En février 2024, Gartner a prédit l’échec de 80 % des initiatives de gouvernance data & analytics d’ici 2027. Le cabinet l’attribuait à l’absence d’une crise « réelle ou fabriquée » pour porter ces programmes. Son analyste Saul Judah citait le Covid-19 et la hausse des coûts de l’énergie. Selon lui, les responsables data qui ont aidé leur organisation à traverser ces crises les avaient comprises, puis avaient vite réorienté leur travail pour aider les dirigeants à y faire face.
Le mot « fabriquée » surprend. Il ne s’agit pas d’inventer un incendie, mais de rattacher la gouvernance à une urgence que la direction reconnaît déjà. Les cinq étapes qui suivent partent de ce principe.
1. Partir de ce qui existe
Il existe souvent une gouvernance informelle : la personne qu’on appelle quand un chiffre semble faux, le fichier Excel qui sert de référence officieuse. Le diagnostic la met au jour. Il recense aussi les données critiques et les obligations qui vous concernent, comme le registre RGPD ou d’éventuels systèmes d’IA à haut risque.
Pour mesurer votre maturité, mieux vaut partir d’une grille existante. Le DCAM de l’EDM Association sert précisément à évaluer ses pratiques de gestion des données, en autoévaluation ou avec un partenaire agréé. Il couvre des exigences comme BCBS 239 ou le RGPD, mais il est réservé aux entreprises membres. Pro tip : un questionnaire court par domaine, refait chaque année, servira davantage qu’un audit de deux cents pages que personne ne relira.
Posez aussi aux équipes une question très concrète : quelle donnée vous a fait perdre du temps le mois dernier ? Et mesurez la situation de départ dès ce stade, faute de quoi vous ne pourrez jamais montrer de progrès.
2. Viser un objectif métier, sur un périmètre étroit
Gartner est net : on ne peut pas viser la qualité partout, et il ne faut pas essayer, parce que toutes les données n’ont pas la même importance. Un périmètre trop large épuise les ressources sans bénéfice pour l’activité. Vouloir cataloguer toutes les données de l’entreprise dès le départ, c’est tomber droit dans ce piège.
Pour choisir, le cabinet propose de classer les cas d’usage selon leur valeur et leur risque : ceux qui cumulent forte valeur et risque sévère passent en premier. Il distingue aussi trois sortes de données. Les données centrales, comme les données de référence, demandent l’accord de nombreuses parties prenantes. Les données régionales sont du ressort d’une business unit, et les données locales relèvent de leurs utilisateurs. Commencer par les données centrales est souvent le plus important, reconnaît Gartner. Mais une organisation sans expérience, ou qui n’a pas encore l’adhésion de toutes les parties prenantes, peut démarrer par des données locales.
Saul Judah le résume ainsi : « un programme de gouvernance D&A qui ne permet pas d’atteindre des résultats métier prioritaires échoue ». Partez donc d’un objectif métier, comme fiabiliser un reporting réglementaire ou débloquer un projet d’IA. Identifiez les données indispensables pour l’atteindre, souvent appelées Critical Data Elements, puis fixez des objectifs chiffrés sur ces données-là, et sur elles seules.
3. Trouver un sponsor et une raison d’agir
Le sponsor tranche quand deux directions ne s’entendent pas, et protège le temps des Data Owners et des stewards. Sans lui, l’équipe data porte le programme seule, et les décisions du comité de gouvernance restent lettre morte.
C’est là que le mot « fabriquée » prend son sens. Un comité de direction finance ce qui lui paraît urgent, et l’urgence est souvent déjà là. Ce peut être une remarque d’audit, un projet d’IA bloqué par ses données ou un chiffre faux présenté au conseil. Ce peut aussi être l’échéance de l’AI Act pour un système à haut risque, fixée à décembre 2027 ou août 2028 selon les cas. Pour convaincre, parlez d’argent et de risque. Le mot « métadonnées » a rarement décroché un budget.
4. Lancer une gouvernance minimale viable
Choisissez un domaine où les problèmes sont visibles et où un responsable métier est prêt à s’engager. Installez-y la plus petite gouvernance qui change réellement quelque chose :
- un Data Owner nommé et un ou deux stewards qui ont vraiment du temps pour ce rôle ;
- un glossaire limité aux termes qui font débat ;
- quelques règles de qualité sur les données critiques, testées automatiquement dans les pipelines ;
- une procédure de traitement des anomalies ;
- un tableau de bord que le sponsor sait lire.
Pour nous, un critère suffit à juger le pilote : à la fin, au moins une décision ou un incident doit avoir été traité autrement grâce au dispositif. Sinon, vous avez produit de la documentation, pas de la gouvernance.
5. Étendre sans tout recentraliser
Après un pilote réussi, la tentation est de tout étendre d’un coup. Mieux vaut rendre réutilisable ce qui a marché (fiches de rôle, format du glossaire, règles de qualité), puis ajouter un domaine à la fois.
Quand les domaines se multiplient, une équipe centrale qui valide tout finit par ralentir tout le monde. Le data mesh répond à ce problème par la gouvernance « fédérée et computationnelle » que décrit Zhamak Dehghani. Les propriétaires des data products de chaque domaine et ceux de la plateforme fixent ensemble des règles globales, que la plateforme applique automatiquement, et chaque domaine décide du reste. Dans son exemple, le modèle d’audience des podcasts est laissé au domaine podcast, alors que la façon d’identifier un auditeur relève des règles globales.
