Decideo - Data Science, Big Data, Intelligence Augmentée

Assemblée nationale : le rapport sur la souveraineté numérique préconise la création de syndicats de données
Un concept déjà largement étudié au Québec (Canada) sous le nom de fiducie de données, mais pas encore développé en France.
Vous avez très certainement lu les 453 pages du rapport de la commission d'enquête de l'Assemblée nationale sur la souveraineté numérique [1], publié le 8 juillet… et donc, vous n'êtes pas passé à côté de la proposition n° 4 : créer un statut de syndicat de données…
Les plus de 400 pages du rapport sont essentiellement consacrées aux centres de données et à l'environnement juridique du numérique dont on a constaté, par la force, depuis début 2025 notre dépendance. On y parle aussi de logiciel libre ; et un peu de données, sous l'angle de sa valeur, ce qui nous intéresse ici.
Le rapport préconise la transposition dans la loi de la notion de fiducie de données (data trusts — tiers de confiance) sous forme de syndicats de données. L'objectif est d'organiser un marché respectueux et de ne pas confier cette tâche aux simples « brokers de données », dont le travail de collecte, d'agrégation et de croisement de données pose « des risques importants pour la sécurité intérieure et les droits fondamentaux », explique le rapport (pages 135 à 140).
Le concept de fiducie de données est beaucoup plus développé au Québec qu'en France. Cela permettrait d'aligner ce rôle de tiers de confiance avec le Data Governance Act, dont le chapitre III est consacré aux « services d'intermédiation de données ». Le rapport propose que « À la suite de la recommandation du Conseil de l'intelligence artificielle et du numérique (CIANum), le gouvernement devra étudier la transposition des fiducies de données tant sur le plan juridique, qu'opérationnel, dans l'objectif d'inscrire dans la loi le statut de syndicat de données. Ces syndicats seront le support de la création d'outils de mutualisations des données d'intérêt général (données culturelles, environnementales, territoriales). Ils auront pour vocation de faire respecter les licences attachées à ces données et notamment de limiter leur usage dans un objectif privatif, en garantissant la réciprocité et la redistribution de la valeur auprès des communautés d'origine des données.
Les syndicats représenteront les titulaires de droits, producteurs de données et sujets de données. Ils pourront en leur nom engager des recours en justice relatifs au non-respect des licences libres ou des conditions de réutilisation des données ». — Page 383 du rapport.
Qu'est-ce qu'une fiducie de données ?
Une fiducie de données (« data trust » en anglais) est un mécanisme juridique et de gouvernance qui confie la gestion de données à une entité tierce — le fiduciaire — chargée de les administrer dans l'intérêt des personnes ou organisations qui les ont apportées (les bénéficiaires), selon des règles prédéfinies.
Concrètement, ce principe s'inspire du droit des fiducies (trusts) appliqué aux actifs financiers ou immobiliers, transposé aux données. Des personnes ou organisations transfèrent le contrôle (mais pas nécessairement la propriété) de leurs données à un fiduciaire, qui s'engage contractuellement à les gérer selon un mandat précis : finalités autorisées, conditions d'accès, règles de partage, obligations de sécurité.
L'objectif principal est de rééquilibrer le rapport de force entre les individus (ou petites entités) et les grands acteurs qui collectent et exploitent les données, en mutualisant la négociation et le contrôle plutôt que de laisser chaque personne négocier seule les conditions d'usage de ses données.
Les cas d'usage évoqués le plus souvent concernent les données de santé (mise en commun pour la recherche médicale tout en gardant un contrôle collectif), les données urbaines ou de mobilité dans les projets de villes intelligentes, les données agricoles, ou encore les données personnelles au sens large dans une logique d'autodétermination informationnelle.
Le concept a notamment été popularisé par des travaux académiques (Sciences Po, Open Data Institute au Royaume-Uni) et des propositions de régulation, dont le règlement européen sur la gouvernance des données (Data Governance Act, entré en application en 2023), qui encadre les organismes intermédiaires de partage de données sans pour autant aller jusqu'à en faire une catégorie juridique unique et stabilisée (ce que propose le rapport de l'Assemblée nationale avec la création de syndicats de données). À ce jour, il n'existe pas encore de cadre légal harmonisé au niveau international.
