Qualité des données PME : le vrai frein à l'IA et comment le lever

Dans les sondages sur l'adoption de l'IA en Suisse, la qualité des données revient en tête des obstacles. Selon l'enquête relayée par le portail PME de la Confédération en juillet 2026, 20 % des répondants la citent comme premier frein, devant la sécurité (19 %) et le manque de personnel qualifié (18 %). Le constat est juste, mais il ne dit rien de ce qu'on fait le lundi matin. Pour une PME industrielle, la qualité des données ne se résume pas à un problème de nettoyage. C'est un problème de silos : l'ERP d'un côté, des fichiers Excel de l'autre, et une boîte mail où se décident la moitié des affaires. Voilà le terrain sur lequel se jouent les projets d'IA, et celui sur lequel nous travaillons.

Les chiffres d'adoption confirment le décalage. D'après une étude d'AXA, environ 74 % des PME suisses testent ou utilisent déjà l'IA. Une étude d'AWS note pourtant que 60 % des entreprises qui l'adoptent en restent à des usages basiques : rédiger un mail, résumer un document, reformuler une offre. Ces usages sont utiles, mais ils ne touchent pas au cœur de l'activité. Dès qu'on veut aller plus loin (prédire un retard de livraison, chiffrer un devis à partir de l'historique, détecter une dérive de marge sur un chantier), l'IA a besoin de données fiables, reliées entre elles, et accessibles. C'est là que le projet s'arrête, souvent sans bruit.

Prenons un cas typique, sans en citer un en particulier. Une entreprise de 60 personnes, active dans la fabrication sur mesure. L'ERP contient les articles, les clients, les commandes et les stocks. Le bureau technique tient ses nomenclatures et ses temps estimés dans des classeurs Excel que personne d'autre ne consulte. Les commerciaux négocient les délais et les remises par mail, et le résultat n'est reporté dans l'ERP que quand quelqu'un y pense. Si on branche une IA sur l'ERP seul, elle voit une commande et un prix. Elle ne voit ni la remise accordée par téléphone, ni l'hypothèse de temps du bureau technique, ni la relance du client sur le délai. Ses réponses seront cohérentes, bien formulées et fausses.

Face à ce tableau, le réflexe de beaucoup de dirigeants est de lancer un grand chantier de refonte : migrer vers un nouvel ERP, tout centraliser, tout nettoyer, et seulement ensuite parler d'IA. Cette logique coûte cher et dure longtemps, et elle repose sur un pari risqué : que les équipes changent leurs habitudes de travail en même temps que l'outil. Notre expérience de terrain va dans l'autre sens. On a rarement besoin de remplacer le système d'information pour préparer un projet d'IA. On a besoin de savoir où se trouve chaque donnée utile, de la rendre comparable aux autres, et de la rassembler au même endroit sans toucher aux outils que les équipes utilisent déjà.

Pour décider si votre entreprise est prête, trois questions suffisent comme audit préalable, à poser avant de signer quoi que ce soit. La première : où vit réellement la donnée dont l'IA aura besoin, et qui la saisit ? Il ne s'agit pas de ce que dit le schéma d'architecture, mais de la réalité. Quand un délai change, qui met à jour quoi, et à quel endroit ? Si la réponse est « ça dépend de la personne », la donnée existe, mais elle n'est pas fiable. Un exercice simple consiste à suivre une commande de bout en bout et à noter chaque endroit où une information la concernant a été écrite : l'ERP, un fichier, un mail, un carnet.

La deuxième question porte sur les identifiants. Un même objet porte-t-il le même nom partout ? Le client « Müller Metallbau AG » de l'ERP devient « Mueller Metallbau » dans le fichier de suivi et « Müller MB » dans les mails. Le même article apparaît avec trois références selon qu'on le lit côté achat, côté atelier ou côté facturation. Pour un humain, c'est une gêne qu'on contourne par habitude. Pour une IA, c'est trois entités distinctes, et donc aucune possibilité de relier l'historique d'un client ou d'une pièce. Sans clé commune, il n'y a pas d'analyse croisée, seulement des fragments.

