Decideo - Data Science, Big Data, Intelligence Augmentée

Réponse : pour l'essentiel, une association de quelques dizaines de personnes, basée aux États-Unis, qui s'appelle METR.

Et qui n'a aucun pouvoir de sanction.

METR teste les modèles d'OpenAI, d'Anthropic, de Google DeepMind, avant leur mise sur le marché.

Sa spécialité : mesurer ce qu'une IA sait faire toute seule.

Son résultat le plus cité : la durée des tâches qu'un agent peut mener à bien sans intervention humaine double tous les sept mois. Depuis six ans.

Sur l'indépendance financière, le dispositif est sérieux.

METR n'accepte aucun financement des entreprises d'IA.

Elle ne facture pas ses évaluations.

Elle refuse même les dons de leurs salariés.

Et elle a levé, cet été, soixante et onze millions de dollars — auprès de fondations philanthropiques.

Mais l'argent n'est pas le seul levier d'influence.

Premier angle mort : OpenAI, Anthropic et xAI fournissent gratuitement les capacités de calcul dont METR a besoin pour travailler. L'organisation le reconnaît. Leur valeur n'est publiée nulle part.

Deuxième angle mort, plus lourd : l'accès.

Pour tester un modèle avant sa sortie, il faut que l'éditeur ouvre la porte. C'est lui qui fixe le périmètre, la durée, le calendrier.

L'auditeur n'a aucun droit d'entrée.

Troisième angle mort : les hommes. 

La fondatrice de METR, Beth Barnes, vient d'OpenAI. Un chercheur d'OpenAI siège parmi ses conseillers.

C'est la condition de la compétence technique. C'est aussi un risque.

Alors METR est-elle indépendante ?

Financièrement, oui, autant qu'on puisse le vérifier.

Structurellement, c'est autre chose.

Ses rapports sont aujourd'hui la meilleure source publique disponible sur les capacités dangereuses des IA.

Ce ne sont pas des certifications. Ce sont des avis d'experts, rendus dans les limites fixées par celui qu'on examine.

Il y a une semaine, Collibra a racheté une start-up munichoise de trois ans d'âge.

Montant non communiqué. Équipe réduite. Un tour de table d'un million et demi d'euros, pas davantage.

Et pourtant, cette opération dit quelque chose d'important sur la gouvernance de l'intelligence artificielle en entreprise.

Collibra, d'abord. Née à Bruxelles en deux mille huit, installée à New York depuis deux mille quinze.

Plus de sept cents clients. Soixante-dix-huit entreprises du Fortune cinq cents.

Historiquement, un spécialiste du catalogue de données. Aujourd'hui, elle se présente comme — je cite — « le plan de contrôle de l'intelligence artificielle d'entreprise ».

Ce qu'elle achète avec trail ML, c'est trois choses.

Des agents qui déterminent seuls quelle réglementation s'applique à un système d'IA.

Des évaluations de conformité qui se rejouent dès que les preuves changent — et non plus une fois par an.

Et surtout : la capacité de bloquer, en production, l'action d'un agent qui violerait une politique interne.

Voilà le vrai basculement.

Jusqu'ici, gouverner l'IA, c'était documenter. Désormais, c'est intervenir.

On passe du classeur au coupe-circuit.

Pour les directions de la gouvernance, deux lectures.

D'un côté, une charge manuelle qui s'allège : les équipes conformité ne constitueront plus leurs dossiers de preuve à la main.

De l'autre, une question nouvelle : que se passe-t-il quand l'outil bloque un traitement parfaitement légitime ?

Et une mise en garde : un verdict de conformité produit par un logiciel n'exonère personne. Sous l'AI Act, la responsabilité reste chez celui qui déploie le système. Automatisez, agentisez, gouvernez. Tout ce que vous voulez, mais rien ne vous exonérera de votre responsabilité !

Reste l'ironie de l'affaire.

Le marché que Collibra achète avec Trail ML, existe parce que l'Europe a écrit la loi.

