprimer si vous avez besoin de l'historique, dans le respect des durées de conservation.
Le RGPD rejoint ici le bon sens technique. Son article 5, présenté par la CNIL, exige que les données personnelles soient « exactes et, si nécessaire, tenues à jour », limitées à ce qui est nécessaire aux finalités du traitement, et conservées pendant une durée n'excédant pas celle nécessaire. Préparer ses données pour l'IA, c'est aussi se mettre en règle.
Étape 4 : structurer autour d'un référentiel unique
Des données propres mais dispersées restent difficiles à exploiter. La structuration consiste à décider, pour chaque type d'information, quel outil fait foi.
| Type de donnée | Outil de référence courant | Les autres outils… |
|---|---|---|
| Clients, contacts, affaires | Le CRM | lisent depuis le CRM, n'en créent pas de copies |
| Factures, paiements | Le logiciel de facturation ou de comptabilité | renvoient le statut de paiement au CRM |
| Produits, prix | L'ERP ou le catalogue | alimentent les devis |
| Documents | Un espace partagé avec un nommage commun | sont liés depuis les fiches clients |
Deux règles complètent ce tableau :
- Une donnée se saisit une seule fois, dans son outil de référence. Les autres outils la reçoivent par synchronisation automatique.
- Le texte libre se transforme en champs quand il sert à décider. « À rappeler en septembre, intéressé par l'option maintenance » contient une date de rappel et un produit d'intérêt : s'ils guident des actions, ils méritent leurs propres champs. L'IA peut d'ailleurs aider à extraire ces informations des notes existantes, avec une vérification humaine.
Quand l'outil de référence est un tableur, la structuration passe souvent par son remplacement. Notre guide pour remplacer Excel par un outil métier explique comment s'y prendre sans interrompre l'activité.
Connecter des outils dont les données ne sont pas nettoyées revient à propager les erreurs plus vite. Respectez l'ordre : inventaire, qualité, structure, puis connexions.
Étape 5 : organiser la gouvernance
La gouvernance des données est un mot impressionnant pour une réalité simple dans une PME : savoir qui est responsable de quoi, et empêcher la qualité de se dégrader après le nettoyage.
- Un propriétaire par type de donnée. La responsable administrative pour les factures, le directeur commercial pour les contacts et les affaires. Le propriétaire n'est pas celui qui saisit tout, c'est celui qui tranche et qui alerte.
- Des contrôles à la saisie. Champs obligatoires, listes déroulantes plutôt que texte libre, détection des doublons à la création. Il est plus simple d'empêcher une erreur que de la corriger ensuite.
- Des droits d'accès définis. Qui peut voir, modifier, exporter. Un agent IA reçoit les mêmes règles qu'un collaborateur : il n'accède qu'à ce dont il a besoin.
- Une revue régulière. Un point mensuel ou trimestriel sur quelques indicateurs (doublons créés, champs critiques vides) suffit à détecter une dérive.
- Une trace des traitements par l'IA. Quelles données l'agent a lues, ce qu'il a proposé, ce qui a été validé. Cette trace sert à corriger l'agent et à répondre aux questions sur la conformité.
Pour les obligations spécifiques liées aux données personnelles dans un projet IA, voyez notre article sur l'IA et le RGPD.
Par où commencer cette semaine ?
Vous pouvez avancer sans attendre un prestataire :
- Choisissez un cas d'usage et écrivez en une phrase la tâche que l'IA doit faire.
- Suivez un dossier réel de bout en bout et listez les endroits où l'information est saisie.
- Exportez la table principale (clients ou devis) et comptez les doublons et les champs critiques vides.
- Désignez un propriétaire pour cette table.
Ces quatre actions donnent une photographie suffisante pour décider de la suite. Si vous souhaitez un appui extérieur, l'État a prévu une étape dédiée dans son programme d'accompagnement des PME à l'IA, lancé dans le cadre de France 2030 et opéré par Bpifrance : un « diagnostic Data IA » destiné aux PME et ETI, dont une partie du coût peut être prise en charge sous conditions d'éligibilité. Vérifiez les conditions en vigueur auprès de Bpifrance.
Quelles erreurs éviter ?
- Nettoyer sans cas d'usage. Le chantier s'étire et personne ne sait quand il est fini.
- Tout confier à un outil de dédoublonnage. Il accélère le travail, mais les cas ambigus demandent une personne qui connaît les clients.
- Changer d'outil pour régler un problème d'usage. Un CRM mal configuré produit les mêmes données sales qu'un tableur. Reconfigurez avant de migrer.
- Oublier la gouvernance. Des données nettoyées sans règles de saisie redeviennent sales en quelques mois.
- Donner à l'IA un accès à tout. Un agent n'a besoin que des données de sa tâche ; le reste augmente les risques sans rien apporter.
Combien de temps faut-il pour préparer ses données avant un projet IA ?
Cela dépend du nombre de sources et de leur état. En se limitant aux données d'un premier cas d'usage, la préparation se mesure en semaines plutôt qu'en mois. Un inventaire rapide sur un dossier réel donne une estimation fiable avant de s'engager.
Faut-il changer de CRM pour préparer ses données ?
Pas nécessairement. Dans beaucoup de PME, le problème vient de l'usage : champs libres, absence de règles, saisies dans des tableurs à côté. Reconfigurer l'outil existant (champs obligatoires, listes fermées, détection des doublons) est souvent suffisant. Le changement se justifie quand l'outil ne permet pas les connexions nécessaires.
L'IA peut-elle nettoyer les données elle-même ?
Elle aide beaucoup : repérer des doublons probables, normaliser des formats, extraire des informations de notes en texte libre. Mais les choix de structure (quel outil fait foi, quels champs comptent) et la validation des cas ambigus restent des décisions humaines.
Quelles données ne faut-il pas confier à un agent IA ?
Celles dont il n'a pas besoin pour sa tâche, et les données personnelles sensibles sauf nécessité justifiée et encadrée. Appliquez le principe de minimisation du RGPD : l'agent n'accède qu'aux données nécessaires à sa finalité.
Comment savoir si mes données sont prêtes pour l'IA ?
Testez sur un échantillon. Faites réaliser la tâche visée par l'IA sur une vingtaine de cas concrets et comparez avec ce qu'aurait fait une personne. Les erreurs constatées pointent directement les données à corriger.
Des données prêtes, un agent utile
Préparer ses données pour l'IA n'est pas un projet informatique à part : c'est la première étape de tout projet IA réussi, menée cas d'usage par cas d'usage. Inventaire, qualité, structure et gouvernance suffisent à donner à un agent de quoi travailler juste. Chez Tellao, un ingénieur commence par cartographier vos sources et fiabiliser les données du premier cas d'usage, puis construit l'agent sur ce socle. Pour savoir où en sont vos données, demandez un audit gratuit.



