L’IA peut transformer rapidement une donnée imparfaite en explication convaincante. Elle peut donc amplifier des erreurs de périmètre, de définition ou de période au lieu de les corriger.
Évaluer la qualité selon l’usage
Une donnée acceptable pour une tendance peut être insuffisante pour une décision d’allocation ou une communication financière. Définissez complétude, fraîcheur, exactitude et cohérence pour chaque usage. Identifiez les champs qui déterminent le résultat : devise, unité, période, entité et version sont souvent aussi importants que le montant.
Conserver le contexte des transformations
Un montant retraité doit garder sa source et la règle appliquée. Les données d’entraînement ou de recherche documentaire doivent distinguer versions approuvées et documents obsolètes. Sans cette information, le modèle peut rapprocher des chiffres qui portent le même nom mais ne répondent pas à la même définition.
Transformer les anomalies en actions
Un tableau de qualité ne suffit pas. Chaque anomalie critique doit avoir un propriétaire et un délai. Les corrections récurrentes doivent être traitées à la source. Automatisez les contrôles simples et gardez une revue métier sur les exceptions. Les données manquantes doivent rester visibles, plutôt que d’être complétées silencieusement.
Passer à l’action
Avant le pilote IA, prenez vingt résultats attendus et vérifiez les données qui les alimentent. Mesurez les erreurs dues au modèle séparément de celles dues aux sources. Ce diagnostic évite d’investir dans des prompts pour résoudre un problème de référentiel.