Données prêtes pour l'IA : 87 % des dirigeants le pensent, 43 % butent dessus

Près de neuf dirigeants sur dix affirment que leurs données sont prêtes pour l'intelligence artificielle. Dans le même souffle, près de la moitié d'entre eux citent la préparation des données comme le premier obstacle à leurs projets d'IA. Cette contradiction, mesurée fin 2025 auprès de 505 responsables data, dit quelque chose de précis sur la manière dont les PME abordent l'IA aujourd'hui : la confiance précède le travail. Nous vous proposons de regarder ce que « données prêtes pour l'IA » veut dire concrètement, et par où commencer quand on a une équipe de trente personnes plutôt que trois mille.

Le paradoxe de la confiance : 87 % se disent prêts, 43 % sont bloqués

Selon l'étude « 2026 State of Data Integrity and AI Readiness », publiée en janvier 2026 par Precisely et le Center for Applied AI and Business Analytics de l'université Drexel (LeBow), 88 % des responsables interrogés estiment que leurs données sont prêtes pour l'IA et 87 % jugent leur gouvernance suffisante. Un an plus tôt, seuls 12 % faisaient la même réponse. Pourtant, dans la même enquête, 43 % désignent la préparation des données comme le principal frein à l'alignement de l'IA sur les objectifs de l'entreprise, et 69 % disent ne pas réussir à relier la performance de leurs projets d'IA à des résultats métier.

L'étude porte sur de grandes entreprises, avec plus de mille employés. Mais le mécanisme est le même dans une PME romande, à une différence près : les grandes structures ont des équipes data pour absorber le choc, la PME découvre l'écart le jour où l'assistant IA répond à côté parce que le fichier clients contient trois orthographes du même nom. Le point important, selon nous, n'est pas le pourcentage. C'est que la perception de « prêt » se forme avant tout test réel. Et c'est précisément ce que nous observons dans les diagnostics du Baromètre IA : la question « vos données sont-elles fiables ? » obtient un oui rapide, la question « qui l'a vérifié, et quand ? » obtient un silence.

Ce que « données prêtes pour l'IA » veut dire pour une PME

La notion est souvent confondue avec l'existence d'un entrepôt de données ou d'un tableau de bord. Pour un projet d'IA en PME, nous retenons quatre critères, plus modestes et plus utiles.

• Accessibles : les informations dont l'IA a besoin se trouvent dans un système interrogeable (CRM, ERP, gestion documentaire), pas dans des boîtes mail ou des fichiers Excel personnels. Si le devis type vit sur le poste de Madame Perret, il n'existe pas pour la machine.

• Cohérentes : un client, un produit, un projet portent le même identifiant partout. Le doublon n'est pas un détail cosmétique, il devient une réponse fausse dès qu'on demande à un assistant « quel est le chiffre d'affaires de ce client ? ».

• Datées et attribuées : chaque enregistrement dit qui l'a créé et quand. Sans cela, l'IA mélange un tarif de 2022 et un tarif de 2026 avec la même assurance.

• Gouvernées : quelqu'un est responsable de la qualité de chaque jeu de données, avec un rituel de vérification. L'étude Precisely-Drexel le mesure sans ambiguïté : 71 % des organisations dotées d'un programme de gouvernance ont une confiance élevée dans leurs données, contre 50 % sans programme.

Ces quatre critères ne demandent ni budget lourd ni recrutement. Ils demandent une décision : considérer les données comme un actif dont on prend soin, au même titre que la trésorerie ou le carnet de commandes.

L'exemple d'une PME industrielle vaudoise de 45 personnes

Prenons une entreprise de mécanique de précision de l'arc lémanique, 45 collaborateurs, un ERP en place depuis huit ans et un CRM ajouté il y a trois ans. La direction souhaite un assistant qui prépare les réponses aux demandes de devis à partir de l'historique. Le pilote est lancé sur un outil d'IA générative connecté aux deux systèmes.

Premier constat après deux semaines : sur 1 200 fiches clients, 180 sont des doublons, avec des adresses de facturation différentes. Sur 3 400 devis historiques, 40 % n'ont pas de statut final renseigné (gagné, perdu, abandonné), donc l'assistant ne sait pas quelles offres ont réellement convaincu. Enfin, les remises négociées sont notées en texte libre dans le champ commentaire, illisibles pour un modèle sans travail préalable.

Le projet n'a pas été abandonné, il a été réordonné. Trois semaines ont été consacrées à dédoublonner les comptes, à imposer un statut obligatoire sur les devis et à créer un champ « remise accordée » structuré, avec un responsable désigné pour le maintenir. Le pilote a repris sur une base propre. Résultat mesuré à trois mois : le temps de préparation d'une réponse à un appel d'offres est passé d'environ quatre heures à une heure trente, et surtout, le taux d'erreur sur les prix proposés a chuté. L'IA n'a rien changé au métier. Elle a rendu visible ce que l'entreprise tolérait depuis des années, puis elle a récompensé la correction.

Notre méthode en quatre semaines pour passer de « on pense » à « on sait »

Nous proposons rarement un chantier data de six mois à une PME. Nous proposons un cycle court, lié à un cas d'usage précis, qui produit une décision à la fin.

1. Semaine 1, cadrer le cas d'usage et lister les données qu'il exige. Pas plus de cinq à sept sources. Un assistant devis n'a pas besoin de toute l'entreprise, il a besoin des clients, des produits, des devis et des tarifs.

2. Semaine 2, mesurer. Pour chaque source : taux de doublons, taux de champs vides sur les attributs critiques, ancienneté moyenne, présence d'un responsable. Un tableau d'une page suffit. C'est le moment où la confiance déclarée rencontre les chiffres.

3. Semaine 3, corriger ce qui bloque le cas d'usage, et seulement cela. Dédoublonnage, champs obligatoires, règles de saisie dans le CRM ou l'ERP. Le reste va dans un backlog daté.

4. Semaine 4, désigner les responsables et fixer le rituel : une revue mensuelle de trente minutes des indicateurs de qualité, et une règle simple, aucune nouvelle source de données sans propriétaire.

À la fin du cycle, la direction dispose d'un verdict honnête : le cas d'usage est prêt, ou il ne l'est pas encore et l'on sait pourquoi. C'est cette capacité à relier une donnée à un résultat métier qui manque à 69 % des organisations interrogées, et c'est elle qui sépare un pilote qui rapporte d'un pilote qui décore.

Ce que nous en retenons

La confiance dans ses données est saine, à condition qu'elle soit vérifiée. L'écart entre 88 % de dirigeants qui se disent prêts et 43 % qui butent sur les données ne se comblera pas avec un modèle plus puissant. Il se comble avec des règles de saisie, des responsables nommés et un rituel de contrôle, autrement dit avec de la gouvernance, le levier le moins spectaculaire et le plus rentable d'un projet d'IA.

Pour une PME, la bonne question n'est donc pas « sommes-nous prêts pour l'IA ? » mais « pour quel cas d'usage, avec quelles données, et qui en répond ? ». C'est la question que nous posons en premier, avant tout choix d'outil.

Vous voulez situer votre entreprise sur cette échelle ? Le Baromètre IA vous donne en quelques minutes une lecture sectorielle de votre maturité data et IA, et un prochain pas concret. Et si vous préférez en parler directement, notre page contact est ouverte.