Point clé à retenir : Les organisations ne peuvent pas déployer une IA fiable si elles s’appuient sur des données de mauvaise qualité ou sur des informations mal organisées. En réduisant systématiquement les données redondantes, obsolètes ou sans valeur métier (ROT), en appliquant des politiques de conservation et de suppression défendables, en renforçant l’architecture de l’information et en gouvernant les contenus générés par l’IA, elles créent un environnement informationnel plus sain. Résultat : des réponses d’IA plus précises, une exposition au risque réduite et une adoption responsable de l’IA à grande échelle.

À mesure que les organisations progressent dans leur démarche de préparation à une utilisation responsable de l’IA, chaque étape contribue au même objectif : fournir à l’IA des informations fiables, sécurisées, conformes et correctement gouvernées.

Les outils d’IA générative ne sont performants que dans la mesure où les données auxquelles ils ont accès le sont. La qualité de ces données influence directement la qualité des résultats obtenus. Cette démarche débute par une mise en œuvre réfléchie et intentionnelle de l’IA. La septième étape de ce programme en dix phases porte sur un levier concret que les organisations peuvent maîtriser : la gestion du cycle de vie des données.

L’objectif est double. D’une part, améliorer les résultats produits par l’IA en réduisant les contenus obsolètes ou à faible valeur. D’autre part, diminuer les risques grâce à une application cohérente et défendable des politiques de conservation et de suppression des contenus, y compris ceux générés par les outils d’IA

Pourquoi la gestion du cycle de vie des données influence directement la précision de l’IA

La conservation des données a longtemps été considérée comme une simple obligation de conformité. Pourtant, lorsque les données sont conservées indéfiniment ou de manière incohérente, les organisations s’exposent à des coûts et à des risques mesurables. Un volume excessif de données augmente les coûts de stockage, complique les opérations de recherche et de production d’informations, et réduit la capacité des utilisateurs comme des systèmes d’IA à identifier rapidement les informations pertinentes.

Une mauvaise qualité des données détériore également les résultats de l’IA. Lorsque des contenus obsolètes, redondants ou sans valeur prédominent, les outils d’IA sont davantage susceptibles de mettre en avant des informations erronées, trompeuses ou non pertinentes. Cette situation augmente les risques liés à la prise de décision, aux obligations réglementaires et aux contentieux.

Un programme mature de gestion du cycle de vie des données permet au contraire de conserver ce qui est nécessaire, de supprimer ce qui ne l’est plus et de garantir l’accès à des informations pertinentes et de qualité.

Les organisations peuvent ainsi satisfaire leurs obligations de conformité tout en améliorant les performances de l’IA.

À quoi ressemble une gestion optimisée du cycle de vie des données

La gestion du cycle de vie des données est une discipline opérationnelle continue qui couvre l’ensemble du parcours de l’information : création, stockage, utilisation, conservation, archivage et suppression. Les programmes les plus efficaces renforcent l’intégrité, la sécurité, la conformité et l’efficacité opérationnelle en intégrant les règles de conservation et de suppression aux activités quotidiennes.

Un programme efficace repose généralement sur les éléments suivants :

• Gouvernance : définir les rôles, les responsabilités et les règles de décision afin d’aligner les exigences juridiques, réglementaires et métier.
• Inventaire : disposer d’une visibilité sur les données existantes, leur emplacement et les contenus sensibles ou réglementés.
• Conservation : appliquer des règles claires et exécutoires de façon cohérente dans l’ensemble des systèmes.
• Auditabilité : suivre et documenter l’application des politiques, la gestion des exceptions et les actions de suppression.
• Automatisation : automatiser les politiques de cycle de vie pour réduire la dépendance aux interventions manuelles et favoriser une application homogène.

Architecture de l’information : organiser les données pour préparer l’IA

L’architecture de l’information renforce la préparation à l’IA en veillant à ce que les données conservées soient centralisées lorsque cela est pertinent, organisées de manière logique, étiquetées de façon cohérente et associées à des règles claires de propriété et de contrôle des accès. Dans Microsoft 365 (M365), cela implique d’optimiser les structures des sites SharePoint, les espaces de travail Teams, les métadonnées, les autorisations et les référentiels de référence afin que les utilisateurs et les outils d’IA puissent trouver, comprendre et exploiter les bonnes informations en toute confiance. L’objectif est d’aller au-delà de la simple conservation des données pour créer un environnement informationnel structuré favorisant des résultats d’IA plus précis, plus pertinents et plus responsables.

