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.
Les sciences de la donnée constituent les fondations techniques des systèmes data & IA. Mais elles ne suffisent pas à structurer la décision dans les organisations.
👉 Cette question est abordée dans notre guide dédié à l’architecture décisionnelle.
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 ensemble de sciences qui permettent de traiter l’information, de modéliser l’incertitude, de produire des prédictions ou des recommandations et, dans certains cas, d’automatiser certaines opérations participant à la décision.
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 comment un ensemble de sciences se superposent et se répondent pour produire, traiter et interpréter la donnée, construire des modèles et contribuer à la décision.
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.
Elles fournissent les outils nécessaires pour représenter, mesurer et raisonner à partir des données et de l’incertitude. Ce sont les fondations quantitatives.
Mathématiques & statistiques
Probabilités
Statistiques descriptives et inférentielles
Modélisation, optimisation
Séries temporelles
➡️ Elles répondent à : “Que peut-on inférer ? Avec quel niveau de confiance ?”
➡️ “Comment stocker, traiter et faire circuler la donnée à l’échelle ?”
L’algorithmique occupe ici une place particulière : elle formalise les procédures permettant de traiter un problème de manière calculable.
Structures de données, graphes, heuristiques et algorithmes permettent notamment d’organiser la manière dont un système explore, traite ou transforme l’information.
➡️ « Comment transformer un problème en opérations qu’un système peut exécuter ?
Elle s’intéresse à la quantification, à la transmission et au traitement de l’information. Elle permet notamment de travailler sur les notions de signal, bruit, entropie, codage, redondance et compression.
➡️ « Qu’est-ce qui constitue réellement de l’information dans un flux de données ? »
Ces notions sont particulièrement utiles pour comprendre certains enjeux liés aux LLM, à la qualité des données ou encore à la distinction entre signal et bruit.
Parmi les branches importantes de la théorie de l’information de Shannon, on peut citer :
la cryptographie.
le codage de l’information ;
la mesure quantitative de redondance d’un texte ;
la compression de données ;
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
La data science et l’ingénierie des données sont deux domaines interconnectés qui explorent l’utilisation des données pour résoudre des problèmes et générer des informations exploitables.
Exploration de données
Modélisation statistique
Visualisation
Expérimentation
➡️ “Qu’est-ce que les données racontent vraiment ?”
➡️ « Que peut-on prédire, générer, recommander ou automatiser ? »
Puis, juste après, j’ajouterais un court paragraphe :
Cette évolution introduit une distinction importante : ce qu’un système est techniquement capable de faire ne détermine pas, à lui seul, ce que l’organisation l’autorise à faire.
Les capacités des systèmes d’IA ne s’arrêtent toutefois plus à la production d’une prédiction ou d’un contenu. Certains systèmes peuvent recommander une action, mobiliser des outils ou participer directement à son exécution. En savoir plus : Cybersécurité et IA : qui porte la responsabilité ?
KPI , voir notre série Déambulations de Romain qui montre comment un étudiant charche à comprendre les indicateurs de performances et les indcateurs de valeurs.
Mesure de valeur
Expérimentation produit
Pilotage stratégique
➡️ “À quoi sert la donnée pour l’action ?”
Les sciences humaines et sociales autour de la donnée
Parce que les organisations ne sont pas des machines de calcul, la décision ne se réduit ni à l’information disponible ni au calcul. Elle engage notamment :
responsabilité
cognition
perception
biais
pouvoir
C’est pourquoi les sciences humaines et sociales sont également nécessaires pour comprendre la décision dans les organisations.
Les capacités techniques d’un système prennent ainsi place dans une organisation qui répartit déjà des rôles, des responsabilités et des possibilités d’action.
À mesure que les systèmes d’IA interviennent dans davantage d’opérations — produire une information, formuler une recommandation, comparer des options ou engager certaines actions — la question ne se limite plus à savoir si une personne reste ou non « dans la boucle ».
Elle porte sur la manière dont sont réparties les différentes fonctions participant à la décision :
produire et qualifier l’information ;
construire ou réviser une représentation du problème ;
formuler et comparer des options ;
recommander ;
arbitrer ;
autoriser ;
exécuter ;
contrôler les conséquences et, si nécessaire, réviser la décision.
➡️ « Comment se répartissent autorité, responsabilité et capacité d’action lorsque des systèmes d’IA participent à la décision ? »
Cybernétique et systèmes adaptatifs Boucles de rétroaction, régulation, pilotage ➡️ “Comment un système apprend de ses propres effets ?”
Cela permet notamment de relier information → action → effets → rétroaction → ajustement.
Quand les capacités des systèmes soulèvent de nouvelles exigences
À mesure que les systèmes d’IA gagnent en capacités, leur performance ne peut plus être examinée indépendamment des conditions dans lesquelles ces capacités sont utilisées.
Trois questions deviennent notamment indissociables de leur conception et de leur déploiement :
Sécurité. Jusqu’où le système peut-il agir et comment limiter, contrôler ou interrompre son action ? Les progrès récents des modèles en cybersécurité rendent cette question particulièrement concrète.
Traçabilité et transparence. Peut-on identifier l’intervention d’un système d’IA, conserver la trace de ce qu’il a produit ou permis de faire et rendre cette intervention visible lorsque cela est nécessaire ? Depuis le 2 août 2026, l’article 50 de l’AI Act impose notamment certaines obligations de transparence pour les systèmes interactifs et les contenus générés ou manipulés par IA.
Autorité et responsabilité. Une capacité technique ne constitue pas à elle seule une autorisation d’agir. Plus un système peut recommander, utiliser des outils ou engager une action, plus il devient nécessaire d’expliciter son périmètre d’action, les possibilités d’arrêt ou d’escalade et la responsabilité associée.
Gouverner ne consiste pas à décider à la place. Gouverner suppose aussi de rendre explicite l’architecture dans laquelle les décisions se construisent, sont arbitrées, autorisées, mises en œuvre et révisées.
Dans un environnement data & IA, gouverner suppose notamment de rendre explicites :
la manière dont l’information est produite et qualifiée ;
la manière dont le problème est formulé ou révisé ;
les lieux où les options sont construites et les recommandations formulées ;
les lieux et critères d’arbitrage ;
les périmètres d’autorité et d’autorisation ;
la répartition des responsabilités et des capacités d’action ;
les possibilités de refus, d’escalade ou d’arrêt ;
la manière dont les effets sont suivis et les décisions révisées.
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 (construction des options, recommandation, arbitrage, autorisation)
aux sciences humaines (comportements, pouvoir, culture).
Les sciences de la donnée rendent les modèles possibles. Elles ne suffisent pas à expliquer comment se construisent les décisions dans l’organisation, ni comment s’y répartissent autorité, responsabilité et capacité d’action.
Cette question est approfondie dans la page consacrée à l’architecture décisionnelle à l’ère de l’IA, qui explore la manière dont information, arbitrage, autorité, responsabilité et capacité d’action s’articulent dans la fabrique de la décision.
En synthèse — Sciences, disciplines et champs mobilisés 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
Architecture décisionnelle
Configuration des fonctions participant à la décision
Explicitation des relations entre information, recommandation, arbitrage, autorité, responsabilité et capacité d’action
périmètres d’autorité, règles d’escalade, conditions d’arrêt, traçabilité et révision