Collibra, elle, a quitté Bruxelles pour New York dix ans avant que ce texte n'existe.

Dans cet épisode, je reçois Laurence Joly, co-fondatrice de Diag'n'grow, une entreprise spécialisée dans la valorisation des actifs immatériels.

Ce patrimoine informationnel qui nous intéresse, données et algorithmes, est en effet proche des marques, des brevets, et autres actifs que l'on sait déjà bien valoriser.

Alors, à quand les datas à l'actif du bilan ? Laurence Joly nous donne quelques pistes : 

- Quels sont les principaux "nouveaux" actifs immatériels que l'entreprise n'est pas habituée à évaluer ?

- Alors que la valeur de ces actifs immatériels augmente de manière importante, cela impacte-t-il la différence entre la valeur "officielle" d'une entreprise et sa valeur réelle ?

- Quelles sont les difficultés propres à l'évaluation des actifs immatériels et quelle méthode avez-vous développée ?

- Parlons spécifiquement des données, quels sont les problèmes particuliers liés à leur évaluation ?

- Entre évaluation et comptabilisation, il y a encore une étape, quand verrons nous un data warehouse à l'actif du bilan d'une entreprise ?

Le monde gouverné par Journey que nous décrit Pierre-Emmanuel Durand dans son roman d'anticipation Violet Pâle, n’est en réalité pas nouveau. Ses racines sont profondes. Elles datent de l’époque dite moderne, celle qui a débuté après la Seconde Guerre mondiale. 

Un monde de consommation, de plastique, et de commodités. Née en 1932, ma mère me racontait, enfant, toutes les merveilles que l’on trouvait au Salon des Arts Ménagers. Créée en 1923, cette exposition commerciale a connu son apogée dans les années 50, quand naissait cette envie de facilité, de praticité, de simplification. Vous vous souvenez également des films américains des années 60, de ces appartements équipés des dernières technologies. Le grand critique de cette époque était le cinéaste Jacques Tati. Après avoir lu Violet Pâle, il faut revoir Mon Oncle (1958) et Playtime (1967). Jacques Tati y moque dans le premier la maison ultramoderne, aseptisée et automatisée ; et dans le second, la standardisation internationale des bureaux, des aéroports et des habitudes. Il aura fallu un demi-siècle, mais, durant toutes ces années, les tendances critiquées par ce maître du cinéma n’ont fait que se transformer peu à peu en réalité. Dans Violet Pâle, Pierre-Emmanuel Durand les pousse à leurs limites. « Nous n’accepterons jamais d’aller aussi loin », répondra sans doute le lecteur… sans accepter de constater que nous y sommes déjà, ou presque. L’héroïne, Tess, découvre qu’il existe un autre monde, à l’extérieur de l’IA Journey qui a pris possession de son cerveau.

« Rien n’était synchronisé, rien n’était optimisé.
— C’est… trop, murmura Tess.
Norah sourit.
— C’est la vie.
— C’est bizarre.
— Oui, répondit Norah. Mais c’est réel. »

Ce monde piloté par l’IA, c’est l’histoire de notre perte de souveraineté. Entre 2020 et 2031, la France a peu à peu perdu le contrôle des outils qu’elle utilisait. Vers 2035, la résistance européenne entraine, en représailles, une coupure complète par les États-Unis de l’ensemble des services auxquels les États et les citoyens sont devenus dépendants. Soixante-douze heures de blackout, qui a finalement fait capituler la France, livrant toutes ses données et celles de ses citoyens aux entreprises américaines. Heureusement, certains, comme Noah, Tess, et Yann le Corn… ont choisi de ne pas se laisser embrigader sans réagir ! Vont-ils réussir à rallier une partie importante de la population, ou la masse continuera d’obéir aux injonctions de Journey ?

