La question de la préparation à l'IA est un sujet récurrent dans presque toutes les discussions sur son adoption. Pour les équipes d'assistance, de gestion des services informatiques (ITSM) et de services de services professionnels (PSA), l'accent est mis sur les données sous-jacentes à leurs systèmes : des années de tickets ne suffisent pas à rendre un service d'assistance prêt pour l'IA. Ce qui compte, c'est que les enregistrements et les connaissances existants soient exacts, complets, à jour, structurés de manière cohérente et gérés en fonction de l'utilisation que l'IA en fera.
Ce guide transforme l'évaluation de la préparation des données d'IA en vérifications pratiques des données de support : ce qu'il faut évaluer, où les lacunes se produisent généralement et quand leur correction suffit par rapport au moment où un changement de plateforme doit faire partie de la décision.
Qu’est-ce que la préparation des données pour l’IA ?
La préparation des données à l'adoption de l'IA désigne la capacité des données d'une organisation à soutenir de manière fiable une application d'IA prévue. Ces données doivent être disponibles dans un format accessible, interprétable et utilisable par les systèmes d'IA, sans introduire d'erreurs inacceptables, de risques pour la confidentialité ou de lacunes de contexte.
Il n'existe cependant pas de seuil universel de maturité en la matière. McKinsey recommande de définir les données « suffisantes » en fonction du cas d'usage et de son profil de risque. Son cadre de référence pour 2026 classe les assistants clients, notamment les chatbots et les agents de service, dans la catégorie des données de haute qualité, avec des mécanismes de surveillance, d'escalade et de contrôle des données personnelles.
Données prêtes pour l'IA vs. niveau de préparation à l'IA : quelle est la différence ?
Les données compatibles avec l'IA font référence aux données elles-mêmes, tandis que la préparation à l'IA englobe la capacité plus large d'une organisation à mettre l'IA au service de l'entreprise.
Comme le souligne Gartner, il n'existe pas de norme universelle pour les données prêtes pour l'IA. La qualité, la gouvernance, la traçabilité et les autres caractéristiques requises dépendent du cas d'usage spécifique de l'IA.
La préparation des entreprises à l'IA ne se limite pas aux données. Elle englobe également les personnes, les processus, la gouvernance, la technologie et les compétences nécessaires pour utiliser efficacement l'IA.
Pourquoi les données de support et de service constituent un cas particulier
- Champs, étiquettes et statuts des billets
- Fiches de contact
- Courriels, conversations par messagerie instantanée et notes internes
- Pièces jointes, images et enregistrements d'appels
- Articles de la base de connaissances
- Données liées à d'autres systèmes d'entreprise
La préparation des données pour l'IA générative nécessite des relations claires entre ces sources afin que la solution puisse relier les conversations aux tickets appropriés, au contenu de la base de connaissances et aux dossiers clients.
Pourquoi les efforts de préparation des données à l'IA stagnent-ils dans les organisations de soutien ?
Dans le même temps, les services d'assistance sont soumis à une forte pression pour adopter rapidement l'IA. Le service client, en particulier, bénéficie depuis des années d'investissements et d'expérimentations en la matière. Gartner a constaté que 91 % des responsables du service client et de l'assistance subissaient des pressions de la direction pour mettre en œuvre l'IA d'ici 2026.
Que se passe-t-il lorsque l'IA fonctionne avec des données qui ne sont pas prêtes ?
Les conséquences d'une mauvaise préparation des données varient selon le cas d'utilisation de l'IA :
- Classification et acheminement des tickets : des catégories incohérentes, des champs incomplets ou un contexte de ticket imprécis peuvent affecter la manière dont les demandes entrantes sont classées et acheminées.
- Copilotes IA : des connaissances obsolètes ou contradictoires peuvent s’infiltrer dans le contexte utilisé pour générer une réponse, fournissant ainsi à l’agent des informations qui ne sont plus valides.
