Vous avez des données. Probablement plus qu'il n'en faut pour démarrer un projet IA. Le blocage, ce n'est pas l'absence de données : c'est la croyance qu'il en faudrait davantage, ou de meilleures, ou dans un format différent.
C'est le frein n°1 qu'on entend chez les dirigeants de PME : "Nos données ne sont pas assez propres", "On n'a pas de data lake", "Il faudrait d'abord tout structurer". Dans la plupart des cas, c'est inexact. Un assistant IA qui répond aux questions de vos techniciens à partir de vos manuels PDF peut être opérationnel en quelques semaines, sans base de données, sans infrastructure dédiée, avec ce que vous avez déjà.
Cet article explique ce qui compte vraiment pour un projet IA : pas la perfection des données, mais leur accessibilité, leur fraîcheur, et leur adéquation au cas visé. Et comment vous pouvez vous auto-évaluer en une dizaine de minutes avant même de parler à un prestataire.
Le mythe du "pas assez de données" : pourquoi il bloque inutilement
Il vient d'où, ce mythe ? En partie de la façon dont l'IA a été vendue pendant des années. Les projets IA médiatisés, ceux de Google, Amazon ou Meta, s'appuient effectivement sur des volumes de données astronomiques. Des milliards de pages web, des millions d'heures de vidéo, des décennies de transactions.
Ce cadre de référence est totalement inadapté à ce qu'une PME cherche à faire.
Quand une entreprise de 50 personnes veut un assistant IA qui répond aux questions sur ses procédures internes, elle n'a pas besoin de milliards de données. Elle a besoin que ses 80 procédures PDF soient lisibles et accessibles. Quand un bureau d'études veut automatiser la rédaction de comptes rendus, il a besoin de quelques dizaines d'exemples bien représentatifs.
Le volume de données nécessaire est toujours relatif au cas d'usage ciblé. Pas dans l'absolu.
La deuxième source du mythe, c'est la confusion entre deux types de projets IA très différents. D'un côté, les projets de machine learning classique : prévision de ventes, détection d'anomalies, scoring client. Ces projets ont effectivement besoin de données historiques structurées, en volume. De l'autre, les projets basés sur l'IA générative et le RAG (Retrieval-Augmented Generation) : assistants documentaires, génération de contenu, extraction d'information. Ceux-ci fonctionnent très bien avec des données non structurées et des volumes modestes.
Or en 2026, la grande majorité des projets IA en PME appartiennent à la seconde catégorie.
Pour un assistant IA interne ou un projet RAG, vous avez déjà vos sources
Un assistant IA interne fondé sur une architecture RAG ne s'appuie pas sur un modèle entraîné sur vos données. Il utilise vos documents comme base de connaissances en temps réel : il les indexe, les découpe en segments, les transforme en vecteurs mathématiques, et interroge cette base à chaque question.
Conséquence directe : les sources exploitables sont celles que vous utilisez déjà au quotidien.
Les sources qui fonctionnent bien
- PDF texte (pas des scans) : manuels techniques, fiches produits, documents réglementaires, cahiers des charges, rapports
- Documents Word et présentations : procédures internes, guides de formation, modes opératoires
- Bases de connaissance : FAQ internes, wikis, notes de réunion structurées
- Fichiers tableur : catalogues produits, grilles tarifaires, nomenclatures, données de référence
- Emails archivés (avec sélection) : historiques de support, correspondances clients types
- Comptes rendus : réunions, chantiers, audits, visites
Sur un projet RAG pour une PME industrielle, 50 à 200 documents bien choisis produisent déjà des résultats utiles. Un cabinet de conseil qui a 3 ans de propositions commerciales bien structurées dispose d'une base largement suffisante pour un assistant de rédaction.
Ce qui pose vraiment problème
Deux catégories de sources créent des difficultés réelles :
Les PDF scannés sans OCR. Un scan d'image, c'est une photo. Le modèle ne peut pas lire le texte. Il faut une étape de reconnaissance optique de caractères (OCR) en amont, avec des outils comme Tesseract, Azure Document Intelligence ou AWS Textract. C'est faisable, mais ça rallonge le projet.
