Vous avez validé le budget, choisi le prestataire, briefé vos équipes. Le projet IA démarre lundi. Sauf qu'un détail vient d'exploser en réunion : personne ne sait où sont réellement stockées les données que l'IA doit traiter.
Ce scénario, on le voit chaque semaine. Un dirigeant lance un projet IA sans avoir cartographié son patrimoine de données. Résultat : trois mois de retard, un budget qui double, et parfois un projet à l'arrêt.
Pourquoi l'audit de données conditionne tout le reste
Une IA sans données propres, c'est comme un moteur diesel avec du sable dans le réservoir. Ça peut démarrer, mais ça ne va pas loin.
La plupart des dirigeants sous-estiment ce point. Ils imaginent que leurs données sont « quelque part dans le système » et que le prestataire s'en occupera. Faux. Un prestataire sérieux vous demandera un état des lieux précis avant de signer. S'il ne le demande pas, méfiez-vous.
L'audit de données répond à trois questions simples :
- Quelles données avez-vous vraiment ?
- Sont-elles exploitables en l'état ?
- Avez-vous le droit de les utiliser ?
Tant que ces trois questions restent floues, tout chiffrage projet est de la fiction. C'est d'ailleurs l'une des raisons pour lesquelles 80% des projets IA en PME échouent : on démarre les mains dans le cambouis sans avoir vérifié qu'il y avait de l'huile dans le moteur.
Étape 1 : cartographier les sources de données
Commencez par lister toutes les sources où circulent des données métier dans votre entreprise. Pas les sources théoriques : les vraies.
Les sources officielles
ERP, CRM, logiciel comptable, GED, outils métier spécifiques. Facile à identifier, souvent bien documentées. C'est le point de départ, mais rarement suffisant.
Les sources cachées
C'est là que ça se corse. Fichiers Excel sur les postes des collaborateurs, dossiers partagés SharePoint mal organisés, boîtes mail contenant des pièces jointes critiques, bases Access des années 2000 encore utilisées par un service, notes dans OneNote ou Notion.
Dans une PME industrielle de 80 personnes qu'on a accompagnée, on a découvert 14 fichiers Excel critiques stockés sur le poste d'une seule assistante. Personne d'autre n'y avait accès. Le projet IA prévu pour analyser les commandes clients s'appuyait sur ces fichiers. Sans audit, on l'aurait su le jour du départ en retraite de la collaboratrice.
La méthode pratique
Organisez un tour de table avec chaque chef de service. Une question unique : « Sur quels fichiers ou outils travailles-tu au quotidien ? » Notez tout. Pas de jugement, pas de filtre. L'objectif est d'avoir la carte complète, pas la carte officielle.
Étape 2 : évaluer la qualité et la structure
Avoir des données ne suffit pas. Encore faut-il qu'elles soient exploitables par une IA.
Les quatre critères à vérifier
La complétude. Combien de champs sont vides ? Sur une base clients, si 40% des adresses email manquent, l'IA d'automatisation d'emails ne servira à rien.
La cohérence. Les mêmes informations sont-elles saisies de la même manière ? « SARL Dupont », « Dupont SARL », « Dupont S.A.R.L. » : pour un humain c'est pareil, pour une IA c'est trois clients différents.
La fraîcheur. À quand remonte la dernière mise à jour ? Une base fournisseurs pas touchée depuis 3 ans est probablement à moitié obsolète.
La structure. Vos données sont-elles dans des formats exploitables (bases relationnelles, CSV propres, JSON) ou éparpillées dans des PDF scannés et des documents Word ? Le premier cas, l'IA lit direct. Le second, il faut passer par des étapes intermédiaires comme l'OCR pour transformer les documents en données exploitables.
Le test rapide
Prenez un échantillon de 100 lignes de votre base principale. Faites une inspection manuelle. Comptez les anomalies. Si vous dépassez 15% d'erreurs ou d'incohérences, un chantier de nettoyage préalable est indispensable avant tout projet IA.