- Agents d'IA : les données clients ou comptes obsolètes présentent un risque opérationnel plus élevé lorsque l'IA peut utiliser ces informations pour effectuer des actions autorisées sur des systèmes connectés.
Ces problèmes deviennent plus difficiles à isoler lorsque l'IA exploite plusieurs sources simultanément. Une réponse erronée peut provenir d'un article de base de connaissances obsolète, tandis qu'un problème de routage peut avoir son origine dans la structure ou la configuration des tickets.
Les cinq dimensions de la préparation des données d'IA pour les données de support
Ces cinq dimensions fournissent un modèle pratique d'évaluation de la préparation des données d'IA pour les données de support.
1. Exactitude et déduplication
La précision dépend de la fiabilité des contacts, des tickets, des valeurs de champs et des articles de connaissances, sans doublons ni versions contradictoires. L'IA a besoin d'une source claire et faisant autorité.
2. Exhaustivité des tickets, de la base de connaissances et des contacts
L'exhaustivité des données doit être évaluée au regard du cas d'utilisation de l'IA. Vérifiez si les données contiennent toutes les informations nécessaires à son fonctionnement, notamment les champs obligatoires des tickets, l'historique des conversations, les relations clients, les pièces jointes et une couverture de connaissances suffisante pour les problèmes courants.
3. Cohérence de la structure et de la taxonomie
Les catégories, les étiquettes et les champs personnalisés évoluent souvent, ce qui entraîne des doublons, des catégories renommées, des champs abandonnés et des incohérences dans la dénomination. Les valeurs équivalentes doivent respecter la même structure et les mêmes conventions de dénomination afin que l'IA puisse les interpréter comme identiques.
4. Fraîcheur et lignée
Les articles de base de connaissances, les politiques, les informations produits et les dossiers clients perdent souvent de leur pertinence avec le temps. La traçabilité des données apporte un éclairage sur leur origine et leur évolution. L'observabilité des données, essentielle à l'intégration de l'IA, permet d'étendre cette visibilité au-delà d'un audit ponctuel en surveillant leur fraîcheur et leur traçabilité dans le temps.
5. Gouvernance, accès et conformité
Les données de support comprennent généralement des informations personnelles, des notes internes, des détails de compte et des pièces jointes confidentielles. Les autorisations d'accès à ces données peuvent varier selon les cas d'utilisation de l'IA. Les outils de gouvernance des données clients, indispensables à la préparation à l'IA, permettent de contrôler l'accès, la conservation et la supervision des données à mesure que l'IA se connecte à un nombre croissant de sources.
Préparation des données d'IA sur les différentes plateformes de support
plateformes de service d'assistance
Pour les services d'assistance, la préparation des données pour l'IA commence par le contexte d'assistance auquel l'IA peut accéder : conversations, dossiers clients, contenu de la base de connaissances, métadonnées des tickets et liens entre ces éléments. Lors de l'évaluation d'une plateforme ou de la planification d'une migration vers un service d'assistance axé sur l'IA, il est essentiel de vérifier comment ce contexte est stocké, cartographié et transmis aux fonctionnalités d'IA.
Par exemple, si vous utilisez Zendesk ou prévoyez une migration vers cette plateforme, examinez votre base de connaissances, vos règles de routage et les connexions aux données clients dans vos autres systèmes d'information. Zendesk inclut ces trois éléments dans sa liste de vérification de préparation à l'IA, ainsi que des analyses de sécurité et juridiques des ensembles de données connectés. Ces mêmes vérifications s'appliquent à Freshdesk et aux plateformes de support similaires.
Lorsqu'il s'agit d'utiliser Fin AI en dehors de sa plateforme native, Fin (anciennement Intercom), accordez une attention particulière au contexte qui traverse l'intégration : détails des tickets, informations client, commentaires, sources de connaissances et données de transfert.
Plateformes ITSM
Les plateformes ITSM ajoutent les incidents, les problèmes, les changements, les actifs et les enregistrements de service liés au contrôle de préparation des données d'IA.