L’auteur, Pierre-Emmanuel Durand, connait bien l’informatique. Il y a fait toute sa carrière, depuis Capgemini et Business & Decision, jusqu’à aujourd’hui où il dirige le département informatique d’un groupe de courtage spécialisé en prévoyance individuelle. Violet Pâle est son deuxième roman, et espérons qu’il y en a d’autres en préparation ! Car pour savoir ce qui arrive à Tess, vous devez lire Violet Pâle.

Éditeur ‏ : ‎ Verone éditions
Date de publication ‏ : ‎ 23 juillet 2026
Langue ‏ : ‎ Français
Nombre de pages de l'édition imprimée  ‏ : ‎ 330 pages
ISBN-13 ‏ : ‎ 979-1042316419

Rencontre avec Alessandro Fiorentio, auteur de Chapitre 29, un roman historique qui nous emmène découvrir les origines de la vie privée.

Nous sommes à Paris, en 2018, un universitaire décède dans des circonstances suspectes, alors qu’il travaillait sur une étude, pour le compte du Saint-Siège, sur les origines de la vie privée. Son ami et ancien élève, Francesco Libero, reprend le flambeau et, malgré les risques qu’il mesure, tente de découvrir ce qui a conduit à la disparition de son professeur. Tout comme dans l’autre succès de Dan Brown, Origine, technologie et religion s’entremêlent ; tout semble se passer comme si la religion, basée sur des croyances, craignait la découverte d’une vérité, basée sur des faits scientifiques.

Pourquoi Google a payé 10 millions de dollars pour les archives numériques de Spirit Airlines, alors que vous me dites que vos données ne valent rien, parce que vous ne savez pas mesurer cette valeur…

Spirit Airlines n’existe plus. La compagnie low cost américaine, pionnière du modèle « ultra low-cost » outre-Atlantique, avait déjà déposé le bilan une première fois en novembre 2024, après l’échec de son rapprochement avec JetBlue puis avec Frontier Airlines et l’accumulation de pertes consécutives à la pandémie de Covid-19. Une tentative de restructuration n’a finalement pas suffi : ses avions ont cessé de voler en mai 2026, et l’entreprise est désormais liquidée, ses actifs vendus les uns après les autres pour tenter de rembourser ses créanciers.

Parmi ces actifs, la plupart sont matériels : avions, équipements, biens immobiliers. Mais un lot a suscité un intérêt inattendu : l’intégralité des archives numériques internes de la compagnie. Selon un document judiciaire déposé auprès du tribunal des faillites de New York et consulté par plusieurs médias américains, Google aurait remporté l’enchère pour ce lot de données pour la somme de 10 millions de dollars, en devançant Mercor, une société spécialisée dans la fourniture de données d’entraînement pour l’intelligence artificielle, qui avait proposé 7,5 millions de dollars. La vente reste soumise à l’approbation du juge en charge du dossier, mais elle nous donne des indications intéressantes sur :

-              Le fait que les données ont de la valeur, et que certaines entreprises l’ont mieux compris que d’autres ;

-              Des métriques de mesure de la valeur de ces données, en fonction des usages, dont par exemple l’entrainement des IA.

Un volume de données considérable et très hétérogène

Le détail du lot, rendu public via le document judiciaire, donne une idée assez précise de ce que peut représenter le patrimoine numérique d’une compagnie aérienne, après près de deux décennies d’activité. On y trouve environ 100 millions d’e-mails, 500 millions de contenus issus de Microsoft Teams, 17 millions de fichiers OneDrive et 20,5 millions de documents SharePoint. S’y ajoutent plus de 30 millions d’enregistrements d’appels au service client, 15 millions de conversations de chat, 600 000 tickets ServiceNow, ainsi que 13,7 millions d’adresses e-mail actives issues de la plateforme marketing Responsys d’Oracle… et un raton laveur (pour ceux qui ont la réf).

Le lot comprend aussi des données strictement opérationnelles : plus de 763 000 vols, cinq millions d’appariements d’équipages, 1,2 million de bordereaux de carburant, les enregistrements de près de 790 000 achats de pièces détachées, et 11 millions de ventes de services Wi-Fi à bord. Un porte-parole de Google a indiqué que l’entreprise avait acquis une partie de cet ensemble de données d’entreprise afin d’améliorer ses produits et ses modèles d’intelligence artificielle, en précisant qu’aucune information personnelle ne serait reçue dans le cadre de cette opération.