Les contenus obsolètes non identifiés. Un manuel de procédures de 2019 qui n'a pas été mis à jour depuis trois réorganisations internes. L'assistant IA va y répondre avec confiance, mais les informations seront fausses. Ce n'est pas un problème de volume : c'est un problème de fraîcheur.
Ce qu'on voit sur le terrain
Sur un projet RAG pour un bureau d'études, le corpus de départ était 140 notes de calcul, 60 fiches techniques fournisseurs et 25 comptes rendus de chantier. Résultat opérationnel en 6 semaines. Le principal travail de préparation : identifier et exclure les 30 documents marqués "V0" ou "brouillon" du dossier partagé. Pas besoin de tout restructurer. Juste de savoir ce qu'on met dedans.
Ce qui compte vraiment : les 5 critères à évaluer
Oubliez le volume et la "perfection". Voici les cinq critères qui déterminent réellement si vos données sont utilisables pour un projet IA.
1. L'accessibilité
Vos documents sont-ils dans un endroit accessible et cohérent ? Un serveur de fichiers partagé, un SharePoint, un Google Drive, une GED. Peu importe l'outil. Ce qui bloque : des documents dispersés sur des postes individuels, des historiques d'emails non archivés, des procédures qui existent dans la tête des collaborateurs mais jamais formalisées.
Si vous devez appeler trois personnes pour savoir où se trouve un document, l'IA aura le même problème. L'accessibilité est le prérequis le plus basique, et souvent le plus négligé.
2. La lisibilité technique
Le document peut-il être lu par une machine ? Un PDF avec du texte sélectionnable : oui. Un scan de formulaire papier : non sans OCR. Un fichier Word bien structuré : oui. Un tableau Excel avec des formules imbriquées et zéro en-tête explicite : difficile.
La lisibilité technique, c'est la question : "Est-ce qu'un logiciel peut extraire le texte de ce fichier sans intervention manuelle ?"
3. La fraîcheur
Vos documents reflètent-ils la réalité actuelle de votre activité ? Pour un assistant IA qui répond aux questions de vos collaborateurs, des procédures de 2019 non révisées vont produire des réponses incorrectes. C'est le critère le plus souvent sous-estimé.
Soyons honnêtes : dans 80 % des PME, il y a un mélange. Des documents récents et fiables, des documents anciens mais toujours valides, et des documents obsolètes qui traînent. Le travail consiste à distinguer les trois catégories, pas à tout réécrire.
4. La pertinence pour le cas visé
C'est là que beaucoup se perdent. Le stock de données disponible doit être évalué par rapport au cas d'usage spécifique, pas dans l'absolu.
Exemple : vous voulez un assistant IA pour aider votre équipe support à traiter les réclamations clients. Avez-vous un historique de réclamations passées avec les résolutions associées ? Des scripts de traitement ? Des procédures d'escalade ? Si oui, vous êtes prêt, même si vous n'avez pas grand-chose d'autre. Ce que vous n'avez pas sur un autre sujet n'a aucune importance pour ce projet précis.
5. Les droits et la confidentialité
Qui a le droit d'accéder à ces documents ? Y a-t-il des contraintes RGPD sur certaines catégories ? Des accords de confidentialité qui limitent l'usage avec des prestataires ?
Ce n'est pas un blocage, mais c'est une contrainte à cartographier avant de se lancer. Les solutions existent : déploiement on-premise (aucune donnée ne sort de votre infrastructure), anonymisation préalable, ou hébergement souverain européen. Pour le détail de ces options, notre article sur la sécurité des données et l'IA en PME couvre le sujet.
Auto-diagnostic : êtes-vous prêt pour votre projet IA ?
Voici une grille d'évaluation simple, à faire en équipe en moins de dix minutes. Elle s'applique à un projet précis, pas à "l'IA en général". Commencez par choisir un cas d'usage concret avant de répondre.