- ServiceNow : Différents cas d’usage de l’IA s’appuient sur différents enregistrements de service. Les données d’incidents et de changements peuvent alimenter des résumés ; les notes de résolution facilitent la génération de solutions, et le contenu de connaissances fournit le contexte nécessaire à la création de connaissances et aux interactions conversationnelles.
- Jira Service Management: L'évaluation des risques liés à l'IA s'appuie sur les modifications historiques, les incidents, les déploiements, les dépendances des services et des actifs, ainsi que sur les plans de mise en œuvre, de test et de restauration pour évaluer le risque d'un changement.
- Freshservice : Les tickets, les problèmes, les modifications, les articles de la base de connaissances, les ressources et les champs personnalisés peuvent tous contenir des informations contextuelles liées au service. Par conséquent, l’analyse de préparation doit examiner à la fois la qualité des enregistrements individuels et les relations qui les unissent.
plateformes PSA
L'IA peut dépendre de données opérationnelles provenant des techniciens, des clients, des actifs, de la documentation, des systèmes de surveillance et de sécurité.
- Autotask PSA : Le tri des tickets par IA classe les priorités et les compétences requises, puis attribue les tâches aux techniciens. D'autres fonctionnalités d'IA résument les discussions et les notes internes. Il est donc essentiel de consulter l'historique, la catégorisation, le contexte du technicien et la documentation associée.
- ConnectWise: Sa liste de contrôle de préparation à l'IA commence par les données opérationnelles, demandant aux MSP d'évaluer si celles-ci sont accessibles, structurées et prêtes à prendre en charge l'automatisation et la prestation de services pilotées par l'IA.
- Syncro: Le système de triage et d'affectation par IA peut utiliser l'historique des tickets pour recommander la priorité et l'attribution des techniciens. Syncro établit des profils de compétences pour les techniciens à partir de 100 tickets résolus au cours des six derniers mois, ce qui rend l'historique de résolution récent particulièrement pertinent.
- Atera: L'IA couvre la gestion des tickets, le diagnostic, la résolution des problèmes et l'automatisation informatique. L'accès et la sécurité sont donc des éléments essentiels de la préparation, au même titre que la qualité des données. Dans Atera, la confidentialité et la sécurité des données représentaient la principale préoccupation liée à l'intégration de l'IA (34 %).
- NinjaOne: Inventorier les données fragmentées avant l'adoption de l'IA, puis supprimer les doublons et les enregistrements obsolètes, normaliser les formats, établir la propriété et les contrôles d'accès, et connecter les sources cloisonnées.
- SuperOps: La connectivité des données opérationnelles est essentielle. SuperOps affirme clairement que l'IA agentielle perd des informations contextuelles utiles lorsque les données opérationnelles et de sécurité sont dispersées dans des outils non connectés. Sa plateforme réunit les solutions PSA, RMM, de gestion des tickets, de gestion des terminaux et d'automatisation.
Ces différences entre les plateformes montrent pourquoi une évaluation de la préparation des données à l'IA doit tenir compte de votre infrastructure réelle.
Une démonstration gratuite de migration vous permet d'examiner vos enregistrements, vos champs et vos relations et de voir comment ils seront transférés vers la plateforme cible.
Auto-évaluation rapide de la préparation des données en matière d'IA
Pour une vérification rapide de la préparation des données à l'IA, commencez par quatre questions :
- Audit : Les tickets sont-ils catégorisés de manière cohérente, les articles de la base de connaissances sont-ils à jour et les enregistrements dupliqués ou obsolètes sont-ils identifiés ?
- Prioriser : Pouvez-vous séparer les enregistrements récents et complets ainsi que les connaissances utiles des données historiques de faible qualité ?
- Valider : Pouvez-vous tester la classification, la recherche ou les recommandations de l'IA par rapport à des résultats connus ?
- Préserver : Savez-vous quels documents historiques doivent encore être disponibles à des fins de conformité, de reporting ou pour le contexte des agents ?