Selon les informations judiciaires, les données doivent en effet être anonymisées avant leur transfert. Sont explicitement exclus de la vente les profils passagers, le programme de fidélité Free Spirit, les historiques de navigation ainsi que les plaintes déposées auprès du régulateur américain des transports. Reste que l’anonymisation de plusieurs centaines de millions de documents à cette échelle n’est pas un exercice trivial, et plusieurs observateurs soulignent que le risque de fuite ou de réidentification partielle ne peut être totalement écarté.

Un précédent qui n’est plus tout à fait isolé

Cette opération n’est pas la première du genre. Plusieurs médias avaient déjà rapporté, au printemps 2026, que des start-up en faillite revendaient leurs archives Slack et leurs messageries internes à des sociétés d’IA en quête de données d’entraînement. Mais le rachat des données de Spirit Airlines change d’échelle : il s’agit ici d’une entreprise historique, cotée pendant des années, avec près de vingt ans d’activité et des millions de clients, et non d’une jeune pousse récente.

C’est précisément ce changement d’échelle qui rend l’opération intéressante à observer du point de vue de la valorisation de la donnée.

Ce que révèle cette transaction sur la valeur de la donnée

La valorisation des actifs immatériels, et des données en particulier, reste un exercice notoirement difficile : il n’existe pas de marché liquide ni de méthode comptable standardisée pour évaluer un corpus de courriels d’entreprise ou un historique de vols. C’est précisément ce qui rend ce type de transaction instructif : en l’absence de modèle théorique consensuel, c’est le marché lui-même, via une procédure d’enchères judiciaires transparente, qui a fixé un prix.

Plusieurs éléments de cette enchère méritent d’être retenus par celui qui s’intéresse à la question de la valorisation des données d’entreprise.

Premièrement, la concurrence entre acheteurs. Le fait que deux acteurs spécialisés dans l’IA (Google et Mercor) se soient disputé ce lot, avec un écart de prix limité (10 millions contre 7,5 millions de dollars), confirme qu’il existe une demande réelle et compétitive pour ce type de corpus, et pas seulement un intérêt opportuniste isolé. Intéressant également que les enchérisseurs soient des sociétés technologiques et non d’autres compagnies aériennes.

Deuxièmement, le prix payé donne des indications sur les critères de valorisation retenus par le marché. Ce n’est pas la valeur des données prises isolément qui compte, mais un ensemble de caractéristiques combinées : le volume brut (centaines de millions de documents), la diversité des formats et des sources (messagerie, visioconférence, ERP, CRM, systèmes métiers comme les appariements d’équipages ou les bordereaux de carburant), la spécificité sectorielle (des données d’exploitation aérienne difficilement reproductibles à partir du seul web public), et la profondeur temporelle du corpus, accumulé sur près de deux décennies.

Troisièmement, le motif d’achat invoqué par Google (l’amélioration de ses produits et de ses modèles d’IA) illustre un déplacement de la demande de données d’entraînement : au-delà des textes disponibles publiquement sur le web qui perdent chaque année de leur valeur, car remâchés par l’IA elle-même, et déjà largement exploités, les entreprises d’IA cherchent désormais des données professionnelles réalistes, structurées autour de processus métiers concrets (échanges internes, données opérationnelles, interactions avec la clientèle), qui reflètent mieux la diversité et la complexité du travail réel.

Enfin, le fait que cette donnée continue d’avoir de la valeur marchande après la disparition de l’entreprise qui l’a produite (dans le cadre d’une liquidation judiciaire où chaque actif est scruté pour maximiser le remboursement des créanciers) constitue en soi une validation forte : la donnée y est traitée comme un actif cessible au même titre qu’un avion ou un immeuble, avec un prix déterminé par une mise en concurrence réelle plutôt que par une estimation interne.

