Quand on me parle d’un projet d’IA dans une petite structure, la discussion démarre presque toujours par l’outil. Quel modèle, quel abonnement, quelle plateforme. C’est la mauvaise première question, et je le dis sans arrogance : je me la suis posée dans cet ordre moi aussi.

Un article du Journal du Net remettait récemment le sujet à l’endroit en analysant des projets d’IA en PME : la majorité des échecs ne venaient pas du modèle retenu, mais de l’état des données sources. Doublons, formats incohérents, champs vides, documents impossibles à lire par une machine. Ça correspond à ce que j’observe. Et c’est plutôt une bonne nouvelle, parce qu’un problème de données, contrairement à un problème de modèle, se règle avec de la méthode et pas avec du budget.

Ce que veut dire « données sales », concrètement

Le mot fait un peu peur, alors traduisons.

Une donnée sale, c’est le devis type que vous avez dupliqué quatorze fois, dont trois versions circulent encore avec des tarifs de l’an dernier. C’est le fichier clients où la même personne apparaît sous « Dupont Marie », « M. DUPONT » et « marie.dupont@ », avec trois adresses différentes dont une seule est bonne. C’est le règlement intérieur scanné en PDF il y a six ans, une image de texte, illisible par n’importe quel outil automatique. C’est le tableur avec des cellules fusionnées, des couleurs qui portent une information (le rouge veut dire « impayé », mais personne ne l’a écrit nulle part) et une colonne « Notes » qui contient à la fois des numéros de téléphone, des dates de relance et des commentaires personnels.

C’est aussi, très souvent, la boîte mail. Beaucoup de structures ont leur mémoire réelle dans les mails : les décisions, les accords tarifaires, les procédures. Ce n’est pas une base de connaissances, c’est un dépôt chronologique où l’information juste et l’information périmée cohabitent sans étiquette.

Pourquoi une IA ne rattrape pas ce désordre

Il y a une croyance tenace selon laquelle l’IA « comprend » et va donc démêler tout ça. Elle ne démêle pas. Elle synthétise.

La plupart des assistants branchés sur vos documents fonctionnent sur le même principe : vos fichiers sont découpés en morceaux, chaque morceau est transformé en une représentation numérique, et quand vous posez une question, le système va chercher les morceaux qui ressemblent le plus à votre question, puis demande au modèle de rédiger une réponse à partir d’eux. Rien dans cette chaîne ne vérifie qu’un morceau est à jour, ni qu’il est plus légitime qu’un autre.

Résultat très banal : vous demandez votre tarif horaire, le système tombe sur l’ancienne grille parce qu’elle est mieux rédigée que la nouvelle, et il vous répond avec aplomb un prix faux. Aucun message d’erreur. Aucun doute exprimé. C’est exactement ce qui rend le problème sournois. Un logiciel classique plante quand la donnée est mauvaise, une IA continue.

Et le PDF scanné, lui, n’existe tout simplement pas pour le système. Il est dans le dossier, il n’est pas dans les réponses. Personne ne s’en rend compte avant le jour où l’information manquante compte vraiment.

L’inventaire, avant tout le reste

Voilà ce que je propose de faire en premier, et ça ne demande aucun outil.

Prenez une feuille, un tableur, ce que vous voulez. Listez les endroits où vit l’information de votre structure. Le serveur ou le Drive, la boîte mail, le logiciel de facturation, le CRM s’il y en a un, le site internet, le classeur papier près de l’imprimante, et la tête de la personne qui est là depuis douze ans. Oui, celle-là compte, et c’est souvent la source la plus fiable.

Pour chaque source, notez trois choses : qui la met à jour, à quelle fréquence, et ce qui se passe si elle est fausse. Cette troisième colonne est la plus utile. Une grille tarifaire fausse, c’est un litige commercial. Une procédure de sécurité fausse dans une collectivité, c’est autre chose. Un ancien compte-rendu d’assemblée générale mal daté dans une association, ça peut suffire à créer une confusion sur un mandat.