Voici la version courte. Notre checklist de migration ITSM compatible avec l'IA détaille les quatre phases, de l'audit initial des données à la migration historique complète.
Une checklist vous fournit un point de départ ; un audit vous permet d'identifier plus précisément les lacunes de vos données.
La migration comme point de contrôle naturel de la préparation à l'IA
Une évaluation de la préparation des données pour l'IA peut révéler que votre plateforme actuelle, après un nettoyage mineur des données, est capable de prendre en charge l'IA souhaitée. Dans ce cas, il est judicieux de la conserver. En revanche, si l'audit met en évidence des limitations de la plateforme, telles que des champs incohérents, des connaissances fragmentées ou des données nécessitant une restructuration, envisagez une migration.
Par définition, la migration impose un examen approfondi des données : avant tout déplacement, il est indispensable de connaître l’ensemble des données existantes, celles à transférer et leur correspondance avec la plateforme cible. La migration constitue ainsi un point de contrôle naturel pour identifier les lacunes, les incohérences et les enregistrements obsolètes avant leur intégration au nouveau système.
Que corriger avant la migration ?
Corrigez les problèmes que vous ne souhaitez pas reporter à destination :
- Fusionner les balises en double et celles qui se chevauchent
- Archiver les champs et catégories obsolètes
- Normaliser les valeurs et les dénominations incohérentes
- Mettre à jour ou supprimer les connaissances obsolètes
- Combler les lacunes dans les métadonnées critiques des tickets et des clients
Vérifiez également les correspondances de champs et les liens vers la base de connaissances, les pièces jointes et les traductions avant le transfert complet.
Migration sélective ou intégrale : quelles options privilégier ?
Le transfert de l'intégralité des archives complique la validation de l'IA. Il est préférable de commencer par les données actuelles, les tickets récents de haute qualité et les métadonnées nécessaires à vos nouveaux flux de travail. Vous obtiendrez ainsi un ensemble de données plus propre pour tester le comportement de l'IA et faciliterez le repérage des problèmes de cartographie ou de contenu.
Une fois la configuration validée, importez l'historique restant nécessaire au contexte client, aux rapports, à la conformité et aux audits. Voici la séquence Help Desk Migration pour une migration compatible avec l'IA.
Testez votre configuration compatible avec l'IA grâce à une démo automatisée gratuite avant la migration complète.
Comparaison des cadres de préparation des données en IA
Si vous recherchez une norme unique et définitive de préparation des données pour l'IA, il est peu probable que vous en trouviez une universelle. Même les meilleurs cadres d'évaluation de la préparation des données pour l'IA abordent le problème différemment ; il est donc utile de comparer leurs critères d'évaluation respectifs.
| Approche | Ce sur quoi il se concentre |
| IBM | Quatre pratiques : unifiées et accessibles, gouvernées, sécurisées et prises en charge, avec un accès unifié construit grâce à l'intégration des données et aux architectures de tissu de données. |
| Deloitte | Un outil d'évaluation de la préparation des données en IA (AIDR) qui évalue une organisation selon cinq dimensions : disponibilité, volume et diversité, qualité et intégrité, gouvernance, éthique et responsabilité, puis combine les scores en un résultat agrégé. |
| Gartner | La préparation à un cas d'usage spécifique repose sur trois actions : aligner les données sur le cas d'usage, les qualifier par rapport aux exigences en vigueur et les gouverner. Gartner prévoit que d'ici 2026, les entreprises abandonneront 60 % de leurs projets d'IA faute de données adaptées. |
| McKinsey | Six disciplines : la gestion de la qualité, les métadonnées, la traçabilité, la gouvernance, l'observabilité et l'architecture qui les sous-tend, appliquées à la fois aux contenus non structurés comme les contrats et les transcriptions et aux enregistrements structurés. |
Un comparatif des cadres de préparation des données pour l'IA fournit une base de référence à l'échelle de l'entreprise, mais les données de support ajoutent leur propre défi opérationnel : l'IA exploite les champs structurés des tickets, ainsi que l'historique des conversations, les articles de la base de connaissances, les dossiers clients et les notes internes. Outre leur fiabilité, ces données nécessitent les connexions et les autorisations appropriées pour que l'IA puisse y accéder dans leur contexte.