Une évaluation qui reste imparfaite, mais un signal clair

Il serait excessif d’en déduire une méthode de valorisation universelle : 10 millions de dollars pour l’ensemble des archives numériques d’une compagnie aérienne de taille moyenne ne disent rien, en tant que tels, du prix qu’atteindraient les données d’une autre entreprise, dans un autre secteur, avec une autre composition de corpus. La difficulté à évaluer précisément la valeur de la donnée demeure entière. Mais l’existence même de cette transaction, sa procédure d’enchères et l’écart de prix entre les deux offres concurrentes fournissent un point de repère concret et rare, dans un domaine où les repères de marché restent encore à construire.

Apprendre le langage KQL, quels apports pour l’analyste de données

Depuis des décennies, SQL règne sur le monde de l’analyse de données. Avec l’essor du cloud, de la cybersécurité et du big data générés par les infrastructures modernes, un nouveau venu est arrivé dans l’écosystème Microsoft : le Kusto Query Language[1], plus connu sous son acronyme KQL. Pour un analyste de données qui doit choisir ses compétences à développer ou simplement comprendre le paysage technologique actuel, la question mérite d’être posée sans jargon inutile : que gagne-t-on, et que perd-on, à utiliser KQL plutôt que SQL? Quand doit-on utiliser les deux? Complémentarité ou concurrence?

Deux langages, deux histoires

SQL est né dans les années 1970 (merci au Dr Codd et à la conceptualisation de l’OLTP), conçu pour interroger des bases de données relationnelles classiques : celles qui gèrent les commandes d’un site e-commerce, les comptes clients d’une banque, ou les stocks d’un entrepôt. Sa vocation première est la gestion de données structurées et stables, avec des exigences fortes de cohérence et d’intégrité. C’est le T de OLTP, la notion de « transaction ». SQL n’a jamais été conçu comme un langage destiné au décisionnel et à l’analyse de données.

KQL, lui, est beaucoup plus récent : il a été développé par Microsoft et lancé en 2017 avec le service Azure Data Explorer ; il répond à un besoin différent, apparu avec l’explosion du big data. Comment analyser rapidement des milliards de lignes de logs, ou d’événements de sécurité, générés en continu ? C’est précisément le terrain de jeu pour lequel KQL a été pensé, et on le retrouve aujourd’hui au cœur d’outils comme Azure Monitor ou Microsoft Sentinel, la plateforme de cybersécurité de Microsoft. Il peut évidemment être utilisé pour analyser d’autres types de données. On pense évidemment aux données générées par des objets connectés, ou des transactions d’un site de eCommerce, etc.

Cette différence d’origine explique presque tout ce qui les sépare aujourd’hui.

Les atouts de KQL pour l’analyste

Une lecture plus naturelle des requêtes complexes. Là où SQL demande souvent d’imbriquer des sous-requêtes ou de lire une instruction dans un ordre qui ne correspond pas à celui de son exécution réelle, KQL fonctionne comme un enchaînement d’étapes, un peu à la manière d’une recette de cuisine : on part des données brutes, puis on filtre, puis on regroupe, puis on trie, chaque étape s’ajoutant à la précédente de façon visible. Pour un analyste qui construit une analyse pas à pas, cette logique de pipeline facilite énormément la relecture et la correction d’erreurs.

Une puissance native pour l’analyse temporelle. KQL a été conçu dès le départ pour des données horodatées en grand volume : logs applicatifs, alertes de sécurité, mesures de performance. Des fonctions comme le calcul de fenêtres de temps glissantes ou la détection d’anomalies sont intégrées nativement, alors qu’elles demandent souvent des développements plus techniques en SQL classique.

Une recherche de texte libre intégrée. Chercher un mot ou une expression dans de grandes quantités de données textuelles est une opération courante et simple en KQL, sans configuration préalable particulière. En SQL, ce type de recherche nécessite le plus souvent une préparation technique. SQL a été conçu exclusivement pour l’analyse de données structurées ; KQL a été pensé au moment où les données semi-structurées et non structurées sont devenues accessibles, le fameux « big data » des années 2010.