Pour en savoir plus sur les fiducies de données au Québec, lire ce qui a été écrit sur le sujet par Pwc [2], TIESS [3], et Nord Ouvert [4]. A écouter également une table ronde organisée par l'Université de Sherbrooke en mars 2023 sur le thème : Données et société, la fiducie de données, du mythe à la réalité [5]. En mars 2019, Element AI publiait un livre blanc [6] sur le sujet, qui a malheureusement disparu du web depuis leur rachat par ServiceNow. A noter également les travaux de Yan Benhamou de l'Université de Genève

Interdire ou empêcher : deux logiques de gouvernance à l'épreuve des données et de l'IA
De passage sur TikTok pour y écouter parler de philosophie (si, si, on parle de philo sur TikTok… abonnez-vous par exemple au compte de @philo_sophia_) l'algorithme m'a conduit à une comparaison argumentée entre l'interdiction et l'empêchement. Faisant le parallèle avec les contextes de gouvernance des données et de l'intelligence artificielle, qui semblent si difficiles à faire accepter aux opérationnels, il m'a semblé porteur de poser quelques réflexions sur le thème : faut-il imposer ou proposer une gouvernance des données ? Faut-il interdire ou empêcher une mauvaise, ou l'absence de gouvernance ?
Une distinction conceptuelle aux implications politiques majeures
La distinction entre interdire et empêcher paraît, au premier abord, triviale ; elle structure pourtant en profondeur les deux grands régimes de régulation possibles dans une société technologisée.
Interdire est un acte normatif. La règle s'adresse à un sujet supposé libre, capable de comprendre la norme, d'en délibérer et, le cas échéant, d'y contrevenir. L'interdiction présuppose la possibilité matérielle de la transgression : c'est précisément cette possibilité qui ouvre l'espace de la responsabilité, du jugement, de la sanction et corrélativement de la contestation. Lawrence Lessig identifie ainsi la loi comme l'une des quatre modalités de régulation, qui contraint par la menace de la sanction, aux côtés des normes sociales, du marché et de l'architecture.
Empêcher, à l'inverse, relève d'un dispositif factuel : la conduite n'est pas réprouvée, elle est rendue impossible. Aucun sujet n'a à délibérer, aucun juge n'a à trancher, aucun contrevenant n'a à répondre. Dans le cyberespace, cette modalité est portée par le code informatique lui-même. Lessig démontre que le code, et l'architecture, définissent la manière dont nous vivons le cyberespace, et détermine s'il est facile ou non de protéger sa vie privée, ou de censurer la parole. L'architecture remplace la délibération par la configuration.
La portée critique de cette distinction a été remarquablement développée par Alain Supiot dans La Gouvernance par les nombres (Fayard, 2015). Il y montre comment la loi cède la place au programme et la réglementation à la régulation, dans un imaginaire institutionnel où l'on viserait la réalisation efficace d'objectifs mesurables plutôt que l'obéissance à des lois justes. L'enjeu, pour Supiot, n'est pas seulement technique : en envisageant les hommes comme des ordinateurs programmables, la gouvernance par les nombres sape le règne de la loi et fait ressurgir un système d'allégeance quasi féodal. Là où la loi suppose un sujet juridique responsable, le programme suppose un comportement à conditionner.
Mon opinion : pour une primauté de l'interdiction sur l'empêchement
Au terme de cette analyse, je défends la thèse suivante : dans la gouvernance des données et de l'IA, l'interdiction doit être première, l'empêchement instrumental. Mais c'est à vous de me dire dans les commentaires si vous êtes en accord avec cette vision… ou pas.
Cette hiérarchie repose sur trois raisons.
D'abord, une raison de principe démocratique. L'interdiction émane d'une délibération publique ; elle peut être discutée, amendée, abrogée. L'empêchement, lorsqu'il est inscrit dans le code, échappe à cette publicité : il est défini par les concepteurs, souvent privés, et son fonctionnement est opaque pour la majorité. Substituer systématiquement le dispositif à la norme, c'est déplacer la souveraineté politique vers les architectes techniques, ce que Supiot identifie comme une régression institutionnelle majeure.