Inutile pour autant de tout décentraliser dès la deuxième vague. Notre article Data Democracy, Data Product, Data Mesh : organiser la donnée pour créer de la valeur réserve le data mesh aux organisations multi-domaines dont l’équipe data centrale est saturée. Pour des structures plus petites, il conseille de commencer par les fondamentaux (architecture Médaillon, premiers data products, gouvernance simple). Il rappelle aussi que sans sponsoring fort de la direction, le data mesh échoue souvent.
Deux pièges qui font dérailler un programme
Commencer trop grand et avancer sans sponsor ont déjà été évoqués. Deux autres pièges méritent qu’on s’y arrête.
Des processus trop lourds
Quand une demande d’accès prend trois semaines, les équipes trouvent un autre chemin, comme un export Excel ou une copie dans un outil non autorisé. La gouvernance crée alors le risque qu’elle devait réduire (c’est notre analyse). Gartner invite d’ailleurs les responsables data à abandonner l’approche qui part du centre et repose sur le commandement et le contrôle. Il leur demande de viser des résultats métier tangibles, d’être attentifs aux opportunités comme aux risques, et de suivre l’évolution de l’organisation. En pratique, adaptez les contrôles à la sensibilité des données et automatisez tout ce qui peut l’être.
Des règles qui ne bougent plus
Une politique de données écrite avant l’arrivée de l’IA générative dans l’entreprise ne dit rien des données d’entraînement ni des agents. Un catalogue dont les descriptions n’ont pas changé depuis son lancement finit par ne plus être ouvert. La réglementation bouge aussi : le calendrier de l’AI Act a été révisé en 2026. Gartner le dit à propos des données prêtes pour l’IA : ce n’est pas un chantier qu’on boucle une fois pour toutes. Donnez à chaque politique un propriétaire et une date de révision. Pour le catalogue, la collecte automatique des métadonnées reste à jour plus longtemps que la saisie manuelle.
Piloter avec peu d’indicateurs, mais avec des seuils
Deux familles d’indicateurs se complètent : l’état des données d’un côté, celui du dispositif de l’autre (rôles, processus, adoption). Pour les données, le Government Data Quality Hub britannique recommande six critères définis par DAMA UK : exactitude, complétude, unicité, cohérence, fraîcheur et validité. Il précise qu’un seul critère ne suffit pas et qu’il faut retenir ceux qui disent si la donnée est adaptée à l’usage prévu. Il demande aussi de mesurer régulièrement les données critiques, parce qu’elles changent avec le temps. Gartner va plus loin dans la sobriété : pour chaque cas d’usage, retenir les deux ou trois indicateurs les plus importants à mesurer et à améliorer.
À notre avis, deux niveaux de tableau de bord suffisent. Les stewards disposent d’une vue de travail mise à jour en continu. Le comité reçoit chaque trimestre une synthèse qui montre une évolution plutôt qu’une photo. Chaque indicateur a besoin d’un propriétaire et d’un seuil qui déclenche une action. Nous suggérons une règle simple : un indicateur qui n’a entraîné aucune décision en deux revues sort du tableau de bord. Sans seuil, un KPI ne sert qu’à décorer.
La crise, réelle ou choisie
Démarrer petit n’a rien d’un aveu de faiblesse. Devant un comité de direction, un pilote qui a changé une décision pèse plus lourd qu’un cadre complet que personne n’applique.
L’IA va rendre l’exercice plus exigeant. Gouverner les données voudra aussi dire décider ce qu’un agent a le droit d’en faire, et qui répond de ses erreurs (c’est notre anticipation, pas une certitude). Gartner le formule à sa manière : des données prêtes pour l’IA demandent aussi des parties prenantes prêtes pour l’IA.
Reste la question de départ, que chaque organisation tranchera pour elle-même : quelle crise, réelle ou choisie, fera passer la gouvernance de la liste des bonnes intentions à l’ordre du jour du comité de direction ?
Questions subsidiaires
- Quelle urgence déjà inscrite à l’agenda de votre direction pourrait porter un programme de gouvernance ?
- Quel domaine réunit chez vous des problèmes visibles et un responsable métier prêt à s’engager ?
- À partir de combien de domaines une équipe centrale de gouvernance deviendrait-elle un goulet d’étranglement chez vous ?
- Quel indicateur de votre tableau de bord actuel n’a déclenché aucune décision depuis deux revues ?
Sources
- Gartner, communiqué du 28 février 2024 sur l’échec prévu de 80 % des initiatives de gouvernance D&A.
- EDM Association, « DCAM Framework ».
- Orrick, « EU AI Act Update: Digital Omnibus Finalizes 8 Compliance Changes », juillet 2026.
- Zhamak Dehghani, « Data Mesh Principles and Logical Architecture », martinfowler.com.
- Gartner, « Lack of AI-Ready Data Puts AI Projects at Risk », 26 février 2025.
- GOV.UK, « Meet the data quality dimensions », 24 juin 2021.
- Gartner, communiqué du 21 septembre 2026 sur la culture et la gouvernance de l’IA.