Une exploration progressive des données. Parce qu’une requête KQL se construit étape par étape, un analyste peut tester une première portion, observer le résultat, puis ajouter la suite. Cette approche est particulièrement appréciable lorsqu’on découvre un jeu de données inconnu. C’est une technique d’exploration qui répond parfaitement aux besoins métier d’analyse de nouvelles données.

Quels sont les défauts de KQL pour l’analyste

Un langage moins répandu. SQL bénéficie d’une notoriété et d’une ancienneté que KQL est loin d’égaler. La quasi-totalité des formations en analyse de données, des offres d’emploi et des ressources pédagogiques s’appuient sur SQL. Apprendre KQL représente donc un investissement supplémentaire, sur un langage dont l’usage reste concentré dans l’écosystème Microsoft. Si vous souhaitez vous spécialiser en environnement Microsoft, c’est un bon choix d’extension de vos compétences. Pour une entreprise qui choisit la plate-forme Microsoft, le choix de KQL est assez logique. En revanche, c’est pour l’instant une étape de plus dans une dépendance à l’écosystème Microsoft. En période de réflexion sur la souveraineté… La conséquence pour une entreprise est que les ressources disponibles compétentes sur KQL sont plus rares et difficiles à trouver.

Un périmètre d’usage plus restreint. SQL est le langage de référence d’une multitude de bases de données très différentes les unes des autres. KQL, à l’inverse, reste cantonné aux services Microsoft Azure conçus pour l’analyse de logs et de télémétrie. Un analyste maîtrisant KQL ne pourra pas transposer directement cette compétence à d’autres environnements, contrairement à SQL, dont les bases sont valables presque partout.

Une vocation exclusivement analytique. KQL est un langage de lecture seule : il permet d’interroger des données, mais pas de les modifier, de les insérer ou de les supprimer. C’est un choix assumé, cohérent avec son usage, mais cela signifie qu’un analyste devra malgré tout recourir à d’autres outils pour toute opération de gestion des données elle-même. On ne pourra donc pas abandonner SQL pour se limiter à KQL. La connaissance de SQL reste indispensable. Pour un analyste, la compétence clef reste SQL. KQL est une compétence complémentaire.

Un écosystème d’outils moins fourni. Autour de SQL s’est construit, au fil des décennies, un univers considérable d’outils de visualisation, de tableaux de bord, de connecteurs et de logiciels métiers. L’offre équivalente pour KQL existe, mais reste plus restreinte et moins mature, ce qui peut limiter les options d’un analyste selon le contexte de son entreprise. Et encore une fois, la dépendance à l’écosystème Microsoft est une donnée du problème.

Un langage en open source, mais des outils d’exécution propriétaires

Le cœur du langage (grammaire, analyseur syntaxique [parser], spécifications) est publié par Microsoft sur GitHub. Ce dépôt est accessible librement et sous licence open source. Donc, KQL est un langage ouvert, dans la même logique que SQL, qui n’appartient à personne. 

Mais dans la pratique, l’immense majorité des usages de KQL se fait via les services propriétaires de Microsoft, ce qui nuance largement la portée de cette ouverture ; contrairement à SQL, dont on trouve de nombreux moteurs open source (PostgreSQL, MySQL, SQLite, etc.) totalement indépendants de tout éditeur commercial.

Faut-il choisir entre les deux?

En réalité, la question se pose rarement en ces termes en entreprise. La plupart des organisations qui utilisent KQL le font en complément de SQL, et non à sa place. Un analyste de données a tout intérêt à considérer les deux langages non pas comme des concurrents, mais comme deux outils répondant à des besoins différents : SQL pour interroger des données métier structurées et stables (en lecture et en écriture), KQL pour explorer rapidement de gros volumes de logs et de données temporelles, en particulier dans un environnement Azure.

