La réalité complexe de la gestion des données pour l’IA (et comment y remédier)

Tue, 12 May 2026 16:24:04 Z

Les données seront toujours imparfaites. Tout est une question de degré.

Je l’ai compris dès le premier jour de mon master en data science, lorsqu’un professeur nous a avertis qu’environ 80 % de notre temps serait consacré au prétraitement et au nettoyage des données, et non à la création de modèles.

Des années plus tard, en tant que Principal Product Manager pour l’IA, le ML et l’analytique chez Ivanti, j’ai constaté que ce conseil se vérifiait remarquablement bien dans la pratique.

Alors que mon équipe et moi travaillons à faire sortir l’IA du laboratoire pour la déployer en production auprès des équipes IT et sécurité, la gestion des données pour l’IA est plus importante que jamais. Le rapport Technology at Work 2025 d’Ivanti révèle que 42 % des employés de bureau utilisent des outils d’IA générative au travail, soit une hausse de 16 points en un an. Chez les professionnels de l’IT, l’adoption atteint 74 %.

L’intérêt est bien là. Les réticences aussi. De nombreux responsables IT savent que leurs données ne sont pas propres, que leurs systèmes sont fragmentés et que leur gouvernance n’est pas encore au niveau. Bonne nouvelle : vous n’avez pas besoin de données parfaites pour adopter l’IA.

Vous avez besoin d’une stratégie claire de gestion des données pour l’IA, fondée sur ce dont vous disposez déjà.

Pourquoi les données IT ne sont jamais parfaites

Dans l’IT d’entreprise, les problèmes de qualité des données ne sont pas des anomalies. Ils constituent la réalité de base de l’IA et de la gestion des données. Les tickets sont catégorisés de manière incohérente. Les inventaires d’actifs sont incomplets. Les informations critiques sont dispersées dans des silos entre les systèmes. Et les textes non structurés des tickets de support et des réponses aux enquêtes échappent aux classifications simples.

Les recherches d’Ivanti confirment l’ampleur du phénomène. Notre rapport Advantage 2026 sur la gestion autonome des terminaux indique que 89 % des professionnels de l’IT estiment que les données en silo ont un impact négatif sur les opérations, et 39 % déclarent que ces silos entraînent une utilisation inefficace des ressources.

Notre rapport Technology at Work raconte une histoire similaire :

38 % des professionnels de l’IT citent la complexité technologique comme un obstacle majeur à l’efficacité des opérations, soit quatre points de plus d’une année sur l’autre.
Près de la moitié (46 %) indiquent que les nouveaux déploiements logiciels augmentent en réalité le volume de tickets, au lieu de réduire le bruit ambiant.

Ajoutez à cela le fait que 48 % des entreprises exécutent encore des logiciels en fin de vie, et le constat devient clair : il s’agit d’un environnement de données structurellement complexe.

Comme me l’a expliqué David Pickering, Product Marketing Director chez Ivanti : lorsque les données sont formatées différemment selon les systèmes, saisies de manière incohérente, cloisonnées par département et façonnées par des années d’acquisitions, les workflows d’IA agentique qui couvrent ces systèmes rencontrent rapidement des difficultés. Vous ne pouvez pas indiquer à une IA quelles données sont fiables si vous ne le savez pas vous-même. Et sans cette base, même les automatisations bien conçues finiront par se fissurer.

Autrement dit, le principe « données erronées en entrée, résultats erronés en sortie » s’applique toujours. Mais des données impeccables ne sont pas pour demain. Toute approche sérieuse de la gestion des données de référence et du machine learning doit tenir compte de cette complexité, et non attendre qu’elle se résolve d’elle-même.

Le cadre de décision — choisir votre stratégie de gestion des données

Il existe deux approches principales de la gestion des données pour l’IA dans l’IT. Les deux sont valides, les deux impliquent des compromis, et de nombreuses organisations utiliseront les deux selon les cas d’usage.