La troisième question est la plus négligée : qui tranche quand deux sources se contredisent ? Le prix de l'ERP dit 1'240 francs, le devis Excel dit 1'180. Lequel est juste ? Dans la plupart des PME, personne n'a jamais eu à le décider, parce que le collaborateur concerné sait de mémoire laquelle croire. Cette connaissance tacite ne passe pas à l'échelle, et elle disparaît avec le départ de la personne. Il faut donc désigner une source de référence par type de donnée (prix, délais, stocks, contacts) et écrire la règle de priorité. Quelques lignes dans un document suffisent, mais sans elles, aucun système automatisé ne peut arbitrer.

Reste à savoir quoi faire des réponses. Si les trois questions révèlent des trous, la tentation est de conclure que l'entreprise n'est pas prête. Ce n'est pas la bonne lecture. Elles dessinent simplement le cahier des charges d'une couche d'intégration légère, c'est-à-dire un petit service qui se place à côté de l'ERP, sans le remplacer ni le modifier. Concrètement, nous construisons ce type de couche avec Supabase pour la base de données et Next.js pour les interfaces, et Claude Code pour accélérer le développement. L'ERP reste la source de vérité pour ce qu'il gère bien. La couche en lit des copies régulières, via export planifié, API ou connexion directe à la base selon ce que l'éditeur autorise.

À côté de l'ERP, la couche absorbe ce qui lui échappe. Les fichiers Excel sont déposés dans un dossier surveillé, lus, puis rangés dans des tables structurées. Les mails utiles (confirmations de délai, demandes de modification, réclamations) sont analysés par un modèle de langage qui en extrait les éléments exploitables : le client, la référence, la date, la nature de la demande. Une table de correspondance relie ensuite les trois variantes de « Müller Metallbau » à un seul identifiant. Cette table est le cœur du dispositif : elle se construit au début avec l'aide des personnes qui connaissent les clients, puis elle s'enrichit au fil de l'eau, avec une validation humaine quand le système hésite.

Ce choix d'architecture a des conséquences très pratiques. Aucune équipe n'est obligée de changer sa façon de travailler : le commercial continue à répondre par mail, le bureau technique garde ses classeurs. Aucun risque non plus de casser l'ERP lors d'une montée de version, puisque la couche ne s'y greffe pas. Et surtout, le périmètre est borné. On ne cherche pas à unifier tout le système d'information, mais les données nécessaires au premier cas d'usage de l'IA, par exemple la prévision des délais ou la préparation des devis. Les autres flux viennent après, un par un, quand la valeur du premier est démontrée.

La question du périmètre se pose naturellement à ce stade. Notre point de départ est une phase de diagnostic. Elle sert à dérouler les trois questions ci-dessus sur vos données réelles, à cartographier les sources, et à décider quel cas d'usage mérite d'être traité en premier. Si le projet continue, une première version de la couche d'intégration, utilisable par vos équipes sur un cas réel, se livre en 3 à 6 semaines, contre plusieurs mois pour une approche classique. C'est ce périmètre borné qui rend viable une intégration sur mesure pour une entreprise de 60 personnes, là où elle était réservée aux grands groupes il y a quelques années. Le détail des étapes, du diagnostic à la mise en service, est décrit dans notre méthode.

Un dernier point mérite d'être dit : l'IA ne règle pas un problème de données, elle le rend visible. Une entreprise qui branche un assistant sur ses informations éparpillées découvre en une semaine ce que ses équipes contournent depuis dix ans. C'est inconfortable, mais utile. Mieux vaut regarder ce travail en face avant le projet qu'après un échec coûteux. Préparer un projet d'IA dans le manufacturing commence donc rarement par le choix du modèle. Cela commence par trois questions, une cartographie honnête et une couche d'intégration légère qui laisse l'ERP tranquille.

Si vous reconnaissez votre entreprise dans ce paysage fait d'un ERP, de fichiers Excel et d'une boîte mail qui ne se parlent pas, la bonne première étape est une conversation. Écrivez-nous pour un premier échange gratuit : nous passons ensemble les trois questions en revue, et vous repartez avec une vision claire de ce qu'il faut intégrer avant d'investir dans l'IA.