Pour un professionnel de la donnée, la bonne nouvelle est que les deux langages partagent une logique de fond assez proche (tables, filtres, agrégations, jointures) ce qui rend le passage de l’un à l’autre plus accessible qu’il n’y paraît. Le véritable enjeu n’est donc pas de choisir un camp, mais de savoir reconnaître, selon la nature des données et l’outil disponible, quel langage utiliser pour poser la bonne question au bon moment. Et vous, quelle expérience avez-vous du langage KQL ? Quelles difficultés ou faiblesses avez-vous éventuellement rencontrées ? Et quels sont vos cas d’utilisation ?

[1] https://learn.microsoft.com/fr-fr/kusto/query/?view=microsoft-fabric

Des milliers d’applications à faire évoluer, du shadow IT à détecter : Paris Aéroports face à un projet d’ampleur en mars 2027

Le 16 mars 2027, tous les terminaux de l’aéroport Paris Charles de Gaulle changent de numérotation! Un casse-tête informatique et organisationnel, et un plaidoyer pour la mise en place d’une gestion des données de référence.

Assis dans le bus qui vous emmène du Terminal 2G au Terminal 2F, votre regard parcourt les affiches d’information collées aux vitres. Et les neurones de votre cerveau dédiés à la gouvernance des données font un bon. Le 16 mars 2027, les terminaux 2E, 2F, 2G deviendront les terminaux 5, 6 et 7. Quant aux numéros de portes, elles changent également, ainsi que la numérotation des parkings. Mon cœur se serre alors, pensant au responsable des référentiels chez ADP, à qui je dédie cet article. Il s’apprête à passer quelques mois stressants. Des mois bien préparés, car ce changement n’interviendra que dix mois, mais dix mois c’est bien court pour un impact majeur sur l’ensemble des installations, des applications, des procédures et des personnels.

Des milliers d’applications informatiques

Évidemment ce qui vient à l’esprit en priorité ce sont les applications informatiques. Y a-t-il une seule application opérationnelle de l’aéroport qui n’inclut pas quelque part des numéros de terminaux et des numéros de portes ? J’en doute.

Chaque vol, chaque mouvement de matériel, chaque employé sont affectés à chaque instant à ce couple terminal/porte. Et ce sont des centaines, peut-être des milliers d’applications informatiques qu’il va falloir mettre à jour. Comment y sont stockées ces références ? Dans des tables propres à l’application, en dur dans le code, dans un référentiel partagé ? La dernière solution serait évidemment la plus facile à mettre à jour. Mais soyons réalistes, même si une gestion des données de référence (MDM) a été mise en place, une revue exhaustive du code de l’ensemble des applications semble indispensable. Et c’est sans compter sur les microapplications cachées, les feuilles Excel et autres documents directement créés par les utilisateurs.

Chez ADP mais également chez tous ses partenaires, compagnies aériennes, services de l’État, prestataires, clients, etc. Car ce couple terminal/porte permet à tous ces intervenants de se comprendre, et aux processus de s’exécuter au bon endroit. Il s’agit donc de coordonner la mise à jour de toutes les interfaces et API avec des dizaines de partenaires du monde entier, dans un écosystème qui ne dort jamais et fonctionne 24 h/24.

Une évolution coordonnée numérique et physique

L’évolution informatique est une chose, mais elle s’accompagne d’une évolution physique. Toute la signalétique dans l’aéroport doit être modifiée, ni trop tôt ni trop tard. J’imagine que des panneaux temporaires seront installés, indiquant les deux dénominations avant/après. J’imagine aussi qu’une fois les habitudes prises, une nouvelle version de l’affichage fera disparaitre les traces de CDG 2E, 2F et 2G. Des milliers de brochures à réimprimer, un peu partout dans le monde, des guides aux voyageurs à mettre à jour, les plans de l’aéroport présents dans les systèmes vidéo de tous les avions des principales compagnies atterrissant à CDG, l’impact physique de ce changement de référentiel est lui aussi colossal.