Approche 1 : nettoyage manuel/programmatique

Lorsque mon équipe a introduit la classification des tickets pour le système ITSM d’Ivanti, nous entraînions un modèle à catégoriser les demandes de service. Cela exigeait des données d’entraînement propres et bien étiquetées. Nous avons donc intégré une étape au workflow afin de donner aux administrateurs la possibilité de vérifier et de nettoyer les données avant qu’elles n’alimentent le modèle. Cette revue humaine a amélioré la précision de manière mesurable.

Cette approche fonctionne le mieux lorsque vous entraînez ou affinez un modèle personnalisé, intégrez des données dans une base de connaissances ou travaillez avec des jeux de données structurés pour lesquels des standards de qualité peuvent être définis. Le compromis porte sur le temps et les ressources. Le résultat : une précision élevée et un contrôle total.

Elle fonctionne également mieux lorsqu’une hygiène de base des données est déjà en place. De nombreuses organisations n’en sont pas encore là : seulement 35 % suivent l’âge des appareils ou leur emplacement, et seulement 37 % suivent l’état des correctifs.

Approche 2 : traitement par IA générative

Parfois, le nettoyage manuel n’est pas envisageable. Je l’ai appris en travaillant sur l’analytique des enquêtes d’Ivanti. Les réponses aux enquêtes comptent parmi les données les plus complexes qu’une équipe IT puisse rencontrer : texte libre, formatage incohérent, niveaux de détail extrêmement variables. Les nettoyer manuellement à grande échelle n’est pas réaliste.

Nous avons plutôt utilisé de grands modèles de langage pour identifier des thèmes, des tendances et le sentiment à partir d’entrées incomplètes et non structurées. Nous pouvions résumer des enquêtes entières, identifier les facteurs de satisfaction et faire émerger rapidement des insights exploitables.

Cette approche est idéale pour les données non structurées à fort volume, les situations où le nettoyage manuel est tout simplement impossible, ou tout scénario dans lequel le coût du nettoyage dépasse la valeur du résultat. Elle nécessite toutefois l’accès à de grands modèles de langage performants et la validation de l’adéquation du cas d’usage.

Choisir entre les deux stratégies

La décision dépend du volume et de la variété des données, des contraintes de temps, des exigences de précision et du niveau de contrôle dont vous avez besoin sur l’endroit où vos données vont et la manière dont elles sont traitées.

Vous affinez un modèle pour lequel la précision est critique ? Investissez dans le nettoyage. Vous travaillez avec de grands volumes d’entrées non structurées et la rapidité est essentielle ? Appuyez-vous sur l’IA générative. L’objectif est de faire un choix délibéré, et non de rester inactif parce que les données ne sont pas parfaites.

Construire une infrastructure prête pour l’IA dédiée à la gestion des données

Les services cloud sont essentiels ici, et je ne dis pas cela à la légère. Lorsque mon équipe a créé un score d’expérience numérique pour mesurer, quantifier et améliorer l’expérience numérique des collaborateurs, le cloud a été le catalyseur clé. Il nous a servi de hub d’intégration, en réunissant les tickets de service, la télémétrie des appareils, les performances applicatives et les signaux de sécurité.

Ce niveau d’intégration multisource n’est pas réalisable à grande échelle sans infrastructure cloud. Le cloud nous a également permis d’exécuter un modèle d’IA hybride qui traite simultanément le texte et la télémétrie numérique. Prendre en charge des milliers d’appareils et d’utilisateurs à ce niveau de complexité n’est pas envisageable sur site.

Au-delà de la puissance de calcul, une infrastructure prête pour l’IA implique de traiter la gestion des données de référence pour le machine learning. Les organisations ont besoin d’une source unique de vérité entre leurs systèmes. Les formats de données doivent être standardisés, en particulier lorsque la croissance par acquisition introduit des plateformes héritées avec des conventions différentes.

La gouvernance des données complique encore la situation. Des réglementations comme le RGPD et le CCPA imposent des exigences strictes sur la manière dont les données personnelles sont traitées et les lieux vers lesquels elles peuvent être transmises. Pour les organisations mondiales, cela signifie que les pipelines d’IA doivent tenir compte des différences juridictionnelles régionales, notamment lorsqu’il s’agit d’évaluer s’il faut utiliser des services d’IA externes ou conserver le traitement en interne.