Grille d'auto-diagnostic données IA
Les documents liés à ce cas d'usage sont-ils dans un seul endroit accessible ?
Oui, centralisés → signal positif. Non, dispersés → à consolider avant de démarrer.
Quel pourcentage de ces documents date de moins de 2 ans ?
Plus de 60 % → vous pouvez démarrer. Moins de 30 % → revue de fraîcheur nécessaire d'abord.
Ces documents sont-ils en format texte (PDF texte, Word, Excel) ou en images/scans ?
Majorité texte → démarrage direct. Majorité scans → prévoir une étape OCR.
Pouvez-vous identifier 20 à 50 documents qui couvrent 80 % des questions que l'IA devra traiter ?
Oui → vous avez votre corpus de départ. Non → passez à la formalisation de ces connaissances d'abord.
Les droits d'accès à ces documents sont-ils clairs ?
Oui → simple à modéliser dans l'assistant IA. Non → à définir en amont pour éviter les fuites d'info entre services.
Lecture des résultats
Vous répondez oui à 4 ou 5 questions : vous pouvez démarrer maintenant. Vous répondez oui à 2 ou 3 : un cadrage de 2 à 3 jours suffit à lever les blocages. Moins de 2 oui : les fondations manquent, mais le projet reste faisable avec un accompagnement adapté.
La mise en qualité fait partie du projet, pas d'un prérequis
C'est peut-être le point le plus important de cet article. Et le plus contre-intuitif.
Beaucoup de dirigeants pensent qu'il faut "nettoyer" les données avant de démarrer un projet IA. Dans les projets de machine learning classique, c'est vrai. Dans les projets d'IA générative et RAG en PME, c'est rarement la bonne approche.
Pourquoi ? Parce que la mise en qualité parfaite prend du temps, consomme de l'énergie, et vous empêche d'apprendre ce qui compte vraiment : comment le système se comporte avec vos données réelles.
La bonne méthode : démarrer avec ce qui existe. Identifier les lacunes lors des premiers tests utilisateurs. Enrichir et corriger au fur et à mesure.
Sur un projet d'assistant RAG pour une entreprise de services, voici ce qu'on observe en pratique. On démarre avec un corpus imparfait. Les premiers tests révèlent que l'assistant confond deux types de contrats parce que les modèles de contrats 2021 et 2024 coexistent sans être distingués. On archive les anciens modèles, on reindexe. Le problème est réglé en une demi-journée. Ce travail d'amélioration continue est infiniment plus efficace que six mois de nettoyage préalable sans savoir ce qui compte vraiment.
Il y a aussi un bénéfice collatéral souvent sous-estimé : préparer un corpus pour l'IA force à faire l'inventaire documentaire que l'organisation aurait dû faire depuis longtemps. On identifie les procédures périmées, les doublons, les lacunes. C'est une mise en ordre qui profite à toute l'organisation.
Comment les besoins en données varient selon le type de projet
Les cinq critères vus plus haut s'appliquent différemment selon la nature du projet. Voici comment les distinguer concrètement.
Projet de type assistant documentaire ou RAG
C'est le cas où les exigences en données sont les plus basses. Vous avez besoin de documents existants, dans des formats texte lisibles, couvrant le périmètre des questions attendues.
Exemple typique : assistant IA interne pour répondre aux questions RH, assistant technique pour les équipes de maintenance, base de connaissances produits pour le support client.
Signal vert : vous avez des documents, même imparfaits, sur le sujet ciblé. Signal orange : la connaissance est essentiellement dans la tête des collaborateurs, pas formalisée.
Projet d'automatisation de processus
Pour automatiser un processus (tri d'emails, extraction d'information depuis des documents entrants, génération de rapports), vous avez besoin d'exemples. Pas de millions : quelques dizaines à quelques centaines d'exemples représentatifs du cas à traiter.
Exemple : automatiser le traitement des bons de commande entrants par email. Il vous faut des exemples de bons de commande réels, avec les informations à extraire et le résultat attendu. 50 exemples bien représentatifs suffisent pour les premiers tests.
