La qualité des données ITSM a depuis longtemps dépassé le simple cadre de la « bonne hygiène opérationnelle » pour devenir un véritable levier stratégique. Parmi les conditions nécessaires à l’intégration de l’intelligence artificielle dans les processus informatiques, la qualité des données est sans doute la plus sous-estimée, mais aussi la plus déterminante.
Pour qu’une automatisation reposant sur l’IA produise des résultats fiables et durables, trois éléments sont indispensables : une base de données de gestion des configurations (CMDB) précise et à jour, un historique de workflows structuré, ainsi que des données opérationnelles cohérentes. Ces dernières constituent l’empreinte numérique des activités informatiques quotidiennes : incidents, demandes de service, changements apportés aux systèmes et interactions utilisateurs.
La qualité des données : facteur clé de réussite…ou d’échec de l’IA
Les études internationales convergent aujourd’hui vers une même conclusion : la qualité des données est le principal facteur qui distingue les projets d’intelligence artificielle performants de ceux qui échouent.
Selon une enquête menée par Gartner en février 2025 auprès de 1 203 responsables de la gestion des données, 63 % des organisations ne disposaient pas, ou n’étaient pas certaines de disposer, de pratiques de gestion des données adaptées aux besoins de l’IA. Gartner prévoyait également que, d’ici 2026, 60 % des projets d’intelligence artificielle ne reposant pas sur des données prêtes pour l’IA seraient abandonnés.
Cette statistique n’est pas isolée. Parmi 782 responsables Infrastructure & Operations interrogés par Gartner, 38 % ont déclaré que les projets d’IA qu’ils avaient déployés s’étaient soldés par un échec. Dans la même proportion, les répondants ont identifié la mauvaise qualité ou la faible disponibilité des données comme cause directe de ces difficultés. Plus révélateur encore : seuls 28 % des projets d’IA appliqués aux opérations informatiques ont généré un retour sur investissement conforme aux attentes initiales.
Dans un domaine plus spécifique encore, plus de la moitié des professionnels de l’informatique déclarent ne pas avoir pleinement confiance dans les données contenues dans leur CMDB, alors même que celle-ci sert de socle aux workflows ITSM et aux automatisations alimentées par l’IA.
Que recouvre réellement la qualité des données en ITSM ?
Parler de qualité des données ITSM ne revient pas simplement à évoquer des données « propres » ou correctement organisées. Il s’agit de garantir que les informations gérées au sein de la plateforme ITSM, autrement dit toutes les données produites et exploitées dans le cadre des opérations informatiques quotidiennes, répondent à quatre critères fondamentaux et mesurables.
1. L’exhaustivité
Chaque enregistrement doit contenir l’ensemble des informations nécessaires à son traitement fiable, qu’il soit effectué par un collaborateur ou par un agent d’IA. Un incident sans catégorie attribuée, un actif informatique sans propriétaire identifié ou une demande dépourvue d’échéance sont autant d’exemples de données incomplètes qui limitent, voire empêchent, l’automatisation.
2. L’exactitude
Les informations enregistrées doivent refléter fidèlement la réalité opérationnelle : l’état réel des actifs, les relations techniques et fonctionnelles entre les différents composants de l’infrastructure (Configuration Items), ou encore l’impact effectif d’un changement une fois celui-ci mis en production.
3. L’actualité des données
Les données doivent représenter l’état actuel de l’environnement informatique et non une photographie obsolète du passé. Lorsqu’une plateforme de référence contient des informations dépassées, elle cesse d’être une source fiable et devient progressivement une source de désinformation interne.
4. L’intégrité relationnelle
Les liens entre les différents éléments doivent être clairement établis, documentés et vérifiables. Par exemple : le lien entre un service métier et ses composants techniques, la relation entre un incident et l’actif concerné, l’association entre un changement et les environnements impactés.
Sans ces quatre conditions, même le modèle d’IA le plus avancé travaille sur une représentation inexacte de la réalité opérationnelle. Les décisions qu’il produit, aussi cohérentes paraissent-elles, risquent alors d’être déconnectées de ce qui se passe réellement dans l’environnement informatique de l’entreprise.