Étape 3 : cadrer les questions juridiques et de sécurité
On touche ici à un point où beaucoup de dirigeants se brûlent les doigts.
La question de la propriété
À qui appartiennent les données ? Question triviale en apparence, souvent complexe en réalité. Si vos données incluent des informations transmises par des clients dans le cadre de prestations, votre contrat vous autorise-t-il à les utiliser pour entraîner ou nourrir une IA ? Souvent non.
La question RGPD
Données personnelles identifiables ? Consentement clair pour un traitement automatisé ? Base légale documentée ? Ces questions ne sont pas des détails administratifs. En cas de contrôle CNIL, elles peuvent faire basculer un projet en amende.
La question de la localisation
Où seront traitées vos données par l'IA ? Serveurs européens, américains, autres ? Ce choix a des conséquences juridiques et stratégiques, notamment sur le choix entre IA cloud et IA on-premise pour vos données sensibles.
Étape 4 : formaliser un rapport d'audit exploitable
Un audit qui reste dans la tête du dirigeant ne sert à rien. Il doit devenir un document opérationnel.
Ce que doit contenir le rapport
- Cartographie des sources (nom, localisation, propriétaire, volumétrie)
- Score de qualité par source (complétude, cohérence, fraîcheur)
- Points bloquants juridiques identifiés
- Actions correctives à mener avant démarrage projet
- Estimation du coût et du délai de mise en conformité
Le format qui marche
Un tableau Excel de 2 à 3 onglets suffit largement. Pas besoin d'outil d'audit sophistiqué à 15 000 € pour une PME de 50 personnes. Ce qui compte, c'est la lecture partagée du réel entre le dirigeant, le DSI (ou son équivalent) et le futur prestataire.
Le cas d'un cabinet d'expertise-comptable accompagné par Rocket IA
Un cabinet de 22 collaborateurs voulait automatiser la production de liasses fiscales avec une IA. Budget prévu : 40 000 €. L'audit préalable a révélé que les données comptables étaient éclatées entre trois logiciels différents selon l'ancienneté des dossiers, avec des formats non compatibles.
Résultat de l'audit : le projet initial était impossible en l'état. Recommandation : d'abord homogénéiser les référentiels comptables sur 6 mois, puis lancer le projet IA. Coût de l'audit : 3 500 €. Économie de projet mal engagé : bien plus.
Combien de temps prévoir pour un audit sérieux
Pour une PME de 20 à 100 personnes, comptez entre 3 et 6 semaines. Le calendrier réaliste :
- Semaine 1-2 : entretiens et collecte
- Semaine 3 : analyse qualité échantillonnée
- Semaine 4 : revue juridique et sécurité
- Semaine 5-6 : rédaction et restitution
Si on vous propose un audit « en 3 jours », c'est du survol. Utile pour une première photo, insuffisant pour cadrer un vrai projet.
Les erreurs à éviter
Confier l'audit uniquement au prestataire du projet IA. Il n'est pas neutre : il a intérêt à ce que le projet démarre. Si possible, faites l'audit avec un acteur différent de celui qui pilotera le projet.
Sauter l'étape parce que « on connaît nos données ». Neuf fois sur dix, la réalité découverte pendant l'audit surprend le dirigeant. C'est justement là que l'audit apporte de la valeur.
Ne pas embarquer les opérationnels. L'audit fait en chambre par un consultant qui n'a jamais discuté avec la personne qui saisit les données est un audit fantôme. Les vraies infos sont sur le terrain.
Passer à l'action
Un audit de données bien mené, c'est 3 à 6 semaines de travail qui économisent parfois des mois de galère projet. C'est aussi le seul moyen sérieux d'obtenir un chiffrage IA qui tienne la route.
Vous envisagez un projet IA en 2026 ? Avant de choisir un prestataire ou de valider un budget, faites le point sur votre patrimoine de données. Réservez un audit gratuit avec Rocket IA : en 45 minutes, on identifie ensemble les zones à risque de votre patrimoine data et on vous dit honnêtement si votre projet est prêt à démarrer ou s'il faut d'abord un chantier de préparation.