Ensuite, une raison anthropologique. L'interdiction maintient ouvert l'espace dans lequel l'agent peut choisir d'obéir ou de transgresser, et donc peut être tenu pour responsable. Un monde de pure prévention technique est un monde sans sujets moraux. Or, comme le rappellent Rouvroy et Berns, sans cet espace, c'est la possibilité même de la subjectivation politique qui s'efface et avec elle, paradoxalement, toute critique du système. Big Brother et George Orwell ne sont plus très loin…
Enfin, une raison d'efficacité réflexive. Les dispositifs techniques sont faillibles, biaisés, contournables, et leurs erreurs se diffusent à grande échelle. La norme, parce qu'elle s'applique à des cas concrets via le jugement, conserve une plasticité que le code ne possède pas. Réserver à la loi le rôle de fixer ce qui doit être interdit, et au dispositif celui de rendre cette interdiction matériellement effective lorsque les asymétries d'échelle l'exigent, permet de cumuler les avantages des deux régimes sans en payer tous les coûts.
Cela ne signifie pas qu'il faille rejeter l'empêchement technique. Face au passage à l'échelle des systèmes d'IA, à la rapidité des traitements automatisés, à l'asymétrie d'information entre opérateurs et personnes concernées, l'interdiction seule serait souvent purement déclaratoire. Le RGPD et l'AI Act ont raison de combiner les deux registres. Mais l'ordre de priorité importe : le dispositif doit servir la norme, et non la remplacer. Concrètement, cela impose trois critères à tout empêchement by design :
Traçabilité juridique : le dispositif doit pouvoir être référé à une norme publique, débattue et amendable.
Contestabilité effective : la personne empêchée doit pouvoir comprendre qu'elle l'est, savoir pourquoi, et disposer d'un recours humain réel, au sens de l'article 22 du RGPD.
Réversibilité politique : aucun dispositif ne doit verrouiller à un degré tel qu'un changement démocratique de la règle deviendrait techniquement impraticable.
Sans ces garde-fous, l'empêchement par le code n'est pas le prolongement de l'État de droit : il en est la sortie silencieuse !

Intelligence artificielle : comment redéfinit-elle le métier de directeur financier
Clôtures accélérées, prévisions en temps réel, détection de fraude, assistants conversationnels embarqués dans l'ERP : l'intelligence artificielle n'est plus un horizon lointain pour les directions financières. Selon Deloitte, 87 % des DAF estiment qu'elle sera « extrêmement ou très importante » pour leur fonction en 2026.
Ce que l'IA apporte vraiment
Il faut commencer par distinguer deux familles de technologies. L'IA dite « traditionnelle » repose sur l'apprentissage machine : elle apprend à partir de données historiques pour classer, prédire ou détecter des anomalies. L'IA générative, popularisée depuis 2022 grâce à ChatGPT, produit du texte, du code, des synthèses et alimente désormais des « agents » capables d'orchestrer des tâches. Les deux se combinent pour offrir quatre apports majeurs à l'entreprise.
L'automatisation intelligente des tâches répétitives d'abord. Saisie et rapprochement de factures, lettrage comptable, contrôle de cohérence, extraction de données depuis des PDF ou des images : ce que l'automatisation des processus faisait déjà de façon rigide devient adaptatif, capable de gérer les exceptions. L'analyse prédictive ensuite, qui permet de modéliser l'évolution de la trésorerie, d'anticiper des impayés ou de simuler des scénarios budgétaires. La détection d'anomalies et la lutte contre la fraude, historiquement l'un des cas d'usage les plus matures dans la banque, étendue aujourd'hui aux dépenses internes et aux notes de frais. Et enfin l'assistance conversationnelle : copilotes intégrés aux ERP qui rédigent des synthèses, expliquent un écart ou génèrent un premier jet de commentaire de clôture.
Quelle traduction concrète pour la fonction finance
Pour le directeur financier, ces technologies se déclinent sur l'ensemble du cycle. En comptabilité fournisseurs, l'IA scanne, classe et pré-comptabilise les factures : les premiers retours d'expérience publiés par Deloitte font état d'une automatisation avancée au-delà du simple couple OCR/RPA. En clôture, les tableaux de bord s'actualisent en continu, les anomalies remontent automatiquement et le délai de clôture mensuelle peut être sensiblement raccourci, à condition, comme le rappellent les praticiens réunis aux Journées DAF 2026, d'avoir préalablement standardisé les processus.
