Un projet IA entraîné sur une donnée de mauvaise qualité produit des résultats rapides, cohérents en apparence — et faux.
✅ Exactitude
La donnée reflète-t-elle la réalité au moment où elle a été saisie, sans erreur de saisie ou de calcul en amont ?
🕒 Fraîcheur
Une donnée exacte mais obsolète peut être aussi trompeuse qu'une donnée fausse — encore faut-il savoir à quelle fréquence elle est mise à jour.
🧩 Complétude
Des champs manquants de façon non aléatoire (toujours les mêmes types de dossiers, par exemple) introduisent un biais silencieux dans tout modèle entraîné dessus.
🔗 Cohérence
La même information doit raconter la même chose d'un système à l'autre — sans quoi chaque rapprochement de données devient un pari.
Vérifier ces quatre dimensions avant de lancer un projet IA coûte moins cher que de découvrir leur absence après le déploiement.