Pourquoi les projets data échouent dans l’administration – et comment changer la donn(é)e ?

La donnée n’est pas seulement un actif technique : c’est un patrimoine institutionnel stratégique pour les administrations publiques. Devenue un levier puissant de transformation de l’action publique, elle permet :

• de piloter plus finement l’action publique, suivre l’impact des politiques et permettre aux décideurs de réorienter leurs choix ;
• de renforcer la légitimité démocratique et la confiance des citoyens, en faisant de la donnée un bien commun au service de la participation et du contrôle citoyen ;
• d’améliorer l’efficacité des services publics, en promouvant la simplification administrative et la personnalisation des démarches ;
• d’encourager l’innovation, tant publique que privée, et ainsi créer de la valeur.

La donnée est aussi une question de souveraineté pour les administrations : la maîtriser, c’est éviter la dépendance à des acteurs extérieurs, protéger des informations sensibles et garantir la sécurité juridique et technique des systèmes publics.

Fortes de ces convictions, de nombreuses administrations ont lancé leur stratégie data. Mais la réalité est plus nuancée : certaines initiatives restent lettre morte, et trop de projets échouent à produire l’impact attendu. Alors, comment éviter ces écueils et faire en sorte que l’investissement dans la donnée devienne un véritable atout pour les métiers comme pour les citoyens ? Retour sur les enseignement du projet Data Governance in Africa.

Commencer par les besoins, pas par la techno

Beaucoup de projets data naissent sous le signe du technosolutionnisme : on achète une plateforme de datavisualisation, on lance un projet d’IA, on parle de big data ou de blockchain… mais sans avoir défini à quoi tout cela doit réellement servir. Résultat : des solutions séduisantes sur le papier mais déconnectées des usages concrets des agents et des besoins des citoyens. Ce qui manque souvent, c’est une boussole stratégique : quelles politiques publiques veut-on améliorer ? Quels problèmes précis cherche-t-on à résoudre ? Quels résultats souhaite-t-on mesurer ? Sans ce cap partagé, un projet data s’épuise vite dans l’accumulation de données inutilisées.

Une meilleure approche consiste à partir des usages métiers, à co-construire avec les équipes concernées, puis seulement à choisir la technologie la plus adaptée. Dans bien des cas, il suffit de commencer par des solutions simples – fiabiliser un fichier, harmoniser des bases, partager un tableau de bord – plutôt que de viser d’emblée des innovations spectaculaires mais inutilisées ou inutilisables.

💡Cas pratique / Au Bénin, la DGI a été attirée par le potentiel des intelligences artificielles génératives pour normaliser les libellés de factures. L’approche testée avec un modèle de langage a rapidement montré des résultats encourageants : 85 à 90 % de correspondances correctes dès la première itération. Mais les 10 à 15 % restants concernaient des cas ambigus et critiques, impossibles à trancher sans expertise métier. Or, dans la pratique, des agents expérimentés atteignent près de 99 % de précision, à condition de répéter régulièrement cette tâche, certes fastidieuse mais réalisable dans des délais raisonnables. Aucune IA ne peut égaler ni dépasser instantanément l’expertise des métiers : la technologie doit être pensée et utilisée avec les humains, pas à leur place.

S’assurer de disposer de données de qualité homogène

Une donnée fragmentée, incohérente ou mal documentée n’apporte aucune valeur. Elle génère de la confusion, fragilise les analyses et peut conduire à de mauvaises décisions. Dans de nombreuses administrations, chaque service utilise ses propres définitions, formats ou bases de données, ce qui rend les croisements impossibles et l’exploitation hasardeuse. Trop souvent, les projets se retrouvent bloqués pendant des mois sur la seule étape de fiabilisation, faute d’avoir anticipé ces problèmes.

Pour éviter cet écueil, il est indispensable de mettre en place un cadre de qualité des données avec des standards de saisie communs, des contrôles automatiques et un dictionnaire partagé. Chaque direction doit disposer de référents data responsables de la fiabilité et de la documentation, afin de créer un langage commun. Enfin, il est essentiel d’investir dans le nettoyage et l’harmonisation des données avant de lancer des analyses avancées.

💡Cas pratique / Dans le projet de classification des libellés de factures, une limite est apparue immédiatement : il n’existait aucun référentiel fiable permettant de lier chaque libellé à une catégorie précise. L’importance de la méthodologie a été oublié compte tenu de l’effet “magique” attendu d’une solution reposant sur l’intelligence artificielle. Or, sans cette table de référence, impossible d’évaluer rigoureusement la performance du modèle ou d’entraîner un système robuste. En somme, sans cadre méthodique de gestion des données, aucune IA, même la plus performante, ne peut produire des résultats fiables.