Signal vert : vous pouvez réunir 30 à 100 exemples réels du cas à traiter. Signal orange : les cas sont trop hétérogènes ou trop rares pour constituer un corpus représentatif.
Projet de machine learning ou de prévision
Là, les exigences changent réellement. Un modèle de prévision des ventes ou de détection d'anomalies a besoin de données historiques structurées, en volume suffisant, sur une période représentative.
Règle approximative : au moins 12 à 24 mois d'historique avec la granularité cible (quotidienne, hebdomadaire), peu de valeurs manquantes, et une variable à prédire bien définie.
Signal vert : vous avez un ERP ou un outil de gestion qui conserve l'historique depuis 2 ans ou plus. Signal orange : migration récente d'outil, données fragmentées, historique lacunaire.
Tableau récapitulatif
| Type de projet | Données nécessaires | Barrière à l'entrée |
|---|---|---|
| Assistant RAG / documentaire | Documents existants, formats texte | Faible |
| Automatisation de processus | 30 à 100 exemples représentatifs | Faible à modérée |
| Prévision / machine learning | Historique structuré 12 à 24 mois | Modérée à élevée |
| Fine-tuning de modèle | Corpus annoté, centaines d'exemples | Élevée |
Trois erreurs courantes que vous pouvez éviter
En travaillant sur des projets IA avec des PME de secteurs variés, certains blocages reviennent systématiquement. Aucun n'est fatal. Tous sont évitables.
Attendre d'avoir des données "parfaites"
C'est le blocage le plus paralysant. Les données parfaites n'existent pas. Chez n'importe quelle entreprise, à n'importe quel stade, il y a des trous, des doublons, des formats hétérogènes.
L'approche qui fonctionne : partir du minimum viable, tester avec de vraies questions d'utilisateurs, améliorer par itérations. Un assistant RAG imparfait mais utilisé est infiniment plus utile qu'un projet de nettoyage de données qui ne finit jamais.
Confondre la quantité et la pertinence
Avoir 5 000 documents dans un dossier partagé ne signifie pas avoir de bonnes données pour votre projet. Si 4 800 de ces documents sont des versions intermédiaires, des doublons ou des fichiers obsolètes, votre corpus utile est en réalité de 200 documents.
La sélection est plus importante que l'accumulation. Posez-vous une seule question : ces documents couvrent-ils les questions que les utilisateurs vont poser ? Si non, avoir plus de documents du même type ne changera rien.
Négliger les droits d'accès
Un assistant IA qui a accès à tout sans distinction de profil peut exposer des informations sensibles à des collaborateurs qui n'y auraient normalement pas accès. Les grilles tarifaires au service commercial, les dossiers RH aux managers, les contrats fournisseurs aux équipes opérationnelles.
La gestion des droits d'accès est une dimension à prévoir dès le cadrage, pas à rajouter après coup. Ce n'est pas complexe techniquement, mais ça demande une décision organisationnelle claire : qui a accès à quoi dans l'assistant IA.
Questions fréquentes sur les données pour un projet IA
Pour aller plus loin
- Pourquoi les projets IA échouent en PME (et comment réussir)
- Les 3 niveaux d'investissement dans l'IA en entreprise
- Quand ne pas utiliser l'IA en entreprise
- Délai de retour sur investissement d'un projet IA
- Déployer un assistant IA interne sur vos documents : méthode pas à pas
- RAG (Retrieval-Augmented Generation) : comment ça fonctionne en entreprise
- 5 erreurs qui font échouer les projets RAG en entreprise
- Lancer un projet IA en entreprise : le guide réaliste pour dirigeants
- Combien coûte un projet RAG : budgets et postes de coûts
- Diagnostic IA interne : guide pas à pas
- Sécurité des données et IA en PME : checklist RGPD et souveraineté
- RAG sur documents internes : architecture et coûts pour une PME
Vos données suffisent probablement
30 minutes pour évaluer votre corpus existant, identifier le bon cas d'usage et définir un premier projet réaliste avec ce que vous avez déjà.