Réduire les contenus risqués, obsolètes ou sans valeur pour améliorer les résultats de l’IA

L’un des principaux avantages de la gestion du cycle de vie des données est de réduire les hallucinations de l’IA générative grâce à une stratégie de minimisation des données juridiquement défendable.
Dans la plupart des environnements, une part importante des contenus devient au fil du temps redondante, obsolète ou sans valeur métier (ROT). En l’absence de contrôles adaptés, ces contenus s’accumulent et dégradent la qualité globale de l’information disponible.

L’optimisation du cycle de vie permet de traiter ce problème de manière systématique. Grâce à des politiques de conservation bien conçues et à des suppressions cohérentes et justifiables, les organisations réduisent les volumes de données ROT tout en préservant les informations nécessaires. Les recherches, les restitutions d’informations et les résultats produits par l’IA s’appuient alors sur des données plus fiables et plus pertinentes.

Modèle d’action pratique

Un programme efficace de gestion du cycle de vie des données définit les capacités nécessaires pour gérer l’information de manière performante. Le modèle d’action ci-dessous montre comment appliquer ces capacités à la préparation à l’IA.

• Prioriser les référentiels : les organisations commencent par identifier les référentiels d’information et espaces collaboratifs les plus susceptibles d’influencer les résultats produits par l’IA.
• Évaluer les risques : évaluer ces environnements afin d’identifier les données redondantes, obsolètes ou sans valeur métier (ROT), les lacunes en matière de conservation, les responsabilités mal définies et les contenus générés par l’IA, tels que les prompts, résumés, transcriptions et résultats nécessitant une gouvernance.
• Définir les règles : sur la base de cette évaluation, les équipes juridiques, conformité, gestion des archives et métiers définissent des règles de conservation, de suppression et de minimisation des données qui sont juridiquement défendables. Ces règles permettent de préserver les informations requises tout en limitant les données inutiles accessibles aux outils d’IA.
• Tester les contrôles : ces règles sont déployées à titre pilote dans les domaines prioritaires, puis supervisées pour mesurer leur précision et leur impact sur les utilisateurs avant d’être affinées et étendues à l’ensemble de l’environnement.
• Mesurer les résultats : à terme, le succès se mesure par la réduction des données ROT, l’amélioration de la couverture des politiques, la mise en œuvre de suppressions défendables et l’obtention de résultats d’IA de meilleure qualité reposant sur des données mieux gouvernées.
• Renforcer l’architecture de l’information : organiser les référentiels prioritaires, les sites, les espaces de travail, les métadonnées et les modèles de responsabilité afin que les données conservées soient plus faciles à trouver, comprendre et exploiter, tant pour les utilisateurs que pour les outils d’IA.

Exigence de conformité : gouverner les données liées à l’IA

À mesure que les organisations adoptent des outils d’IA, elles créent également de nouvelles catégories de contenus, notamment des prompts, des résultats générés, des résumés et d’autres artefacts produits par l’IA. Ces nouveaux types de données doivent être intégrés à la planification du cycle de vie de l’information.

Une stratégie globale de gestion du cycle de vie définit quels contenus liés à l’IA doivent être conservés, où ils sont stockés et selon quelles règles ils sont gouvernés. Ces décisions doivent être alignées sur les obligations légales, les exigences réglementaires et les besoins métier. En l’absence d’un cadre de gouvernance clair, l’adoption de l’IA risque d’introduire de nouveaux risques au lieu de les réduire.

Comment appliquer les politiques de gestion du cycle de vie des données à grande échelle

Les organisations déploient les politiques de gestion du cycle de vie des données à grande échelle en s’appuyant sur des plateformes de gouvernance de l’information qui traduisent les exigences des politiques en contrôles opérationnels applicables aux espaces de collaboration, aux outils de communication et aux référentiels de contenu.

Dans Microsoft 365 (M365), Microsoft Purview fournit un cadre permettant de mettre en œuvre à grande échelle la gestion du cycle de vie de l’information et la gestion des archives. La plateforme permet de transformer les objectifs de gouvernance en configurations applicables de manière cohérente. Parmi les contrôles les plus courants figurent :

• Les politiques de conservation, appliquées à des services tels qu’Exchange, SharePoint, OneDrive et Teams.
• Les étiquettes de conservation, appliquées au niveau d’un élément ou d’un document, manuellement ou de manière automatisée.
• Les mécanismes de ciblage dynamique, qui permettent d’adapter les politiques en fonction des caractéristiques des contenus plutôt que sur la base d’affectations statiques.
• Les workflows de suppression, qui prennent en charge les processus de révision, d’approbation et de justification des actions de suppression.

