Agentic First : sans qualité des données, l’IA industrialise vos erreurs

L’IA agentique fascine parce qu’elle promet quelque chose de très concret : passer de l’assistance à l’exécution. Demain, un agent ne se contentera plus de suggérer une action. Il priorisera, déclenchera, relancera, rapprochera, classera, routtera et documentera.

Sur le papier, c’est un gain immense de vitesse et de productivité. En pratique, cela change surtout la nature du risque : si vos données sont fragiles, vos erreurs ne seront plus ponctuelles. Elles seront industrialisées.

C’est pour cela qu’une entreprise Agentic First ne peut pas traiter la qualité des données comme un sujet périphérique, réservé à l’IT ou au reporting. Dès lors que des agents prennent des décisions ou déclenchent des actions, la data quality devient un sujet de gouvernance, de maîtrise du risque et de fiabilité opérationnelle.

Pourquoi le sujet change avec les agents IA

Un humain compense souvent une donnée imparfaite. Il repère une incohérence, recontextualise une information, appelle un collègue, vérifie une source, hésite avant d’agir. Il absorbe une partie de la mauvaise qualité par son jugement.

Un agent, lui, exécute selon des règles, des objectifs et un contexte qu’on lui a fournis. S’il travaille sur une donnée incomplète, obsolète, mal codée ou non fiable, il ne “sent” pas naturellement qu’il faut s’arrêter. Il poursuit le flux.

Le problème n’est donc plus seulement le classique garbage in, garbage out. Avec les agents, on passe à garbage in, scaled out.

Autrement dit :

• une mauvaise donnée n’affecte plus seulement un tableau de bord ;
• elle peut dégrader une chaîne de décision ;
• elle peut déclencher une mauvaise action ;
• et elle peut le faire à grande vitesse, sur un grand volume, sans friction humaine suffisante.

Dans la santé, l’enjeu est encore plus fort

Dans un environnement hospitalier, les conséquences d’une donnée imparfaite sont rarement purement théoriques. Une mauvaise complétude, un codage incohérent, une donnée non mise à jour ou mal réconciliée entre systèmes peuvent perturber des usages très concrets :

• priorisation d’alertes,
• orientation de flux,
• préqualification de dossiers,
• exploitation pour la recherche,
• pilotage de la qualité ou de la performance,
• alimentation d’outils IA ou de cas d’usage RAG.

Plus l’organisation veut automatiser, plus elle doit être capable de répondre à une question simple : sur quoi exactement nos agents s’appuient-ils pour agir ?

Et juste derrière : qui porte la responsabilité de la qualité de cette donnée ?

La data quality n’est plus un sujet IT

Pendant longtemps, la qualité des données a été cantonnée à trois registres :

• la conformité,
• la fiabilité du reporting,
• ou l’amélioration progressive des processus data.

Ces dimensions restent importantes. Mais elles ne suffisent plus.

Dans une organisation qui déploie des agents IA, la qualité des données devient un sujet transverse qui touche :

• la gouvernance — quelles données sont autorisées, qualifiées, tracées, documentées ;
• le risque — quelles erreurs sont possibles, détectables, acceptables ou non ;
• les opérations — à quel point l’automatisation reste fiable dans le temps ;
• la confiance — les équipes accepteront-elles de déléguer des actions à des agents si elles ne comprennent pas la qualité des données sous-jacentes ?

Ce n’est pas un hasard si les acteurs les plus avancés sur l’IA sérieuse reviennent presque toujours aux mêmes fondations : catalogage, traçabilité, qualité, monitoring, ownership.

Qu’est-ce qu’une donnée vraiment “agent-ready” ?

Une donnée exploitable par un agent n’est pas seulement disponible. Elle doit être suffisamment fiable pour supporter une décision ou une action. Concrètement, cela suppose au minimum :

• de la complétude — les champs critiques existent réellement ;
• de la fraîcheur — les informations sont à jour au moment où l’agent agit ;
• de la cohérence — la même réalité n’est pas décrite différemment selon les sources ;
• de la traçabilité — on sait d’où vient la donnée et comment elle a été transformée ;
• de la gouvernance — les règles d’usage, de contrôle et de responsabilité sont claires.

Sans cela, l’agent peut rester impressionnant en démonstration… tout en étant fragile en production.

Les 5 questions à poser avant de déployer un agent

Avant de parler architecture, modèles ou orchestration, il vaut la peine de tester son socle avec cinq questions simples :

1. Quelles sont les données critiques utilisées par l’agent ?
2. Quels contrôles qualité existent réellement sur ces données ?
3. Quels défauts sont les plus probables : doublons, valeurs manquantes, obsolescence, mauvais codage, mauvaise jointure ?
4. Quelles conséquences métier une erreur peut-elle produire si l’agent agit sans vérification humaine ?
5. Qui est responsable quand la donnée est mauvaise et que l’agent se trompe ?

Si ces réponses sont floues, le sujet prioritaire n’est probablement pas l’agent lui-même. C’est le niveau de fiabilité du socle data.

Le bon ordre n’est pas “agent puis qualité”

Beaucoup d’organisations abordent encore le sujet dans le mauvais sens :

• on identifie un cas d’usage agentique,
• on lance un POC,
• et on découvre ensuite que les données sont trop hétérogènes, trop incomplètes ou trop peu pilotées.

Le bon ordre est inverse : qualifier d’abord, automatiser ensuite.

Cela ne veut pas dire attendre une perfection théorique. Cela veut dire identifier les données critiques, mesurer leur niveau de qualité, documenter les risques, mettre en place les garde-fous et n’automatiser que là où le niveau de confiance est compatible avec l’usage visé.

En conclusion

L’Agentic First n’est pas un slogan technologique. C’est un changement de régime opérationnel. Quand une organisation donne plus d’autonomie à des systèmes, elle doit mécaniquement devenir plus exigeante sur la qualité des informations qui les nourrissent.

La première étape vers l’agentique, ce n’est pas le modèle. C’est la qualité des données.

Les entreprises qui l’ont compris construiront des automatisations robustes. Les autres risquent surtout d’accélérer leurs dysfonctionnements existants.

La vraie question n’est donc pas : “Avons-nous des agents IA ?”
Elle est : avons-nous des données suffisamment fiables pour leur laisser agir ?

Sources

• NIST — AI Risk Management Framework (AI RMF 1.0)
• WHO Europe — Health data governance in the age of artificial intelligence: policy imperatives for the WHO European Region
• AI Act Service Desk — Article 10: Data and data governance

Vous préparez des cas d’usage agentiques en environnement sensible ?
Qalita aide les équipes santé et réglementées à fiabiliser leurs données critiques avant qu’elles n’alimentent des assistants, agents ou workflows automatisés. Découvrir Qalita.