Pourquoi l’IA ne peut pas être déployée à grande échelle sans des données ITSM de qualité
Keith Andes, Product Marketing chez EasyVista, observe que deux phrases reviennent régulièrement au sein des équipes informatiques : « Nos processus ne sont pas totalement déployés. » ; « Nos données ne sont pas fiables. »
Ce constat met en évidence un point de rupture essentiel : lorsque le système de référence de l’entreprise est incomplet ou désorganisé, l’IA ne corrige pas le problème. Elle l’amplifie.
Trois exemples illustrent concrètement cette réalité :
1. Une CMDB désorganisée et le routage automatique des incidents
Lorsque des éléments de configuration (Configuration Items ou CI) sont dupliqués, mal catégorisés ou non rattachés à un contexte précis, un agent d’IA chargé d’orienter automatiquement les tickets sur la base des dépendances applicatives produira autant d’affectations erronées que correctes. La rapidité ne compense jamais l’inexactitude.
2. Une base de connaissances obsolète
Un système de synthèse ou d’assistance basé sur un grand modèle de langage (LLM) et alimenté par des articles dépassés proposera des solutions qui ne correspondent plus à l’environnement réel de l’organisation. Le risque est d’autant plus élevé que les réponses générées par l’IA bénéficient souvent d’une forte apparence de crédibilité, rendant les erreurs plus difficiles à détecter.
3. Un historique opérationnel incomplet
Lorsque les tickets sont clôturés sans qualification correcte de leur cause racine (ce qui a réellement généré le dysfonctionnement, par opposition aux symptômes visibles), l’IA ne dispose pas de suffisamment de données pour identifier les schémas récurrents, détecter les tendances ou améliorer progressivement ses recommandations.
Dans chacun de ces scénarios, le modèle d’IA fonctionne parfaitement en environnement de démonstration. C’est au contact des données réelles, fragmentées, incohérentes ou incomplètes, que la valeur promise disparaît. La qualité des données ITSM constitue ainsi la variable qui sépare une démonstration convaincante d’un système réellement fiable en production.
Quatre priorités pour renforcer la qualité des données ITSM
Comprendre l’importance de la qualité des données est une première étape. L’améliorer nécessite une démarche structurée, fondée sur des actions concrètes et mesurables.
1. Mesurer avant d’agir
On ne peut améliorer que ce que l’on mesure. La mise en place d’indicateurs de qualité des données permet de transformer une perception subjective en problématique pilotable. Les tableaux de bord dédiés doivent notamment suivre : le taux de complétude des enregistrements de la CMDB, l’ancienneté moyenne des données de configuration, le nombre d’enregistrements dupliqués, le pourcentage de tickets correctement catégorisés.
Ces indicateurs fournissent une base objective pour prioriser les actions d’amélioration.
2. Automatiser la découverte et la mise en cohérence des données
Les données saisies manuellement se dégradent rapidement avec le temps. Maintenir une CMDB fiable repose sur deux leviers complémentaires : d’une part, des outils de découverte automatique capables d’explorer en continu l’infrastructure (réseaux, postes de travail, appareils mobiles, serveurs et environnements cloud) afin d’identifier et d’inventorier les ressources présentes. D’autre part, des mécanismes de réconciliation qui comparent régulièrement les informations enregistrées dans la CMDB avec la réalité observée en production, afin de détecter les écarts, les actifs manquants ou les configurations devenues obsolètes.
Les plateformes ITSM modernes, notamment des solutions telles qu’EV Discovery d’EasyVista, ont été conçues pour automatiser ces contrôles de manière continue. Elles évitent ainsi de s’appuyer sur des vérifications manuelles ponctuelles qui deviennent rapidement obsolètes entre deux campagnes d’audit.
