De bonnes données aident l’humain et la machine
L’intelligence artificielle transforme la manière dont les informations sont produites et les décisions prises. Mais les performances de l’IA dépendent étroitement d’un fondement souvent négligé: l’AI-readiness de nos données. C’est cette préparation qui détermine si les données deviennent pour nous, humains, une source de connaissances fiables ou une simple certitude apparente.
Nous nous habituons progressivement à voir des machines écrire, évaluer et préparer des décisions. Mais derrière cette nouvelle normalité se cache une condition plus discrète, dont le grand public parle encore peu: la confiance dans le fait que les systèmes d’IA actuels s’appuient sur des données fiables. D’un côté, il est bien connu que l’IA générative a tendance à «inventer» des contenus lorsque les données font défaut. Cela fait partie de son fonctionnement génératif, même si le terme d’hallucination est souvent employé pour désigner ce phénomène de manière péjorative. De l’autre, ces systèmes deviennent de plus en plus performants pour s’orienter à partir des données existantes. Des questions fondamentales se posent alors: que se passe-t-il lorsque l’IA ne trouve pas les bonnes données, ou pas suffisamment de données fiables? Ou lorsqu’elle ne comprend tout simplement pas correctement les informations trouvées? Lorsqu’elle ne dispose que de fragments, de contradictions ou d’éléments imprécis? Elle continuera alors à combler les lacunes par du contenu et à nous fournir des résultats qui, loin de paraître incomplets, sembleront plausibles.
Les conséquences deviennent importantes dès lors que cette plausibilité sert de base à une décision. Car lorsque les systèmes ne signalent plus les lacunes, mais les masquent derrière une apparente certitude produite artificiellement, notre conception même du savoir évolue. Cela se manifeste de manière particulièrement évidente dans les démocraties: les décisions politiques s’appuient de plus en plus sur des analyses fondées sur les données et des évaluations assistées par l’IA. Même si celles-ci reposent sur des bases incomplètes ou biaisées, elles peuvent aboutir à des recommandations qui paraissent pourtant sans équivoque.
Le problème devient encore plus profond lorsque différents univers de données s’éloignent les uns des autres. Lorsque divers acteurs travaillent chacun avec leurs propres données et modèles, ils ne produisent pas seulement des perspectives différentes, mais aussi des réalités différentes. Ce qui est considéré comme un fait dépend alors du système qui l’a généré et interprété. La société perd ainsi peu à peu son socle commun. Non pas brutalement, mais insidieusement, à mesure que grandissent les divergences sur ce qui est tenu pour acquis. Dans ce contexte, les données sont depuis longtemps bien plus qu’une matière première pour les statistiques ou une base pour la politique et l’administration. Elles deviennent un point de référence commun à l’humain et à la machine. Leur interopérabilité technique et sémantique détermine si un cadre d’orientation commun peut être préservé.
La meilleure nourriture pour l’IA
Une question passe donc au premier plan: dans quelle mesure nos données sont-elles intégrables et réutilisables? Cette question a longtemps été abordée avant tout sous l’angle technique, alors que des institutions comme l’Office fédéral de la statistique (OFS) soulignent depuis longtemps qu’elle comporte toujours aussi une dimension sémantique. Lorsque les données deviennent le point de départ d’évaluations produites par des machines, il ne suffit plus qu’elles aient été collectées correctement. Elles doivent aussi être «AI-ready». Elles le sont lorsqu’elles peuvent être directement utilisées par des systèmes numériques et des outils d’IA, parce qu’elles sont clairement structurées, décrites de manière cohérente et sémantiquement univoques. Il ne s’agit donc pas seulement de formats techniques. Pour prendre une image, il faut que l’IA reconnaisse nos données comme la meilleure nourriture disponible et s’en nourrisse prioritairement.
Pour une infrastructure publique de données comme celle de l’OFS, cela implique d’élargir la perspective: il ne s’agit plus seulement de collecter, analyser et publier des données, mais aussi de concevoir activement l’interopérabilité comme une composante de l’infrastructure. Les données doivent être structurées de façon à pouvoir être réutilisées de manière fiable dans différents contextes – par l’administration, la recherche, le monde politique et la société, mais aussi de plus en plus par les systèmes d’IA.
Cela suppose de nouvelles normes: des métadonnées claires, des modèles de données contraignants, des définitions terminologiques uniformes ainsi que des processus garantissant que les données soient non seulement collectées correctement, mais aussi décrites de manière cohérente et restent durablement exploitables.
