On parle beaucoup d’intelligence artificielle.
De ses usages, de ses promesses, de ses risques.
Plus rarement des sciences de la donnée qui la rendent possible — et encore moins de ce qu’elles font à nos manières de décider et de gouverner.
Derrière l’IA, il n’y a pas une entité autonome, mais un empilement de sciences : mathématiques, statistiques, informatique, sciences du traitement de la donnée, sciences de la décision. Des sciences qui transforment le réel en données, les données en modèles, et les modèles en options d’action.
Les sciences mobilisées par les systèmes data et IA.
L’intelligence artificielle ne repose pas sur une seule discipline, mais sur un empilement de sciences qui rendent la décision calculable, observable et parfois automatisable.
Des mathématiques qui modélisent l’incertitude, à l’informatique qui rend les calculs possibles à grande échelle, en passant par les sciences de la donnée qui produisent des modèles et les sciences de la décision qui orientent l’action.
Les sciences humaines, enfin, rappellent que ces systèmes ne fonctionnent jamais hors des collectifs, des responsabilités et des rapports de pouvoir.
Ce schéma ne cherche pas à figer les frontières entre disciplines.
Il montre simplement que la décision augmentée par la donnée repose sur un ensemble de sciences qui se superposent et se répondent.
Poser les sciences de la donnée, ce n’est pas chercher l’exhaustivité ni produire une cartographie figée. C’est accepter de regarder les coulisses : les cadres intellectuels, les hypothèses implicites, les choix de représentation qui orientent silencieusement ce que l’on voit — et ce que l’on ne voit pas.
Cette question est indissociable de celle de la gouvernance de la donnée. Non pas au sens d’une appropriation ou d’un inventaire exhaustif — souvent illusoire dans des systèmes complexes — mais comme une attention portée aux flux de données : là où elles circulent, se transforment, s’anonymisent, produisent (ou non) un impact réel pour les équipes, les produits et les décisions.
Dans les organisations, la donnée n’appartient jamais vraiment à quelqu’un. Elle traverse les métiers, les systèmes, les outils. Chercher à en être “propriétaire” relève souvent davantage de jeux de pouvoir que d’une gouvernance effective. Suivre les flux, en revanche, permet de relier le développement aux usages, les métiers aux clients, et les décisions aux effets observables.
Cet article n’a pas vocation à expliquer l’IA ni à prescrire une méthode. Il ouvre un espace de réflexion sur les fondations scientifiques qui structurent nos environnements décisionnels, et sur la manière dont la donnée peut redevenir un appui pour décider — plutôt qu’un prétexte pour diluer la responsabilité.
Dans l’esprit du Campus, ce texte est volontairement vivant. Il évoluera au fil de l’année, en fonction de l’actualité, des débats émergents, des transformations observées sur le terrain. Les sections qui suivent ouvrent des champs de pensée. Elles seront enrichies, précisées, parfois déplacées, à mesure que le Campus continue d’explorer ce que décider, livrer et gouverner veulent dire à l’ère de la donnée et de l’IA.
Pour une exploration approfondie des tensions invisibles que révèle la gouvernance de la donnée, voir aussi notre article précédent :
“Gouvernance des données : révélateur des tensions invisibles”.
Les sciences de la donnée : les fondations
Ce sont celles qui rendent la donnée lisible, visible. Ce sont les bases.
Les sciences de la donnée : traitement et exploitation
Ici c’est le prolongement mathématique ou les sciences de l’ingénierie qui permettent de rendre la donnée exploitable, et résoudre des problèmes associés
C’est le cœur technique du système data.
Les sciences de la décision et de la valeur
C’est là que la donnée devient une action organisationnelle.
Les sciences humaines et sociales autour de la donnée
Parce que les organisations ne sont pas des machines de calcul, a décision implique notamment :
- responsabilité
- cognition
- perception
- biais
- pouvoir
C’est pourquoi les sciences humaines sont impliquées.
Les sciences émergentes
C’est la gouvernance des systèmes décisionnels augmentés par la donnée.
Gouverner : science de l’architecture décisionnelle
Gouverner ne consiste pas à décider à la place.
Gouverner consiste à concevoir et expliciter l’architecture dans laquelle les décisions deviennent possibles, responsables et cohérentes.