Notre étude sur la gestion autonome des terminaux révèle que seulement 32 % des professionnels de l’IT utilisent un système de gestion unifiée des terminaux. Sans visibilité consolidée, l’IA et l’automatisation ne peuvent pas atteindre leur plein potentiel. Une gestion efficace des données pour l’IA commence par la visibilité : vous ne pouvez pas automatiser ce que vous ne voyez pas.

Bonnes pratiques pour les équipes IT qui mettent en œuvre l’IA

En matière de gestion des données pour l’IA, adopter des outils sans développer les processus qui les soutiennent est l’une des erreurs les plus courantes que j’observe.

Mettre en place des pratiques de gestion des connaissances

La plateforme ITSM d’Ivanti utilise l’IA pour générer des articles de connaissances à partir des tickets passés et des résolutions d’incidents. Le gain de productivité est réel. Mais il ne supprime pas la nécessité d’une discipline de gestion.

Les articles nécessitent toujours des cycles de revue et d’approbation, un contrôle des versions et une attribution claire de la responsabilité.

Bien que 86 % des professionnels de l’IT conviennent que l’IA est importante pour l’efficacité des opérations, moins de la moitié l’utilisent pour des scénarios à forte valeur ajoutée comme la maintenance prédictive ou la réponse automatisée aux incidents. L’écart en matière d’IA et de gestion des données ne tient pas à la technologie. Il tient à la maturité des processus.

Validation et gouvernance

La validation est tout aussi importante côté sortie que la qualité des données côté entrée. Les résultats générés par l’IA doivent être vérifiés, en particulier à mesure que les organisations évoluent vers l’IA agentique, où des systèmes autonomes agissent sur la base de décisions en temps réel. La question n’est pas seulement de savoir si les données renvoyées semblent correctes. Elle est de savoir si le système prend les bonnes mesures.

Mesurer les performances de l’IA est également essentiel : fréquence d’utilisation, niveau de précision et points de défaillance. Le rapport 2026 d’Ivanti sur l’état de la cybersécurité révèle que 92 % des professionnels de la sécurité estiment que l’automatisation réduit efficacement le délai moyen de réponse. Cette efficacité dépend toutefois d’une surveillance et d’un ajustement continus.

Utiliser l’IA comme catalyseur de meilleures pratiques de données

L’IA ne se contente pas de consommer de bonnes pratiques de données. Elle les encourage. En abaissant les barrières à la création et à l’analyse de contenu, l’IA libère les équipes pour qu’elles construisent les cadres de gouvernance qu’elles avaient repoussés. Lorsque la génération d’un article de connaissances prend quelques minutes au lieu de plusieurs heures, l’équipe peut consacrer ce temps aux workflows d’approbation et à l’assurance qualité.

C’est particulièrement utile lorsque les techniciens juniors bénéficient de conseils IA en temps réel, ce qui leur permet de contribuer à un niveau supérieur pendant que les profils seniors se concentrent sur la stratégie.

Notre rapport Advantage sur la gestion autonome des terminaux révèle que 62 % des professionnels de l’IT se sentent submergés par les opérations quotidiennes, et qu’une personne sur quatre indique qu’un collègue a démissionné en raison d’un épuisement professionnel. Une IA qui augmente l’expertise humaine aide les équipes à passer à l’échelle sans ce coût.

Le chemin n’est pas toujours clair, mais la stratégie peut l’être

Les données parfaites sont un mythe. Cela ne doit pas vous arrêter.

Nettoyage manuel pour les cas d’usage structurés et exigeant une haute précision. IA générative pour les scénarios non structurés et à fort volume. Les deux exigent un investissement volontaire dans l’infrastructure cloud, la gouvernance et le développement des processus.

À mesure que les modèles d’IA continuent d’évoluer, en intégrant non seulement la reconnaissance statistique de motifs, mais aussi des règles explicites et un raisonnement structuré, la barrière à la gestion des données prête pour l’IA continuera de baisser. Les organisations qui agissent dès maintenant, avec lucidité sur les imperfections de leurs données et une stratégie pour les gérer, capteront le plus de valeur.

