La prémisse
Toute entreprise qui veut utiliser l'IA en 2026 découvre, dès la deuxième semaine du projet, que la partie IA est la partie facile. La partie difficile est la couche en dessous : où vivent les données, si quelqu'un leur fait confiance, si elles peuvent être jointes entre les systèmes et si ces jointures seront encore justes demain.
L'ingénierie des données est la discipline qui décide si la fonctionnalité d'IA est livrée ou échoue en silence. C'est aussi la discipline qui reçoit le moins de crédit, parce que lorsqu'elle fonctionne, le résultat est un chiffre sur un tableau de bord que personne ne remet en question. Lorsqu'elle ne fonctionne pas, le chiffre est faux, l'IA est en aval et le tableau de bord ment poliment.
Cet article porte sur le travail de construction de pipelines de données, d'entrepôts et de couches d'analyse qui tiennent sous une charge façonnée par l'IA — et sur la manière dont l'IA elle-même transforme ce travail.
L'IA a rendu les mauvaises données plus coûteuses
Une fonctionnalité d'IA hérite de chaque défaut des données qui la sous-tendent — et les amplifie.
Avant l'IA, un mauvais pipeline de données produisait un tableau de bord erroné, que quelqu'un remarquait à l'occasion. Après l'IA, un mauvais pipeline de données produit des sorties d'IA erronées à grande échelle, qui s'accumulent, dérivent et sont difficiles à faire remonter jusqu'à une jointure manquante dans une tâche ETL périmée écrite en 2023.
L'effet économique, c'est que la qualité des données est passée d'une préoccupation d'arrière-boutique à une caractéristique du produit. Le coût marginal de données non fiables a augmenté, parce que ce qui se trouve en aval de données non fiables — recommandations, pointage, évaluations, automatisation — est plus visible pour le client et plus coûteux à annuler.
Les équipes qui prennent cela au sérieux commencent par réduire la surface : moins de sources, moins de pipelines, moins de copies, une meilleure traçabilité. Celles qui ne le font pas livrent des fonctionnalités d'IA par-dessus une couche de données qu'elles ne pourraient pas expliquer à un auditeur, puis passent l'année suivante à déboguer les symptômes.
Pipelines, entrepôts et les parties qui décident
L'ingénierie des données en 2026 s'étend sur quatre couches. Ingestion : capter les événements, les instantanés et les flux de capture des changements de données depuis les bases de données produit, les API tierces et les outils opérationnels. Stockage : un entrepôt (Snowflake, BigQuery ou Postgres auto-hébergé pour de plus petites échelles) capable de répondre aux requêtes analytiques sans concurrencer la base de données opérationnelle. Transformation : une couche (dbt, SQLMesh) qui transforme les événements bruts en concepts d'affaires fiables, versionnés et testés. Et service : tableaux de bord, API et le magasin de caractéristiques qui alimente les modèles d'IA.
Ce qui distingue une couche de données crédible d'un fouillis accumulé, c'est un petit ensemble d'habitudes. Chaque transformation est du code, révisé et testé. Chaque table a un responsable, une attente de fraîcheur et un contrat sur lequel ses consommateurs peuvent s'appuyer. Chaque jointure est documentée assez bien pour qu'une personne qui se joint à l'équipe puisse répondre à la question de ce que le chiffre signifie.
Ce ne sont pas des pratiques exotiques. Ce sont les valeurs par défaut opérationnelles qui décident si l'équipe d'IA peut livrer sans paranoïa.
Trois manœuvres à fort effet de levier sur chaque mandat de données
À travers les mandats de données que SDEN a livrés, trois manœuvres expliquent l'essentiel de la valeur. D'abord, consolider les sources de vérité — la plupart des entreprises en exploitation ont trois ou quatre systèmes qui prétendent chacun être la liste de clients canonique, et les réconcilier produit des améliorations visibles immédiatement. Ensuite, ajouter la traçabilité — pouvoir remonter n'importe quel chiffre de n'importe quel tableau de bord à travers chaque transformation, en quelques secondes, change la façon dont la direction fait confiance à la couche analytique. Enfin, automatiser la qualité des données — des tests qui s'exécutent à chaque rafraîchissement et bloquent la publication quand quelque chose cloche préviennent le mode de défaillance par pourrissement lent qui détruit la confiance sur des mois.
Aucune de ces manœuvres n'est glamour. Aucune n'exige de nouvelle technologie. Les trois sont ce qui distingue une couche de données sur laquelle l'IA peut s'appuyer d'une couche que l'IA empoisonnera en silence.
Trois valeurs par défaut sur chaque pipeline que nous remettons
Des habitudes ennuyeuses qui décident si la couche de données tient six mois après notre départ.
Toute transformation est du code
Aucun SQL non suivi dans un outil de BI, aucune copie manuelle d'un système à un autre. Les transformations vivent dans le dépôt, révisées et testées comme le reste du code.
Des contrats à la frontière des tables
Chaque table dont d'autres équipes dépendent a un contrat écrit : schéma, fraîcheur, responsabilité et le SLA sur lequel les consommateurs peuvent s'appuyer. Briser le contrat exige un cycle de dépréciation, pas une excuse sur Slack.
Une traçabilité sur laquelle on peut réellement cliquer
N'importe quel chiffre de n'importe quel tableau de bord peut être remonté, dans une interface, jusqu'à chaque source qui l'a alimenté. Quand le chiffre est faux, le diagnostic prend des minutes, pas des jours.
Le tableau de bord auquel le PDG fait confiance à 8 h un lundi
Une couche de données qui fonctionne se ressent comme l'absence de chicanes au sujet des chiffres.
Une couche de données mature change la forme des conversations qu'a la direction. La réunion des revenus du lundi cesse d'être un débat sur le chiffre de qui est juste; elle devient une conversation sur ce que le chiffre signifie. La revue de produit cesse d'être un échange sur les indicateurs d'engagement; elle devient une discussion sur le comportement d'utilisateur que l'équipe devrait encourager. Le plan d'embauche cesse de dépendre d'un chiffrier maintenu par une seule personne qui sait où sont enterrés les cadavres.
L'artéfact technique derrière ce changement est sans éclat : un entrepôt avec un petit nombre de modèles fiables, des tables responsabilisées, des tests automatisés et une traçabilité que tout le monde dans l'entreprise peut lire. L'artéfact culturel est celui qui compte.
Quand SDEN termine un mandat de données, le livrable n'est pas un tableau de bord. C'est une équipe qui n'a plus à se chicaner au sujet des chiffres parce que les chiffres sont défendables.
Ingénierie des données —
les questions qu'on nous pose.
Des réponses directes aux questions qu'on nous pose le plus souvent. Si la vôtre n'y est pas, écrivez à l'équipe.