Dans un environnement data & IA, gouverner signifie :
- définir les lieux d’instruction (données, modèles, outils),
- clarifier les lieux d’arbitrage,
- expliciter les responsabilités,
- organiser les boucles d’impact,
- aligner usage, valeur et responsabilité.
Gouverner est donc une fonction transversale :
- aux mathématiques (fiabilité des modèles),
- à l’informatique (robustesse des systèmes),
- à l’exploitation (qualité des flux),
- à la décision (arbitrage),
- aux sciences humaines (comportements, pouvoir, culture).
Les sciences de la donnée rendent les modèles possibles.
Mais elles ne disent pas comment les décisions doivent être portées dans l’organisation.
Cette question est approfondie dans notre page dédiée à l’architecture décisionnelle à l’ère de l’IA, qui explore comment organiser les lieux d’instruction, d’arbitrage et de responsabilité dans des systèmes décisionnels augmentés par la donnée.
👉 Pour une exploration plus approfondie de cette notion, voir la page :
Architecture décisionnelle à l’ère de l’IA
En synthèse – Tableau de structuration des sciences de la donnée mobilisées par les systèmes data & IA
Les sciences de la donnée ne servent pas à produire des chiffres.
Elles servent à transformer l’incertitude du monde en hypothèses d’action.
👉 la vraie maturité data commence quand la donnée cesse d’être un objet technique pour devenir un objet relationnel et politique.
| Domaine scientifique | Ce que la science étudie | Rôle dans les systèmes data / IA | Exemples concrets dans les organisations |
|---|---|---|---|
| Probabilités & statistiques (mathématiques) | Modélisation de l’incertitude et inférence | Estimation, prédiction, apprentissage statistique | scoring client, prévision de demande, détection fraude |
| Optimisation (mathématiques) | Recherche de la meilleure solution sous contraintes | Entraînement des modèles, allocation de ressources | optimisation logistique, pricing dynamique |
| Théorie de l’information | Mesure du signal, du bruit et de l’information | Encodage des données, apprentissage ML, compression | embeddings, tokenisation des LLM |
| Séries temporelles | Modélisation de phénomènes dans le temps | Prévision, détection d’anomalies | prévision ventes, monitoring systèmes |
| Algorithmique (informatique) | Procédures calculables et complexité | Construction des pipelines et modèles | moteurs de recommandation, recherche |
| Bases de données | Organisation et interrogation des données | Stockage et structuration de la donnée | data warehouses, data lakes |
| Systèmes distribués / cloud | Calcul et stockage à grande échelle | Scalabilité des traitements data | plateformes data, infrastructures IA |
| Data engineering | Conception des flux de données | Fiabilité et circulation de la donnée | pipelines ETL, ingestion temps réel |
| Data science | Analyse et modélisation de données | Transformation des données en connaissances | segmentation client, modèles prédictifs |
| Machine learning / IA | Apprentissage automatique à partir des données | Automatisation de tâches cognitives | recommandation, NLP, vision |
| Recherche opérationnelle | Optimisation des décisions complexes | Planification et allocation optimale | supply chain, planning ressources |
| Business / product analytics | Analyse de la performance et de la valeur | Pilotage produit et stratégique | A/B testing, KPI produit |
| Sciences cognitives | Fonctionnement de la cognition humaine | Interaction humain–IA et biais | interprétation des dashboards |
| Sociologie des organisations | Dynamiques de pouvoir et coordination | Impact organisationnel des systèmes data | gouvernance data, conflits d’usage |
| Droit et éthique de l’IA | Normes et responsabilité | Encadrement des systèmes algorithmiques | RGPD, audit algorithmique |
| Cybernétique | Boucles de rétroaction et contrôle | Pilotage de systèmes informationnels | monitoring IA, systèmes adaptatifs |
| Théorie des systèmes | Interaction entre éléments d’un système | Vision systémique des organisations data | architecture data & gouvernance |
| Data literacy | Capacité à lire et critiquer la donnée | Appropriation par les équipes | culture data |
| Data product management | Gestion de la donnée comme produit | création de valeur à partir des données | data products, API data |
| Gouvernance décisionnelle | Architecture des responsabilités | alignement décision / donnée | human-in-the-loop |