La gestion des données de référence consiste à saisir, modifier et maintenir cohérentes les données de base : données clients, codes produits, informations fournisseurs. Ce travail se déroule entre des systèmes tels qu'un environnement ERP et un outil de gestion des données de référence (master data management), et est aujourd'hui souvent effectué par un gestionnaire de données ou un collaborateur administratif qui contrôle et corrige les enregistrements.
Pour déterminer ce que l'IA peut reprendre ici, nous n'examinons pas l'intitulé de la fonction mais la tâche elle-même, sur huit axes. Trois d'entre eux sont déterminants : le degré de structuration, le volume et le coût des erreurs.
Les données de référence ont une forme fixe. Un enregistrement client comporte un nom, une adresse, un numéro de TVA ; un code produit comporte un nombre fixe de champs. Cette prévisibilité obtient un score élevé sur l'axe de la structuration, et c'est précisément le type de travail sur lequel l'automatisation a une prise solide depuis des décennies. Ajoutez à cela le volume : les entreprises disposant de milliers de fiches clients ou produits ont une tâche qui se répète continuellement, avec les mêmes étapes pour chaque enregistrement. Volume élevé et structuration élevée forment la combinaison dans laquelle l'automatisation basée sur des règles, en l'occurrence la RPA, donne les meilleurs résultats.
Un exemple : un fournisseur change d'adresse. La nouvelle adresse doit être reprise dans le système ERP, dans le système de facturation et dans le portail client. Il s'agit trois fois de remplir le même champ selon une règle fixe. Cela ne demande aucune analyse, mais bien de la cohérence.
C'est là que le bât blesse. Une erreur dans les données de référence se propage : un numéro de TVA erroné entraîne une facture incorrecte, un champ de code produit erroné entraîne des comptages de stock incorrects ou des prix erronés chez le client. L'axe du coût des erreurs n'obtient donc pas un score faible, et il en va de même pour la conformité : de nombreuses données de référence relèvent de règles relatives aux données personnelles ou à l'enregistrement fiscal. Cela ne signifie pas que l'IA n'a aucun rôle à jouer ici, mais bien qu'un traitement entièrement autonome sans contrôle constitue un risque qui n'est pas accepté sans réserve.
La marge d'appréciation est en outre faible : il y a peu de place pour interpréter soi-même ce qu'est une valeur correcte, les règles sont fixées. C'est une bonne nouvelle pour l'automatisation, car la marge d'appréciation est généralement l'axe qui requiert un travail humain. Pour les données de référence, la difficulté ne réside pas dans la décision, mais dans la détection des écarts : une adresse qui n'existe pas, un nom qui ne correspond pas à un enregistrement antérieur. C'est là que le contrôle humain, avec sa motivation d'approbation ou de refus, conserve toute sa valeur.
La majeure partie de la saisie régulière et de la synchronisation entre systèmes est une tâche que l'IA peut reprendre aujourd'hui, à condition que deux conditions préalables soient remplies : des définitions de données univoques, afin qu'il n'y ait aucun doute sur ce qui constitue une valeur valide, et des règles de validation à la saisie, afin que les cas déviants soient repérés avant de se propager. Sans ces deux conditions préalables, la tâche revient automatiquement au troisième bloc : le travail humain, car personne ne peut se fier à ce qui est enregistré automatiquement.
Le changement en cours ici n'est pas la disparition du gestionnaire de données, mais le basculement du contenu de la tâche : de la saisie manuelle à l'évaluation de ce qu'un système a signalé comme déviant. Il s'agit d'un autre type de travail, exigeant un autre type d'attention, et cela nécessite quelqu'un qui comprend pourquoi un enregistrement a été refusé, pas seulement comment le saisir.
Pour une entreprise disposant d'un fichier clients restreint et clair et de peu de variantes de produits, le gain de l'automatisation est limité : le volume est trop faible pour rentabiliser l'investissement dans les règles de validation et les liaisons. Pour une entreprise dont les données source diffèrent fortement — par exemple après une fusion, avec deux systèmes CRM différents qui n'utilisent pas les mêmes champs —, la difficulté ne réside pas dans la saisie mais dans l'établissement préalable de définitions univoques. C'est un travail de fond, ponctuel, à réaliser avant que l'automatisation ne devienne pertinente.
Cet arbitrage entre structure, volume et risque d'erreur ne se limite pas aux données de référence. La même logique revient dans les questions relatives à quel travail du service achats se prête à l'automatisation, où les données fournisseurs et les lignes de commande présentent la même combinaison de répétition et de sensibilité aux erreurs. On retrouve également un arbitrage comparable entre schémas fixes et escalade dans le traitement des questions des utilisateurs sur les logiciels : voir comment l'IA traite les questions des utilisateurs sur les problèmes logiciels. Et lorsque des systèmes eux-mêmes sont surveillés pour détecter des écarts, la logique de détection et de transmission est comparable à ce qui est décrit dans la surveillance des performances des systèmes par l'IA.
Ceci n'est ni un conseil en ressources humaines ni une justification pour une décision relative à une fonction ou à un effectif. Si le résultat de cette analyse est utilisé dans le cadre d'une démarche concernant le personnel, les exigences légales propres à ce domaine s'appliquent, sans que cet article n'y ajoute ou n'y retranche quoi que ce soit. Ce qui est énoncé ici est une affirmation sur la tâche, non sur la personne qui l'exécute actuellement.
Pour voir comment cette répartition se traduit pour votre propre entreprise, il existe le quickscan gratuit : douze questions, aucun compte requis, avec pour résultat une indication de la part des heures de ce profil que l'IA peut reprendre dès aujourd'hui. Le scan de travail complet, qui passe le travail d'une entreprise entière au crible de ces huit axes, tâche par tâche, est encore en construction et sera proposé ici ultérieurement.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.