Des habitudes à modifier (pilotes, agents au sol…)

L’accompagnement du changement est sans doute la partie la plus longue. Pendant combien de mois, ou d’années, les pilotes qui viennent ponctuellement à CDG continueront-ils de parler du 2F et non du T6 ? Ce sont des milliers de « référentiels » présents dans les cerveaux et les habitudes des employés qui passent sur le site, qu’il faut faire évoluer. Et l’on sait combien les habitudes sont difficiles à changer. Ma grand-mère a parlé pendant toute sa vie en anciens francs, alors même que sa nouvelle version était arrivée fin 1958. C’est l’accompagnement humain qui permettra de réaliser cette transition le plus rapidement possible.

De l’importance d’un référentiel (où l’on parle d’ontologie et de MDM)

Évidemment, l’architecture de rêve existe… sur le papier. Une seule et unique table, disponible en temps réel pour toutes les applications, qui contient la liste des terminaux et les portes associées. Une fonction d’historisation intégrée permet de préciser que jusqu’au 15/03/2027 inclus, il est question du Terminal 2G, et que le 16/03/2027 il devient le Terminal 7. Avantage de cette historisation, les comparaisons restent possibles. Le référentiel utilisera l’ancienne dénomination pour les requêtes antérieures et la nouvelle à partir de la date fixée. Aucune modification du code des applications ni des appels aux données. On invoque l’API du référentiel, et il renvoie toujours la bonne valeur. Malheureusement, c’est un rêve ! Car il existe ce que l’on appelle une « dette ». Des applications (par dizaines ou par centaines), des progiciels, des développements cachés, qui ont recopié ou recréé leurs propres tables et ne sont donc connectés à aucun référentiel central. Si ces données étaient cataloguées… cela simplifierait un peu les choses, mais le catalogue, personne n’a jamais voulu faire l’effort de le créer et de le mettre à jour. On en paye chèrement le prix !

Une donnée de référence est une donnée partagée entre plusieurs applications, dont on peut vérifier la qualité, et dont le mode de fonctionnement est stable ; parfaite définition qui colle avec notre liste de terminaux et de portes. Les gérer nécessite une base centrale ; on l’appelle MDM (Master Data Management) ou… comme on veut. Mais elle est disponible à tout instant, en temps réel, interrogeable par toutes les applications. Et cette disponibilité permet d’imposer aux applications de ne pas recopier les données dans leurs propres tables. 

Dérivée de l’ontologie d’entreprise, la gestion des données de référence est une discipline à acquérir. Mais lorsque des modifications d’importance surviennent, comme celles dont nous parlons aujourd’hui, les gains sont majeurs. D’ailleurs, qui a une idée du coût complet de mise à jour de cette liste des terminaux ? 

Face à ce chantier, quelques questions existentielles restent en suspens :

-              D’abord, j’aimerais connaitre la/les personnes en charge de ce projet. Pour les féliciter et leur apporter mon soutien pour les prochains mois. Bravo à vous… si tout se passe bien.

-              Mais je me pose aussi une question… à quelle heure ? Car l’affiche du bus ne le précise pas… Est-ce le 15 mars à minuit que les numéros changeront miraculeusement ? J’ai un vol à 1 h du matin le 16 mars, dois-je m’enregistrer au Terminal 2E porte K, mais embarquer finalement au Terminal 5 portes-D ?

-              Je vous avoue avoir indiqué la date dans mon agenda. Peut-être par superstition pour ne pas prendre un vol ce jour-là, mais je reconnais être également tenté de passer une journée à CDG2 pour vivre ce changement de l’intérieur.

Mauvaise nouvelle, le Terminal 2G restera toujours un cauchemar, avec son bus interminable pour rejoindre le cœur de Roissy. Qu’il s’appelle Terminal 7 n’y changera rien !

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 :

1. Traçabilité juridique : le dispositif doit pouvoir être référé à une norme publique, débattue et amendable.
2. 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.
3. 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 !