Avec l’essor de l’IA générative et des agents autonomes, les entreprises doivent mieux maîtriser les données auxquelles leurs modèles peuvent accéder. Entre informations sensibles, données obsolètes et environnements hybrides, leur classification devient indispensable pour garantir des résultats fiables sans compromettre la sécurité. Christophe Fontaine, Senior Regional Technical Sales Director EMEA South, revient sur les défis techniques et organisationnels de cette gouvernance.
Si la gestion de la donnée a toujours été une préoccupation importante, l’arrivée de l’IA l’a profondément impactée. Pour les entreprises, la question est désormais simple : leurs modèles d’IA savent-ils aller chercher la bonne donnée, et surtout identifier celle qui compte vraiment ? Beaucoup se sont lancées dans l’IA sans pour autant avoir la capacité de maîtriser le périmètre de données touché par leurs modèles. C’est pourtant un sujet majeur, dont dépend directement la pertinence des résultats obtenus. Face à la généralisation de l’IA générative et l’émergence de l’IA agentique, les organisations doivent impérativement renforcer leur capacité à partager la « bonne » donnée aux « bons » agents IA. Aujourd’hui plus que jamais, la donnée est au centre de tout.
Cartographier ses données pour mieux les classifier
La première étape indispensable consiste à bien comprendre les données disponibles ; identifier leur nature, déterminer lesquelles sont critiques et celles qui doivent rester strictement confidentielles. Il est donc indispensable de les classifier et de les labelliser. C’est tout l’enjeu de la gestion de la posture de sécurité des données (Data Security Posture Management) : disposer d’une visibilité complète afin de déterminer quel accès donner à quelles données et à quel modèle IA, pour être pertinent et ne pas fausser les résultats. La classification permet de créer des familles de données grâce auxquelles l’usage des modèles d’IA pourra être mieux ciblé et catégorisé, en s’assurant qu’ils soient pertinents, tout en évitant d’être parasités par des données obsolètes. En effet, plus les données sur lesquelles tournent les modèles d’IA sont ciblées, meilleurs sont les résultats.
De nouvelles architectures et solutions permettent de visualiser toutes les données de façon graphique, facilitant ainsi la compréhension des interactions et l’accès aux données pour corriger les erreurs, là où les anciennes approches étaient limitées et plus fastidieuses. Grâce à cette visualisation améliorée des données, il est plus facile d’identifier celles qui sont réellement utilisées de celles qui ne le sont pas, en particulier les données ROT (redondantes, obsolètes, triviales). Si ces données pouvaient déjà être identifiées auparavant, la véritable amélioration consiste à présent à pouvoir enfin les écarter des processus, apportant aux entreprises un vrai gain, notamment au niveau des coûts que représentent les services cloud. Désormais, l’IA elle-même aide à automatiser ce processus et l’utilisation d’outils tiers peut apporter une pertinence supplémentaire sur la donnée.
Hybridation et connecteurs, pour un meilleur accès aux données
La quasi-totalité des entreprises fonctionne aujourd’hui en mode hybride, avec des données réparties à la fois dans le cloud, sur site ou sur des environnements multicloud. Avec ces architectures, créer un modèle d’IA pertinent nécessite de pouvoir accéder aux données où qu’elles se trouvent. La plateforme utilisée à cet effet doit donc être en mode cloud. Mais il ne faut pas oublier l’autre élément indispensable, les connecteurs, pour aller chercher les données sur tous les types d’environnements.
Il existe une autre approche, plus intégrée et plus simple : l’approche data-centric, construite sur une plateforme centrale qui gère, sécurise et gouverne les données où qu’elles soient, sans nécessiter une migration totale. Les données restent dans leur environnement, mais sont visibles et sécurisées depuis un point central. Le fait qu’elles soient dispersées complique toutefois la maîtrise de leur localisation et de leur sécurité, d’où l’intérêt d’utiliser un graphe de données, qui offre une visibilité complète quel que soit leur emplacement.
De la théorie à la pratique : où en sont les entreprises aujourd’hui ?
Les efforts des entreprises en la matière sont pour l’instant peu généralisés, et restent souvent au stade de POC pour évaluer leurs capacités d’intégration, avant d’étendre leurs initiatives. Nous sommes encore au début de ce processus, et la mise à l’échelle n’est pas simple. Mais plus les entreprises parviendront à développer leurs efforts, plus le résultat sera pertinent.
D’autre part, les échecs de déploiement de l’IA constatés par beaucoup d’entreprises s’expliquent par le fait qu’elles ne disposent pas de données fiables. Des initiatives sont bien lancées sur de petits environnements, mais elles n’aboutissent pas toujours, notamment en raison d’un manque de pertinence des données. La classification et la labellisation sont donc fondamentales pour assurer la préparation des données et le succès des projets d’IA.
Mais au-delà de la technologie, il ne faut pas oublier le facteur humain. Si la donnée est au centre de tout, l’organisation des entreprises reste divisée en plusieurs entités, à l’image de la DSI, la sécurité, les équipes métiers… Cette fragmentation constitue pourtant un frein à l’exploitation des données et nécessite de mettre en place des outils de collaboration entre les personnes. L’aspect organisationnel est donc tout aussi fondamental que l’aspect technologique, mais il a souvent tendance à être mis de côté. L’organisation des entreprises s’en trouve complètement remise en question. Des Data Officers dédiés sont alors nécessaires pour créer le lien entre les différentes entités et incarner une vraie gouvernance au quotidien.
En réponse à ces enjeux, certains acteurs envisagent déjà un monde où les applications traditionnelles disparaîtraient au profit de modèles d’IA agissant directement sur des données unifiées, sans intégrer les utilisateurs humains. Ce type d’approche est encore très rare, mais s’il se généralise, la question ne sera plus de savoir comment gérer les données pour l’IA mais comment réinventer les processus métiers pour intégrer l’IA comme l’interface unique entre l’utilisateur et la donnée. Une transformation qui sera, là encore, aussi bien technologique qu’organisationnelle.