Une nouvelle infrastructure pour produire des connaissances Rendre les données AI-ready et maintenir cette capacité est Georges-Simon Ulrich Directeur de l’Office fédéral de la statistique (OFS) L’AUTEUR ictjournal.ch © netzmedien ag 05/2026 29 data literacy invité une tâche collective appelée à évoluer progressivement. L’écosystème de données suisse actuellement en développement sous l’égide de la Chancellerie fédérale et en étroite collaboration avec les départements, les cantons et les communes – ainsi que, de plus en plus, avec le secteur privé et la recherche – est sensibilisé à ces enjeux. Dans ce cadre, l’OFS assume un rôle de coordination en tant que «Swiss Data Steward». Il aide les autres acteurs à faire en sorte que les données soient interopérables, documentées et durablement utilisables dès leur création. Cette fonction est également centrale pour leur AI-readiness.
Comme indiqué précédemment, les données seules ne sont toutefois pas déterminantes. C’est tout l’environnement qui garantit leur utilisabilité: des données de haute qualité, des métadonnées clairement décrites, des standards communs, des responsabilités définies et des processus fiables. Ensemble, ces éléments forment une «colonne vertébrale épistémique», autrement dit une structure qui soutient la production de connaissances et l’orientation de la société en leur apportant la stabilité dont elles ont un besoin urgent.
L’importance de cette colonne vertébrale se manifeste concrètement dans la gestion quotidienne des données. Les métadonnées permettent de décrire les données de manière univoque et de les rendre interprétables. L’harmonisation et la standardisation garantissent que les informations puissent être comparées et utilisées de façon cohérente au-delà des systèmes et des frontières administratives. Des registres fiables et des données de référence correctement entretenues créent des points de repère communs et réduisent les incohérences dans l’utilisation des données. A cela s’ajoutent des responsabilités claires, des standards contraignants et des processus garantissant une gestion cohérente des données tout au long de leur cycle de vie.
Apprendre une nouvelle langue
Nous l’avons vu dans cette série d’articles: les données ne déploient pleinement leur valeur que lorsque toute leur chaîne fonctionne, de leur création à leur mise à disposition, puis à leur utilisation et à leur valorisation. Chacune de ces étapes doit être systématiquement pensée pour que les données restent exploitables par l’humain comme par la machine. Cela nécessite davantage que de la technologie. Nous avons besoin d’un langage commun autour des données: un vocabulaire partagé, des notions claires, des structures contraignantes et une compréhension commune de ce que les données peuvent et doivent permettre.
Même dans un monde de plus en plus guidé par les données et l’IA, la responsabilité des décisions incombe toujours aux humains. Les données peuvent fournir des repères, les modèles mettre en évidence des relations et les systèmes préparer des évaluations. Mais déterminer si, et de quelle manière, ces éléments doivent ou peuvent intervenir dans les décisions n’est pas une question technique. Dans le contexte de l’Etat et des autorités en particulier, cette question doit être tranchée dans le cadre d’un débat démocratique et sociétal. Pour qu’un tel débat puisse être mené de façon pertinente, les acteurs concernés doivent disposer des compétences nécessaires en matière de données. La Data Literacy doit donc être renforcée et plus largement ancrée dans la société. Seules les personnes qui comprennent comment les données sont produites, traitées et interprétées peuvent véritablement évaluer le fonctionnement et les limites des systèmes fondés sur les données et participer de manière éclairée au débat démocratique sur leur utilisation. Il s’agit aussi d’une condition fondamentale pour que la Suisse puisse exercer de manière souveraine son autodétermination sur ses propres données, tout comme pour permettre à chaque individu de contrôler de manière éclairée l’utilisation de ses données.
Un enjeu fondamental apparaît ici: le plus grand danger de l’ère de l’IA n’est peut-être pas que les machines deviennent trop puissantes. Il réside peut-être davantage dans le risque que les sociétés démocratiques perdent leur capacité à organiser une réalité commune et digne de confiance. C’est précisément pourquoi l’avenir de la statistique publique n’est pas une question technique secondaire. Il touche aux fondements de l’orientation démocratique et, par conséquent, à la souveraineté numérique des sociétés modernes.
Le rôle de l’OFS consiste à contribuer à la stabilité de points de référence communs, aussi bien pour les humains que pour les machines. Grâce à sa longue expérience des données – au cœur de sa mission depuis sa fondation en 1860 –, l’Office fédéral peut apporter ici une compétence centrale. Car la compréhension mutuelle ne va pas de soi. Elle doit sans cesse être rendue possible sur les plans technique, institutionnel et sociétal.
Ce n’est qu’à cette condition que des fragments de données pourront former un espace commun de connaissances. Le chemin est exigeant, mais également prometteur. Si nous apprenons correctement ce langage des données, un immense trésor de données fiables pourra, parfois par l’intermédiaire des machines, profiter aux êtres humains.
