Avec l’IA générative, les failles de gouvernance des données peuvent désormais se traduire directement par des décisions automatisées erronées. Boris Von Dahle, Consultant Senior en Services Cloud chez SoftwareOne, défend une approche fondée sur la traçabilité, la qualité des données, la conformité et une gouvernance unifiée.
Selon une étude IDC, seules 34 % des grandes entreprises françaises disposaient d’une gouvernance des données réellement effective fin 2025[1]. Un résultat peu surprenant, puisque depuis des années, les organisations ont massivement investi dans le cloud et les technologies data en reléguant la gouvernance au second plan. On assiste ainsi à la prolifération de plateformes puissantes et de cas d’usage hyper-ambitieux bâtis sur des fondations inexistantes : qui possède la donnée ? Quelle est sa qualité ? Où est-elle stockée ? Qui y accède et comment l’auditer ?
Pour Boris Von Dahle, l’arrivée de l’IA générative met brutalement en lumière ce manque de fondations. Dès lors qu’une donnée alimente un assistant IA ou dicte un choix opérationnel, l’impact d’une erreur change radicalement d’échelle. On ne parle plus d’un simple reporting interne erroné, mais d’une action automatisée défaillante, ce qui fait basculer le risque opérationnel et financier dans une tout autre dimension.
La fragmentation technique et le cloisonnement des structures
Si la gouvernance accuse un tel retard, c’est d’abord parce qu’elle est trop souvent conçue comme un simple exercice de documentation ou de conformité, sans que les organisations n’y voient un véritable levier business. Le problème est avant tout organisationnel : la gouvernance reste trop centralisée, pilotée par des équipes centrales qui ne sont pas sur le terrain pour la mettre en application. Pourtant, c’est localement, au plus près des métiers, que la donnée est quotidiennement produite et utilisée. Subie comme une contrainte administrative, elle devrait plutôt être imaginée comme un levier pour gagner en rapidité et renforcer la confiance en les analyses effectuées.
Le paysage informatique des entreprises fait aujourd’hui cohabiter des systèmes historiques (CRM, ERP, bases SQL) et des environnements cloud plus récents. Pourtant, le défi n’est pas d’ordre technique : connecter ces différents outils entre eux est aujourd’hui relativement simple. Le vrai point de rupture réside plutôt dans la perte de contexte à chaque étape du cycle de vie de la donnée. À force de déplacer et de transformer les informations à travers un paysage IT fragmenté, on finit par oublier d’où elles viennent, comment elles ont été modifiées et si elles sont sensibles.
Ce manque de traçabilité complique considérablement l’alimentation d’un modèle d’IA ou la réponse à un auditeur, puisqu’il devient impossible de savoir d’où vient la donnée, comment elle a été transformée, ou si elle contient des informations sensibles. À cela s’ajoutent des droits d’accès qui, accumulés au fil du temps, s’avèrent souvent trop larges et rarement revus.
La conformité, socle indispensable de l’innovation
Face à l’urgence de l’IA, l’arrivée de réglementations strictes (DORA, NIS2, AI Act, RGPD) est parfois vécue comme un frein qui ralentirait les lancements par excès de contrôle. Or, bien loin d’être un obstacle, cet exercice de clarification du patrimoine data est l’unique moyen de sécuriser et de réaliser des projets véritablement ambitieux.
La conformité ne s’oppose pas à l’innovation : elle force à se poser les questions nécessaires sur l’origine, la sensibilité et l’usage des données. Loin d’être de simples barrières, ces textes réglementaires obligent enfin les organisations à cartographier ce qu’elles possèdent et à identifier où se situent les données critiques. L’enjeu est d’ailleurs aussi financier et réputationnel : dans son rapport 2025 sur le coûts des violations de données, IBM souligne que 63% des organisations ne disposent pas de politiques de gouvernance suffisantes pour gérer l’IA ou prévenir la prolifération du shadow AI[2]. On ne va pas bloquer tous les usages par peur du risque, mais on ne peut pas non plus lancer des cas d’usage d’IA modernes sans ce cadre de confiance. La conformité montre simplement le chemin pour innover de la bonne façon.
Du “Proof of Concept” à la logique de plateforme unifiée
Prenons le cas typique du chatbot interne conçu pour répondre aux questions sur des documents métiers : développer le prototype est rapide et facile, car les barrières ne sont jamais techniques. En revanche, le projet s’effondre dès qu’il s’agit de l’industrialiser. Quels documents a-t-on le droit d’indexer ? Comment respecter les droits d’accès ? Les sources sont-elles fiables et validées ? Comment auditer les usages ? Sans contrôle d’accès ni catalogue, le projet reste un joli concept de laboratoire qui ne va jamais plus loin.
Pour dépasser ces limites, les entreprises doivent abandonner la logique de projets isolés au profit d’une approche de plateforme commune, mettant fin au silotage des outils où l’on gouverne dans une solution, transforme dans une autre et gère la sécurité ailleurs. C’est ici que les architectures de gouvernance unifiée de nouvelle génération transforment la donne. Leur objectif n’est pas de centraliser ou de dupliquer physiquement toutes les informations (une démarche lourde qui recrée des silos et détruit la valeur de la donnée), mais d’unifier la couche de contrôle (métadonnées, classification, qualité, conformité) directement là où se trouve la donnée, en la laissant à la source, au plus près des usages réels.
La méthode terrain pour reprendre le contrôle
La réussite ne passe pas par un grand plan théorique pour tout réguler d’un coup. Les projets qui fonctionnent partent d’un besoin métier bien précis et prioritaire, comme la sécurisation d’un agent IA interne.
C’est à partir de ce besoin concret que l’on définit les données critiques, les garants de la donnée (data owners), les règles de qualité et les politiques d’accès. Une fois ce premier domaine maîtrisé, le modèle peut être répliqué progressivement aux autres directions. La clé du succès repose sur la combinaison d’une plateforme moderne, d’une sécurité intégrée dès la conception, et d’une solide conduite du changement pour que les équipes métiers participent directement à la définition de leurs propres indicateurs afin de mettre fin aux doublons.
La gouvernance ne doit plus être subie comme une barrière administrative, mais pilotée comme un accélérateur business : elle permet de perdre moins de temps à chercher l’information, de réduire les risques et d’instaurer la confiance indispensable au déploiement de l’IA industrielle.
[1] « [Les Benchmarks de l’IT 2026] Les plateformes de gouvernance & de gestion des données », Silicon.fr, 13 avril 2026. Disponible sur : https://www.silicon.fr/business-1367/les-benchmarks-de-lit-2026-les-plateformes-de-gouvernance-de-gestion-des-donnees-226742 (consulté le 9 juin 2026).
[2] IBM, Rapport sur le coût des violations de données 2025, Ponemon Institute, 2025. Disponible sur : https://www.ibm.com/fr-fr/reports/data-breach (consulté le 9 juin 2026).