Mesurer l’expérience numérique grâce à l’intelligence artificielle

Thu, 21 Apr 2022 15:25:10 Z

Avec l’essor du télétravail et du travail hybride, et des environnements technologiques toujours plus complexes, il est plus important que jamais de gérer l’expérience numérique des collaborateurs. Mais comment mesurer cette expérience numérique ? L’une des méthodes les plus courantes consiste à utiliser des enquêtes, par exemple des enquêtes post-incident ou des enquêtes annuelles de satisfaction client. Mais, utilisées seules, ces enquêtes peuvent être réactives, tardives et limitées dans leur portée. Existe-t-il un moyen de mesurer l’expérience numérique de façon cohérente et automatique, sur un périmètre plus large des fonctions IT ?

La réponse est oui ! Dans la version Ivanti Neurons Workspace 2022.2, nous introduisons le Digital Experience Score (DEX Score, en abrégé). Nous partons d’un ensemble sélectionné d’indicateurs qui influent sur les expériences numériques, les intégrons à notre moteur de scoring propriétaire et générons un DEX Score compris entre 0 et 100.

Examinons d’abord les données d’entrée de notre moteur de scoring : les indicateurs. Les indicateurs peuvent être, par exemple, des métriques comme l’espace de stockage du disque dur, des indicateurs booléens comme la protection antivirus et des événements comme le moment où une analyse a eu lieu. Nous voulons un système de scoring représentatif de la richesse de l’expérience numérique dans les principaux domaines des fonctions IT ; nous avons donc sélectionné des indicateurs issus de la gestion des services, des applications, des appareils et de la sécurité.

Bien entendu, concernant notre moteur de scoring, nous ne pouvons pas dévoiler tous nos secrets, mais je peux dire que nous utilisons un modèle hybride, c’est-à-dire plusieurs techniques statistiques et d’apprentissage automatique pour calculer le score.

Notre moteur de scoring n’exige pas des administrateurs système qu’ils ajustent manuellement le seuil déterminant si un indicateur est bon ou mauvais. Pour certains indicateurs quantitatifs liés aux appareils, tels que l’espace de stockage du disque dur, nous analysons les relevés passés et déduisons, à l’aide de modèles statistiques, la plage normale de comportement. Une fois cette plage normale connue, nous pouvons calculer dans quelle mesure un nouveau point de données s’écarte du comportement normal ou s’en rapproche. Cette idée consistant à quantifier la normalité par rapport à l’irrégularité est au cœur de notre moteur de scoring.

Mais qu’en est-il des indicateurs textuels, comme l’objet et la description d’un incident ? Comment identifier l’émotion latente et la convertir en mesure qualitative ? Nous avons choisi d’appliquer l’analyse des sentiments aux incidents ouverts liés à un appareil. Notre modèle d’analyse des sentiments est un réseau neuronal profond qui classe les textes d’incident en sentiments positifs, négatifs et neutres. Le modèle est pré-entraîné ; les clients n’ont donc aucun entraînement supplémentaire à réaliser.

Enfin, nous n’analysons pas seulement les indicateurs individuellement ; nous utilisons plutôt un algorithme d’exploration de données qui prend en compte avec finesse les interactions entre ces indicateurs. Cela signifie que même si certains indicateurs individuels peuvent fluctuer et connaître des pics, ou ne pas fournir beaucoup d’informations seuls, leur combinaison nous indique dans quelle mesure le comportement d’un appareil s’écarte de la normale. Autre avantage de cet algorithme d’exploration de données : il identifie les indicateurs qui contribuent au comportement anormal, afin que nous puissions les faire remonter comme problèmes potentiels.

Sans employer de jargon de la science des données, nous comparons et corrélons les indicateurs dans le temps et entre eux, puis nous condensons ces informations en un score unique et global. Sans entraînement manuel de l’apprentissage automatique ni définition de seuils, êtes-vous prêt à obtenir une visibilité sans précédent sur l’expérience numérique à travers les fonctions IT ?

Ivanti Blog: Publié par