3. Définir clairement les responsabilités en matière de données
Chaque actif, chaque service et chaque domaine de la base de connaissances doit être placé sous la responsabilité d’un propriétaire clairement identifié, garant de sa qualité dans la durée.
En l’absence d’une responsabilité formellement attribuée, la qualité des données ITSM se dégrade naturellement au fil du temps. À l’inverse, lorsque les rôles sont clairement définis, chaque anomalie signalée trouve immédiatement un interlocuteur responsable et les actions de correction s’inscrivent dans une démarche continue d’amélioration, plutôt que dans une succession d’interventions ponctuelles traitées au cas par cas.
4. Intégrer la qualité des données directement dans les workflows
Le moment le plus pertinent pour garantir la qualité d’une donnée est celui de sa création.
Formulaires de déclaration enrichis de mécanismes de validation, champs obligatoires intelligents, suggestions automatiques de catégorisation ou encore contrôles de cohérence lors de la clôture des tickets : toutes ces bonnes pratiques permettent de prévenir les erreurs à la source plutôt que de devoir engager ultérieurement des actions correctives coûteuses.
C’est également à ce niveau que l’intelligence artificielle peut déjà apporter une valeur tangible. Son rôle n’est pas de remplacer la rigueur opérationnelle des équipes informatiques, mais de la renforcer en accompagnant les utilisateurs dans la production de données plus fiables et plus exploitables.
Considérer la donnée comme un investissement stratégique et non comme un coût
Améliorer la qualité des données ITSM est aujourd’hui l’un des investissements les plus rentables et les plus stratégiques qu’une organisation puisse réaliser. Le message de Keith Andes est particulièrement clair : « Arrêtez d’allouer 100 % de votre budget IA aux seules fonctionnalités d’IA. L’intelligence artificielle a besoin de fondations solides pour fonctionner. »
Ces fondations reposent sur deux piliers : des workflows documentés et des données fiables. Les organisations qui choisissent d’investir dans leur système de référence avant de se concentrer sur les fonctionnalités les plus visibles obtiendront un double bénéfice : une gestion des services informatiques plus robuste à court terme et une base crédible pour développer des capacités d’IA avancées dans les années à venir.
C’est ainsi que la qualité des données cesse d’être un simple sujet opérationnel pour devenir un véritable choix stratégique, avec un impact direct sur la performance et la compétitivité de l’entreprise.
FAQs
1. Qu’est-ce que la qualité des données ITSM ?
La qualité des données ITSM désigne le niveau d’exhaustivité, d’exactitude, d’actualité et d’intégrité relationnelle des données opérationnelles gérées au sein de la plateforme ITSM : incidents, changements, actifs, éléments de configuration (CI) ou base de connaissances. Ces données constituent le socle des automatisations, des décisions opérationnelles et des initiatives d’intelligence artificielle.
2. Pourquoi la qualité des données est-elle essentielle pour l’IA dans l’ITSM ?
Parce que l’IA ne corrige pas les données qu’elle exploite : elle amplifie leur qualité comme leurs défauts. Une CMDB désorganisée ou un historique opérationnel incomplet entraîneront des résultats erronés, même avec les meilleurs modèles. Selon Gartner, 60 % des projets d’IA dépourvus de données adaptées pourraient être abandonnés d’ici 2026.
3. Par où commencer pour améliorer la qualité des données ITSM ?
La première étape consiste à mesurer la situation existante. Les organisations doivent suivre des indicateurs tels que le taux de complétude des enregistrements de la CMDB, l’ancienneté moyenne des données, le nombre de doublons ou encore la précision de la catégorisation des tickets. Sans visibilité initiale, toute démarche d’amélioration reste approximative.
4. Quel est le rôle de la CMDB dans la qualité des données ITSM ?
La CMDB constitue la source de référence des configurations, des actifs et des dépendances techniques. Lorsqu’elle est fiable et maintenue à jour, elle améliore la qualité des automatisations, renforce la pertinence des analyses et fournit une base solide aux initiatives d’IA et d’ITSM.
2025 Gartner® Market Guide des Plateformes ITSM