Vous n'avez pas à gérer seul chaque détail de vos données. Les spécialistes Help Desk Migration peuvent examiner votre configuration et la tester grâce à une démonstration gratuite.
FAQ sur la préparation des données pour l'IA
La préparation des données pour l'IA correspond à leur capacité à prendre en charge de manière fiable un cas d'usage spécifique de l'IA. Pour les équipes d'assistance, de gestion des services informatiques (ITSM) et de services de prévention des pertes (PSA), cela implique de disposer de données exactes, complètes, structurées, à jour, accessibles et correctement gérées. Cette préparation dépend également de la capacité de l'IA à relier les enregistrements associés, à comprendre leur contexte et à les utiliser dans le respect des autorisations appropriées.
L'IA dépend de la qualité des informations auxquelles elle a accès. Des champs de tickets incohérents, des articles de base de connaissances obsolètes, des contacts en double ou des conversations incomplètes peuvent nuire à la fiabilité de la classification, des recommandations, des résumés et des réponses de l'IA. Nettoyer et standardiser les données de support permet à l'IA de travailler dans un contexte plus cohérent et réduit le risque de résultats inexacts ou obsolètes.
Les cinq dimensions sont l'exactitude et la déduplication, l'exhaustivité, la cohérence de la structure et de la taxonomie, la fraîcheur et la traçabilité des données, ainsi que la gouvernance, l'accès et la conformité. Ensemble, elles constituent un cadre pratique pour évaluer si les données de support sont adaptées à l'IA. L'importance de chaque dimension dépend de l'application d'IA spécifique, de ses exigences en matière de données et des risques liés à des résultats erronés.
Commencez par auditer les tickets, les dossiers clients, le contenu de la base de connaissances, les champs personnalisés, les étiquettes, les pièces jointes et les relations entre les enregistrements. Vérifiez l'absence de doublons, d'informations manquantes, de valeurs incohérentes, de contenu obsolète et de restrictions d'accès. Validez ensuite les données par rapport à vos cas d'utilisation d'IA prévus. Tester la classification, la recherche, les résumés ou les recommandations en fonction des résultats connus peut révéler d'importantes lacunes en matière de préparation.
Oui. Help Desk Migration vous permet d'évaluer, de cartographier et de transférer les données de support entre les plateformes, tout en préservant les enregistrements et les relations importants. Une migration peut également servir de point de contrôle de la préparation des données, permettant d'identifier les champs incohérents, le contenu obsolète, les doublons et les problèmes de cartographie avant qu'ils n'atteignent votre nouvel environnement basé sur l'IA.
Pas nécessairement. Commencez par identifier les données historiques pertinentes pour votre cas d'utilisation de l'IA. Les tickets récents et complets, ainsi que les connaissances à jour, peuvent fournir un contexte plus utile que les données obsolètes. Cependant, les données plus anciennes peuvent rester nécessaires pour l'historique client, les rapports, la conformité ou les audits. Une migration sélective permet de réaliser des tests d'IA plus précis tout en préservant les informations historiques essentielles.
Non. Il n'existe pas de définition universelle des données prêtes pour l'IA. Les référentiels d'IBM, Deloitte, Gartner et McKinsey mettent l'accent sur différents facteurs, notamment la qualité, la gouvernance, l'accessibilité, la traçabilité, la sécurité et l'adéquation aux cas d'usage. Pour les équipes de support, l'approche la plus pratique consiste à évaluer les données au regard des exigences, des risques et du contexte des fonctionnalités d'IA spécifiques qu'elles envisagent de déployer.
