L’IA, la donnée et le piège de la vitesse : quand l’efficacité néglige la fiabilité

Une étude publiée par dbt Labs, spécialiste des frameworks de fiabilité des données, révèle un déséquilibre majeur dans l'adoption de l'intelligence artificielle au sein des entreprises. Si 72 % des équipes data utilisent l'IA pour accélérer l'écriture de code, seulement 24 % l'exploitent pour tester et garantir la fiabilité des données produites. Dans le même temps, 83 % des organisations déclarent que la confiance dans les données est devenue leur priorité stratégique numéro un, soit une hausse de 17 points en un an. Autre signal d'alarme : 71 % des professionnels de la data craignent de transmettre aux décideurs des résultats faux ou hallucinés, tandis que 57 % font face à une hausse des coûts d'infrastructure, sans augmentation équivalente des budgets. Et 41 % des entreprises souffrent d'un manque de clarté sur la propriété des données, créant des zones grises propices aux erreurs non détectées.

Ce paradoxe a des conséquences concrètes et potentiellement coûteuses. En utilisant l'IA principalement comme accélérateur de production de code, sans l'intégrer dans des pipelines structurés avec des tests robustes, les entreprises risquent de construire ce que Benoît Perigaud, staff developer experience advocate chez dbt Labs, appelle une "usine à bugs ultrarapide". Le vrai danger n'est pas universel : il se concentre là où l'IA génère des requêtes ad hoc sur les données, sans couche sémantique pour encadrer les réponses des modèles de langage. Dans ces cas, une même question peut produire des réponses différentes selon le moment ou le contexte, sapant la crédibilité des analyses. La confiance, une fois perdue après une première hallucination visible, est difficile à reconstruire auprès des dirigeants.

Ce constat s'inscrit dans une transformation plus large du rôle des équipes data. L'IA agit comme un multiplicateur de productivité : les mêmes équipes peuvent traiter davantage de demandes, mais la pression sur la qualité s'intensifie proportionnellement. Les frameworks comme dbt, qui intègrent les tests directement dans le cycle de transformation, offrent un modèle où fiabilité et vitesse ne s'excluent pas mutuellement. Mais leur adoption reste inégale, et la gouvernance peine à suivre la cadence d'adoption de l'IA. L'enjeu pour les prochaines années sera de combler ce fossé entre ambition stratégique et pratiques quotidiennes, avant que la multiplication des erreurs non détectées ne vienne éroder durablement la valeur des décisions data-driven.