Des informations contradictoires dans un tableau de bord peuvent être examinées par un employé. Selon l’article, un agent d’IA confronté à la même ambiguïté risque de propager l’erreur qui en résulte dans l’ensemble de son travail. Pour que les organisations puissent se fier aux résultats générés par l’IA, les données doivent être structurées pour être utilisées par les machines, tout en étant gouvernées et comprises par les personnes.
L’article recense quatre exigences pour que les données soient prêtes pour l’IA. Elles doivent être fiables, et leur provenance, leur propriété, leur historique de validation et leurs transformations doivent pouvoir être retracés avec les données. Les règles de gouvernance doivent accompagner les jeux de données, plutôt que d’être stockées séparément dans des outils en aval, où des changements pourraient passer inaperçus. Cette traçabilité aide aussi les organisations à expliquer les résultats d’un modèle et à en assumer la responsabilité.
Les données doivent également être suffisamment récentes pour les décisions qu’elles étayent. Les usages opérationnels, comme la détection de fraude ou l’ajustement des stocks, peuvent nécessiter des mises à jour en quelques secondes, tandis que la planification stratégique peut s’appuyer sur des données quotidiennes ou hebdomadaires. L’essentiel est d’adapter la fraîcheur des données au calendrier de la décision et de signaler clairement tout retard.
Un vocabulaire métier commun constitue une autre exigence. Des termes tels que « chiffre d’affaires » peuvent désigner des mesures différentes selon les systèmes. Sans définitions communes, documentées et appliquées au niveau des données, un modèle risque de combiner des mesures distinctes comme si elles avaient la même signification.
Enfin, les données doivent pouvoir être découvertes et utilisées par les machines. Les analystes s’appuient souvent sur leur connaissance des tables et des champs à utiliser, mais les agents d’IA ne disposent pas automatiquement de ce contexte institutionnel. L’organisation des données et la manière dont elles sont exposées sont donc tout aussi importantes que leur contenu.
L’article présente les produits de données comme un moyen de répondre à ces besoins. Un produit de données est une unité distincte, détenue et documentée, qui comprend des informations telles que son schéma, sa fréquence d’actualisation, sa politique d’accès et sa signification métier. Il offre ainsi aux agents un moyen cohérent et lisible par les machines de trouver et de récupérer des données.
Les organisations peuvent exposer des produits de données par l’intermédiaire de MCP, ou Model Context Protocol, que l’article décrit comme une norme émergente permettant aux agents d’IA d’accéder de manière structurée et contrôlée par des autorisations aux systèmes et aux sources de données. Grâce à cette approche, un agent pourrait repérer un produit de données « Customer Lifetime Value », comprendre son contenu et sa fraîcheur, puis récupérer les informations pertinentes sans qu’une personne ait à créer une intégration personnalisée ou à coder en dur une requête.
En revanche, les organisations qui utilisent des lacs de données brutes et non différenciées peuvent devoir créer une couche de navigation pour chaque nouveau cas d’usage avant que les agents puissent exploiter les données. L’article affirme que les entreprises disposant de produits de données établis peuvent réduire ce travail de préparation ainsi que le besoin d’intervention humaine pendant l’inférence.
Sources: TechRadar.