L’objectif n’est pas de commencer par les outils, mais de mettre en place un système dans lequel les politiques sont appliquées de manière cohérente, suivies dans le temps et continuellement affinées afin de répondre à l’évolution des besoins de l’organisation.

Les bénéfices mesurables d’une gestion rigoureuse du cycle de vie des données

Une gestion efficace du cycle de vie des données permet aux organisations d’atteindre des résultats concrets qui comptent pour les dirigeants :

• Respecter les exigences réglementaires et les obligations juridiques.
• Réduire les risques grâce à l’application cohérente des politiques de gouvernance.
• Maîtriser les coûts de stockage et les coûts opérationnels.
• Améliorer la qualité et la fiabilité des résultats produits par l’IA.

Une base solide en matière de gestion du cycle de vie des données favorise également l’adoption de l’IA générative. En garantissant un environnement de données structuré, pertinent et correctement gouverné, les organisations fournissent aux utilisateurs des résultats plus fiables et de meilleure qualité.

Assurer la pérennité de la gestion du cycle de vie des données

L’alignement entre la conception des politiques, la configuration des technologies et le support opérationnel permet aux organisations d’intégrer durablement la gestion du cycle de vie des données dans leurs activités. Cela comprend l’adaptation des politiques de conservation aux besoins de l’entreprise, la réduction des données redondantes, obsolètes ou sans valeur métier (ROT) grâce à des suppressions juridiquement défendables, ainsi que la maîtrise du volume de données par la classification et l’automatisation.

L’administration des politiques de cycle de vie doit d’abord se concentrer sur Microsoft 365 (M365), qui constitue souvent l’environnement principal de collaboration et de productivité où les contenus d’entreprise sont créés, partagés, conservés et consultés par les outils d’IA. Au sein de M365, les organisations doivent appliquer des contrôles de cycle de vie à Exchange, OneDrive, SharePoint, Teams ainsi qu’aux contenus générés par l’IA. Il est essentiel de définir des responsabilités claires, de suivre la couverture des politiques, de mesurer les activités de suppression et d’améliorer en continu les pratiques de conservation et de gouvernance à mesure que les environnements métier, juridiques, réglementaires et informationnels évoluent.

L’ensemble des autres sources de données de l’entreprise doit être intégré au même modèle de gouvernance du cycle de vie, même lorsque les contrôles sont mis en œuvre au moyen d’autres plateformes ou processus opérationnels. Recensez et hiérarchisez les partages de fichiers, référentiels historiques, applications métier, bases de données, archives et plateformes tierces en fonction de leur niveau de risque et de leur valeur pour l’organisation. Associez-les aux exigences de conservation et de suppression applicables, puis gouvernez-les à l’aide de responsabilités documentées, de cycles de révision réguliers et de pratiques de suppression juridiquement défendables.

Garantir un environnement de données propice à des résultats d’IA de haute qualité

L’optimisation de la gestion du cycle de vie des données est l’un des moyens les plus efficaces d’améliorer la qualité des résultats produits par l’IA tout en réduisant les risques. En limitant les données redondantes ou à faible valeur, en standardisant les pratiques de conservation et en mettant en œuvre des processus de suppression juridiquement défendables, les organisations créent un environnement dans lequel l’IA est en mesure d’identifier et d’exploiter des informations pertinentes avec davantage de précision.

Cette septième étape permet aux organisations de réduire les hallucinations de l’IA en minimisant les données de faible valeur. Elle garantit également que les contenus d’entreprise comme les contenus générés par l’IA sont couverts par une stratégie complète de gestion du cycle de vie de l’information.

En savoir plus sur les solutions de gouvernance de l’information d’Epiq.


Julie Colgan, Vice-présidente, Stratégie Client, Gouvernance de l’information
Julie J. Colgan accompagne les organisations dans l’identification, la compréhension, la priorisation et la gestion des risques et des opportunités liés à leurs actifs informationnels. Professionnelle reconnue et conseillère de confiance depuis plus de 25 ans, elle privilégie des approches pragmatiques qui alignent les stratégies de gouvernance de l’information sur les réalités opérationnelles des entreprises.

En reconnaissance de sa contribution à l’association et à la profession, ARMA l’a admise au sein de son Company of Fellows (FAI) en 2019. Elle est titulaire de la certification Certified Records Manager (CRM) délivrée par l’Institute of Certified Records Managers ainsi que de la certification Certified Information Governance Professional (IGP) délivrée par ARMA International.