Ce tableau vous donne votre périmètre. Mon avis, et c’est un avis : ne cherchez pas à tout traiter. Prenez le seul domaine où une IA vous ferait gagner du temps chaque semaine, et ignorez le reste pour l’instant. Les réponses aux questions récurrentes des clients, la rédaction de devis, le tri des demandes entrantes. Un seul.

Le nettoyage minimal qui change tout

Une fois le périmètre choisi, quatre gestes suffisent à faire la différence.

Désigner une source de vérité. Pour chaque type d’information, un seul fichier fait foi. Les autres sont archivés dans un dossier à part, hors du périmètre de l’IA. C’est la décision la plus pénible à prendre et la plus rentable.

Rendre les documents lisibles. Un PDF issu d’un scan doit passer par une reconnaissance de texte, ou être ressaisi. Un tableau d’informations vaut mieux qu’une capture d’écran de tableau. Si vous ne pouvez pas sélectionner le texte à la souris, la machine ne le lira pas non plus.

Uniformiser ce qui se compare. Les dates dans un seul format, les noms de clients selon une règle unique, les montants avec ou sans TVA mais toujours précisé. Ça paraît scolaire. C’est ce qui fait qu’un rapprochement automatique fonctionne ou renvoie du vide.

Dater et signer. Chaque document de référence porte sa date de dernière mise à jour, en haut, en clair. Une IA qui voit « version du 3 mars 2026 » dans le texte peut vous le restituer. Une date planquée dans les propriétés du fichier, non.

Le tri est aussi une question de conformité

Il y a un bénéfice moins visible à cet exercice. Quand vous listez vos sources, vous découvrez généralement des données personnelles que vous avez oublié d’avoir : un vieux fichier de prospects, les coordonnées de bénévoles partis depuis longtemps, des candidatures spontanées de 2019.

Le principe du RGPD sur ce point est simple à retenir : on ne conserve pas indéfiniment, et on ne collecte que ce qui sert. Avant d’envoyer un corpus dans un système d’IA, la bonne question n’est pas « est-ce que j’ai le droit », c’est « est-ce que j’en ai besoin ». Chaque fichier que vous retirez du périmètre est un risque en moins et une réponse plus juste. Pour les traitements sensibles ou les cas où vous hésitez, faites valider par quelqu’un dont c’est le métier, ce n’est pas le mien.

Ce que je ne promets pas

Je ne promets pas qu’un corpus propre rende une IA fiable. Elle restera capable de se tromper avec assurance, et il faudra une relecture humaine sur tout ce qui sort vers un client, un administré ou un adhérent. Je ne promets pas non plus que le nettoyage soit rapide. C’est du travail ingrat, souvent plus long que la mise en place technique qui suit.

Ce que je constate, en revanche, c’est que les structures qui font ce ménage en tirent quelque chose même si le projet d’IA ne se fait jamais. Elles savent enfin où sont leurs informations. C’est le seul chantier de ce type dont le résultat vaut le coup indépendamment de la suite.

Si vous voulez avancer sur ce terrain, je peux intervenir sur le cadrage et la mise en place, et je le fais en partant de vos fichiers réels, pas d’une démonstration. Le détail de mon approche est sur la page automatisation et IA pour petites structures.

Par où commencer cette semaine

Ouvrez le dossier qui contient vos documents de référence. Ouvrez les cinq premiers. Pour chacun, répondez à deux questions : de quand date la dernière modification réelle du contenu, et est-ce que le texte est sélectionnable.

Ce petit test prend un quart d’heure et vous dira à peu près tout sur l’état de vos données. Si les cinq documents passent, vous êtes en bien meilleure position que la moyenne. Sinon, vous savez maintenant par quoi commencer, et ce n’est pas par le choix d’un abonnement.