Subu Desaraju alerte sur l’IA bâtie sur de mauvaises données

Alerte principale. Les workflows d’intelligence artificielle appliqués aux campagnes, aux textes, aux segments ou à la détection de clients susceptibles de partir héritent des faiblesses des données utilisées. Subu Desaraju, responsable commercial et des opérations chez iceDQ, estime que les résultats restent fragiles lorsque les fondations ne sont pas fiables. « Alors que tout le monde se précipite dans l’IA, je crains vraiment la sortie de ce processus sans les bonnes fondations en matière de données fiables », a-t-il déclaré. Desaraju a travaillé chez Tempur-Pedic, Digitas, WPP et MRM. Ed Poppe a rapporté leur échange dans MarTech, publié le 25 août 2026.

Un risque difficile à voir. Une IA peut produire rapidement une réponse assurée, même lorsqu’elle s’appuie sur des données incorrectes. Une erreur de ton dans un texte se repère souvent. Une mauvaise audience peut rester invisible jusqu’à une plainte client ou une vérification des résultats. Des chiffres incohérents peuvent aussi apparaître dans un tableau de bord. Desaraju observe que les services financiers et la santé contrôlent davantage leurs données. Ces secteurs affrontent notamment les interventions de la FINRA, les risques liés aux données de positions et de transactions, ainsi que les règles de confidentialité. Le marketing grand public et la distribution subissent moins directement ces sanctions, mais leurs segments erronés peuvent toujours orienter les campagnes dans la mauvaise direction.

Subu Desaraju relie données et expérience

Des irritants concrets. Une mauvaise hygiène des données atteint directement les clients, selon l’analyse publiée par Poppe. Une offre de bienvenue peut parvenir à une personne membre depuis dix ans. Un même courriel peut être envoyé trois fois. Une marque peut recommander un produit déjà acheté. Ces incidents donnent l’impression que l’entreprise ne connaît pas réellement son client. Pour Desaraju, cette question doit figurer à l’agenda du directeur marketing, plutôt que rester enfouie dans une feuille de route technologique. Chaque affirmation concernant la connaissance client dépend de ces données. Chaque workflow d’IA construit sur ces informations en reprend également les défauts, parfois sans que les équipes le réalisent.

Un signal mesurable. Desaraju cite le cas d’un client incapable de rapprocher ses rapports d’exécution d’une campagne avec les audiences sélectionnées. L’équipe pensait avoir envoyé un message à trois millions de clients. Elle ne pouvait toutefois confirmer quel message avait atteint quelle personne. Elle ne pouvait pas non plus vérifier la correspondance entre le rapport de diffusion et les définitions initiales des segments. La segmentation et la stratégie étaient jugées solides. La preuve du lien entre le plan et l’envoi manquait pourtant. Cette rupture fragilise la personnalisation. Elle peut aussi exposer un modèle entraîné sur ces historiques à apprendre des associations erronées et à les reproduire à grande échelle.

Les contrôles doivent suivre chaque étape

Une chaîne complète. Les entreprises vérifient souvent leurs données au niveau de la consommation, là où les modèles analytiques, les rapports décisionnels et les équipes métiers les utilisent. Desaraju considère ce contrôle trop tardif. Avant d’arriver à un tableau de bord, une donnée traverse plusieurs systèmes. Elle peut être transformée, rapprochée, segmentée ou modifiée entre les plateformes. Son approche compare la donnée à l’eau d’un réseau urbain. Le réservoir collecte les données. Le système de distribution les filtre et applique des règles. Les canalisations les acheminent vers les applications. Les rapports et tableaux de bord représentent ensuite le point de consommation. Les contrôles doivent donc couvrir chaque étape du parcours. Pour aller plus loin, consultez notre guide sur les usages de l’IA en marketing digital pour PME.