Accompagner les équipes et les acculturer à la data

La technologie seule ne transforme pas l’administration : sans adhésion, les outils finissent au placard. Le principal frein n’est pas technique, mais organisationnel. Agents réticents au changement, silos persistants entre directions, crainte d’un contrôle accru ou d’une perte de pouvoir : autant d’obstacles qui peuvent faire échouer un projet. À cela s’ajoute la difficulté à attirer et fidéliser des profils data qualifiés, ce qui laisse certains projets reposer sur quelques experts isolés ou sur une dépendance excessive aux prestataires externes. La clé du succès réside donc également dans l’accompagnement : former les équipes aux usages concrets de la donnée (lecture des indicateurs, exploitation des tableaux de bord), créer un réseau d’ambassadeurs data pour diffuser les bonnes pratiques et, surtout, inscrire la donnée dans la culture organisationnelle plutôt que de la cantonner à une DSI. C’est en donnant aux agents les moyens, la confiance et la légitimité d’utiliser la donnée que celle-ci devient un outil partagé et durable au service de l’action publique.

💡Cas pratique / Pour tester l’approche de classification, l’équipe DATAGOV a travaillé main dans la main avec la Cellule de gestion des Factures Normalisées. Des ateliers de travail ont permis de croiser l’expertise technique et la connaissance métier des agents. Ces échanges ont été décisifs : ils ont aidé à identifier les subtilités fiscales que l’IA seule ne pouvait pas trancher (par ex. exonérations de l’AIB selon le contexte). Cet accompagnement montre que la réussite d’un projet data passe autant par l’acculturation des équipes

Prouver son impact pour passer à l’échelle

Beaucoup de projets data brillent au stade du prototype mais ne dépassent jamais le “Proof of Concept” (POC). Présentés en comité avec des maquettes séduisantes, ils finissent souvent relégués au rang de vitrine technologique sans usage réel. La raison est simple : les décideurs ne sont pas convaincus de leur valeur ajoutée. Sans preuve d’impact et sans trajectoire claire vers la généralisation, un projet data risque de rester un prototype séduisant… mais inutile. Pour qu’un projet survive et grandisse, il doit rapidement démontrer son impact concret.

Pour cela, il faut fixer des indicateurs de valeur dès le lancement : temps gagné pour les agents, économies réalisées, amélioration de la satisfaction des usagers. Ces résultats doivent être suivis et communiqués régulièrement aux décideurs, afin de prouver la pertinence du projet. En parallèle, il est crucial de prévoir un plan d’industrialisation : intégration dans les systèmes métiers existants, budget de maintenance inscrit dans la durée, et montée en charge progressive.

💡Cas pratique / L’expérimentation menée sur un échantillon de factures a permis de produire une cartographie exploratoire des produits et services déclarés. Bien que partielle, cette démonstration a montré aux décideurs que la classification automatique pouvait apporter une réelle valeur ajoutée : repérer des incohérences, détecter des fausses factures, ou encore mettre à jour le secteur d’activité des entreprises. Ces premiers résultats tangibles posent les bases d’un argumentaire solide pour passer à l’échelle et convaincre de poursuivre l’investissement.

Garantir la pérennité de la mise en œuvre du projet

Un projet data n’est jamais véritablement “terminé” : il doit évoluer, intégrer de nouvelles données, s’adapter aux besoins et rester aligné avec les besoins métiers et les priorités politiques. Pourtant, beaucoup s’essoufflent au stade du pilote, faute de financement pour passer à l’échelle, d’intégration aux systèmes métiers existants ou de gouvernance claire.

La clé réside donc dans une approche pérenne : mettre en place une gouvernance simple mais robuste (qui décide, qui valide, qui accède), sécuriser un budget récurrent pour l’exploitation et la maintenance, garantir des ressources humaines dédiées et évaluer régulièrement les impacts pour ajuster la trajectoire. Sans ces garde-fous, un projet data court le risque de rester un POC séduisant mais sans impact réel. Avec, il peut s’inscrire dans la durée et devenir un outil structurant pour l’action publique, facilitant l’activité des agents.

💡Cas pratique / L’approche exploratoire a également révélé les conditions nécessaires à la pérennisation du projet. Pour améliorer la fiabilité des classifications, il faudra constituer un référentiel durable, enrichi et validé régulièrement. De plus, le système devra croiser les libellés avec d’autres dimensions (profil du contribuable, nature de la transaction, historique de facturation) pour produire des analyses robustes. Autrement dit, la pérennité passera par la mise en place d’une gouvernance des données solide, un budget de maintenance récurrent et l’implication continue des équipes métier et techniques.

En conclusion, réussir un projet data en administration n’est pas une affaire de technologie, mais de stratégie, d’organisation et de culture. En partant des usages, en fiabilisant les données, en accompagnant les équipes, en démontrant rapidement la valeur et en assurant la pérennité, les administrations peuvent transformer la donnée en véritable levier d’action publique et de confiance citoyenne. La donnée n’est pas une fin en soi. C’est un moyen puissant de rendre l’action publique plus efficace, plus transparente et plus proche des besoins des citoyens. Et c’est en articulant stratégie, technique et humain que les administrations pourront vraiment transformer l’essai.