En planification financière, les modèles apprennent à partir des données historiques et externes pour produire des prévisions glissantes plus fiables que les traditionnels budgets annuels. En trésorerie, l'IA permet un pilotage quasi-temps réel de la position de trésorerie. En conformité enfin, elle automatise les contrôles KYC, la détection d'opérations suspectes et la préparation des déclarations fiscales, ce qui représente un atout considérable dans le contexte de généralisation de la Facture Normalisée Électronique. Un avertissement toutefois : selon Gartner, seuls 36 % des DAF se disent aujourd'hui confiants dans leur capacité à tirer un impact mesurable de l'IA, essentiellement à cause de l'absence ou de la faiblesse de la gouvernance des données. La supervision humaine reste la règle sur tous les processus critiques.
Quelles tendances pour les prochaines années
Trois mouvements vont structurer le paysage. Premièrement, la montée de l'IA agentique. Selon Gartner, les agents autonomes prendront en charge 15 % des décisions quotidiennes et alimenteront 33 % des applications d'entreprise à l'horizon 2028. Deloitte observe déjà que plus d'un DAF sur deux (54 %) fait de leur intégration une priorité de transformation pour 2026.
Deuxièmement, la convergence IA-données-cloud. L'IA ne produit des résultats fiables que si elle s'appuie sur des données propres, structurées et accessibles. Cela pousse à accélérer la migration vers des ERP modernes et à formaliser une véritable gouvernance de la donnée.
Troisièmement, une régulation qui se structure. Les DAF devront intégrer ces cadres nationaux, les lois régionales sur la protection des données et les exigences comme l'AI Act européen. Après la gouvernance des données, c'est la gouvernance de l'IA que les DAF devront superviser.
Proposition d'un plan d'action en 5 points pour votre DAF
1.      Cartographier les cas d'usage à fort ROI. Lister les processus les plus consommateurs de temps (saisie de factures, rapprochements bancaires, relances clients, reporting de clôture, contrôles TVA) et sélectionner deux ou trois chantiers pilotes. L'objectif à six mois : prouver la valeur, sans chercher à couvrir tout le périmètre. Avancer par petits pas, très opérationnels.
2.      Fiabiliser les fondations avant d'automatiser. Un ERP à jour, des référentiels tiers propres et des API stables : sans cela, l'IA amplifiera les erreurs existantes !
3.      Mettre en place une gouvernance IA et données. Définir qui peut déployer un modèle, sur quelles données, avec quel niveau de validation humaine. Documenter chaque usage, tracer les décisions automatisées et s'aligner sur la stratégie nationale du pays d'exploitation ainsi que sur la loi locale de protection des données personnelles. Se former et se faire accompagner sur le sujet est indispensable.
4.      Former l'équipe et recruter les profils hybrides. La réussite dépend moins de l'outil que de l'appropriation. Prévoir un parcours de formation pour les contrôleurs de gestion et comptables, recruter ou développer en interne des profils « data-finance ».
5.      Mesurer, sécuriser, itérer. Définir pour chaque pilote des KPI clairs (délai de clôture, taux d'automatisation des factures, écart de prévision, coût par transaction) et un cadre de cybersécurité adapté, car l'exposition d'un ERP connecté à un modèle d'IA crée de nouveaux risques. Réviser le dispositif tous les six mois pour passer progressivement du pilote à l'industrialisation.
L'intelligence artificielle n'est ni une mode ni une menace pour le métier de DAF : c'est une extension de ses capacités. Les directions financières qui sauront articuler ces trois dynamiques (technologie, conformité, talents) ne se contenteront pas de gagner en productivité : elles s'imposeront comme co-pilotes stratégiques de la croissance de leur entreprise.

Nous recevons cette semaine les deux co-fondateurs de Dataloma, nouvel éditeur de progiciels spécialisé dans le context engineering encadrant les modèles d'IA générative : Laura Bonnafé, et Matthieu Fauchon.
 
- Pourquoi la formalisation et la transmission d'un contexte sont indispensables pour améliorer les résultats de l'IA ?
- Quelles sont les erreurs / risques diminués par la transmission d'un contexte ?
- Pourquoi avoir lancé Dataloma ? Quelle stratégie souhaitez-vous déployer ?

Le LLM va-t-il devenir l'interface unifiée de la gouvernance des données ?
Récemment j'évoquais les raisons principales d'échec du déploiement de nombreux catalogues de données. En première ligne, l'absence d'adoption suffisante par les utilisateurs métiers. Doit-on refondre les interfaces utilisateurs ? Une nouvelle voie apparait : abandonner l'interface utilisateur ! Et la confier à un LLM qui interrogera, via un serveur MCP, la base de données du catalogue.
L'habitude d'interroger un moteur de recherche pour obtenir une réponse a changé. Le réflexe, en particulier dans la dernière génération, est maintenant de poser toutes ses questions à une IA générative. Le phénomène ChatGPT est devenu une évidence quotidienne. Arrivés dans l'entreprise, les futurs juniors reproduiront ce comportement. Il sera difficile de leur imposer l'usage du moteur de recherche de l'intranet, ou d'apprendre l'interface utilisateur de dizaines d'applications.
L'idée est donc de dissocier la base, contenant les métadonnées qui constituent le catalogue, et l'outil d'interrogation qui devient le LLM. Comment interroger le catalogue central via le LLM ? En choisissant un catalogue compatible avec le nouveau protocole MCP. Ce protocole MCP (Multi-Cloud Protocol) est un cadre technique conçu pour faciliter l'interopérabilité, la portabilité et la gouvernance des données entre différents environnements cloud (publics, privés, hybrides). Il vise à standardiser les échanges de données, les métadonnées et les politiques de sécurité. Il a été développé par Anthropic en 2024. Il s'agit d'un standard ouvert, développé en collaboration avec la communauté et hébergé par la fondation Linux, qui permet une intégration standardisée entre les applications d'IA et les sources de données ou outils externes. Plusieurs implémentations, SDK et serveurs MCP sont disponibles en open source sur des plateformes comme GitHub, encourageant ainsi l'interopérabilité et l'innovation collaborative. Alation, Atlan, DataHub, Datadog (liste non exhaustive) ont déjà annoncé une compatibilité MCP de leurs catalogues de données.
Un pari risqué pour les éditeurs de catalogues de données
Sur le papier, cette nouvelle architecture est séduisante, même pour les éditeurs de logiciels. L'éditeur n'a plus à se préoccuper de l'interface utilisateur métier. Il peut se concentrer sur sa cible privilégiée, le département informatique en charge de la mise en place. L'interface d'administration subsiste ; celle des usages est déléguée au LLM.
Mais il y a un revers à la médaille, la disparition du catalogue de données dans les couches cachées accédées par le LLM. Le catalogue devient invisible ! C'est très bien me répondrez-vous ? Peut-être… sauf pour son éditeur. A la question : « quel est votre outil de catalogage de données ? » posée à un utilisateur métier, ce dernier répondra sans doute « Euh… je ne sais pas… c'est Copilot, Mistral, ChatGPT… ? ». Car pour lui, le catalogue aura disparu, noyé dans son LLM utilisé quotidiennement.
Conséquences pour les éditeurs : une perte de valeur visible et une plus grande interchangeabilité. Car si mon catalogue est une simple base de données, sans interface utilisateur, accédée de manière standard via un serveur MCP, je peux facilement le remplacer par un autre ; et cela sans que l'utilisateur n'en ait conscience.
Du point de vue de l'éditeur, le risque est grand de voir sa valeur perçue réduite à peau de chagrin. Autre question, celle de la responsabilité en cas de réponse erronée. L'utilisateur fera-t-il la part des choses entre les erreurs dans le catalogue, et celles générées par le LLM ? Si l'information de base est correcte dans le catalogue, mais que le LLM répond mal à la question posée par l'utilisateur… à qui la faute ? Et à qui la perception de la faute ?
En conclusion
La standardisation des catalogues de données, accédées par les LLM au travers de serveurs MCP semble donc une évidente amélioration. Pas le LLM standard que vous utilisez à titre personnel, mais un LLM sur mesure, personnalisé et entrainé pour votre organisation, comme va le proposer Mistral avec son offre Forge [1].
Le LLM deviendra peu à peu l'outil quotidien de chaque employé, qui l'utilisera pour poser toutes ses questions. Le LLM ira alors piocher, via des serveurs MCP, dans les différentes sources de données, catalogue, entrepôt de données, lac de données, applications métier. Le navigateur web était devenu depuis une vingtaine d'années l'interface standard des applications qui migraient vers le cloud. Le LLM sera sans doute la prochaine étape. Cette évolution ne se fera pas instantanément, ni sans conséquences, mais reparlons-en d'ici cinq ans, elle sera sans doute devenue une évidence.
[1] https://www.usine-digitale.fr/intelligence-artificielle/mistral-ai/mistral-ai-lance-forge-un-service-de-creation-de-modele-dia-sur-mesure-pour-les-grandes-entreprises.NFBAALPLMNEO7ECP62HMAC35JY.html