Lunettes connectées noires aux embouts bleus pliées sur une table de café en marbre à côté d'un expresso, une main posée
Cleo
Tous les services →
Outils en ligneVous avez une équipe réglementaire
Évaluation de conformité produitLes textes qui s'appliquent à votre produit, ce qui manque encore et quoi faire, par produit et par marché.La veille produitVoir la démo →Les textes qui visent vos produits et ceux qui changent, dans le périmètre de veille convenu.
Pas sûr de la bonne formule ? On vous oriente.Consultation gratuite →
Services clé en mainVous n'avez personne en interne
Marquage CEDocumentation technique et projet de déclaration UE de conformité, que le fabricant signe.Mandataire dans l'UEUn opérateur établi dans l'Union pour vendre vos produits en Europe : mandat écrit, adresse, dossier, autorités.
Cas clientsLes missions menées avec nos clientsBlogAnalyses et actualités réglementairesAtlas réglementaireLes sources officielles suivies, pays par pays
À propos
FR·ENWhatsAppParler à un expertAnalyser mon produit→
ressources / IA

31 mars 2026 · 5 min de lecture · par Naomie Halioua

↖ tous les articlesNaomie HaliouaNaomie Halioua
Co-fondatrice & CTO, Recherche IA
31 mars 2026 · 5 min de lectureIA

Une question sur la conformité de votre produit ?

Parlons de votre produit et des marchés où vous souhaitez le vendre.

WhatsApp ↗Consultation gratuite ↗

« Un travail de détective qu'on ne devrait pas avoir à faire »

Chaque semaine, je lis des dizaines d'articles de recherche sur l'IA et la conformité réglementaire pour n'en sélectionner qu'un : le plus utile, le plus exploitable, celui qui change vraiment votre regard sur le sujet. Cette semaine, j'ai choisi un article qui ne propose ni nouveau framework ni outil. Il fait quelque chose de plus inconfortable : il interroge les personnes qui font vraiment le travail de conformité, et documente précisément là où les choses échouent.

« Detective Work We Shouldn't Have to Do » : défis pratiques de la qualité des données alignée sur la réglementation dans les systèmes de Machine Learning

Wang, Irion, Groth, Harmouch · arXiv:2602.05944, February 2026

Ce que l’article révèle

Les chercheurs ont interrogé des praticiens de la donnée basés en UE, travaillant sur des systèmes ML dans des industries régulées. Pas des consultants. Pas des académiques. Les personnes qui se lèvent chaque matin en essayant de rendre leurs pipelines de données conformes au RGPD tout en livrant des features dans les délais. Ce qu'ils ont trouvé est un schéma si constant qu'il ressemble presque à un diagnostic.

5 lacunes qui reviennent sans cesse

01

Principes juridiques vs. processus d'ingénierie

Le RGPD dit « qualité des données ». Votre ingénieur de données entend « pas de nulls en prod ». Ce n'est pas la même chose, et personne dans l'organisation ne comble l'écart.

02

Fragmentation des pipelines

La qualité des données est vérifiée à l'ingestion mais se dégrade silencieusement à travers la transformation, l'entraînement et l'inférence. Quand le régulateur pose la question, personne ne peut retracer ce qui s'est passé.

03

Limites des outils

Les outils existants ont été construits pour l'analyses, pas pour la preuve réglementaire. Ils mesurent la complétude et la cohérence : pas si votre traitement est licite au sens de l'Article 5.

04

Brouillard de responsabilité

Le juridique possède la conformité. L'engineering possède la donnée. Personne ne possède la qualité des données alignée sur la réglementation. Chacun suppose que quelqu'un d'autre s'en charge.

05

Culture réactive

La plupart des équipes ne pensent à la qualité des données que quand un audit approche. À ce moment-là, c'est du travail de détective : du rétro-ingénierie de ce qui s'est passé il y a des mois.

Le détail qui change tout

Les praticiens n'ont pas besoin de plus de réglementation. Ils ont besoin d'outils conscients de la conformité : des outils qui comprennent simultanément l'ingénierie des données et les exigences juridiques, pas des outils qui greffent des checklists juridiques sur des pipelines existants.

Pourquoi ça vous concerne

→

Vous êtes DPO ou responsable conformité

Votre plus grand risque en qualité des données n'est pas une défaillance technique. C'est l'écart entre ce que vous pensez que votre pipeline fait et ce qu'il fait vraiment. Cet article vous donne le vocabulaire pour avoir cette conversation avec votre équipe technique.

→

Vous développez un produit IA

L'Article 10 de l'AI Act (gouvernance des données) est systématiquement classé comme l'exigence la plus difficile à implémenter. Cette recherche vous dit exactement où les autres équipes restent bloquées : pour que vous n'ayez pas à l'apprendre à la dure.

→

Votre secteur est régulé (santé, finance, énergie, RH)

Si vous ne pouvez pas démontrer la gouvernance de la qualité des données sur l'ensemble de votre pipeline ML, de la collecte à l'inférence, vous êtes exposé. Pas seulement aux amendes, mais à des décisions qui ne peuvent être ni expliquées ni reproduites.

Comment Cleo gère ça

C'est exactement pour cela que nous avons construit Cleo comme nous l'avons fait. Notre chaîne ne vérifie pas la conformité à un instant donné : il trace l'alignement réglementaire sur l'ensemble du cycle de vie des données, produisant des preuves que votre équipe juridique et votre équipe technique peuvent comprendre.

Référence : Wang, Irion, Groth, Harmouch (2026), « Detective Work We Shouldn't Have to Do » : Practitioner Challenges in Regulatory-Aligned Data Quality in ML Systems, arXiv:2602.05944

Questions fréquentes

Qu'est-ce que la qualité des données alignée sur la réglementation ?

La qualité des données alignée sur la réglementation va au-delà des métriques traditionnelles (complétude, cohérence, exactitude). Elle signifie que chaque étape de votre pipeline ML, de la collecte à l'inférence, respecte les exigences légales de réglementations comme le RGPD Article 5 et l'AI Act Article 10, incluant licéité, limitation des finalités et minimisation des données.

Pourquoi les outils de qualité des données existants échouent-ils pour la conformité ?

Les outils de qualité des données existants ont été conçus pour l'analyses et la business intelligence, pas pour produire des preuves réglementaires. Ils mesurent des métriques techniques comme les taux de null et la cohérence de format, mais ne peuvent pas évaluer si le traitement est licite, si le consentement a été correctement obtenu, ou si le principe de minimisation est respecté tout au long du pipeline ML.

Qu'est-ce que l'Article 10 de l'AI Act ?

L'Article 10 de l'AI Act européen fixe les exigences de gouvernance des données pour les systèmes IA à haut risque. Il impose que les jeux de données d'entraînement, de validation et de test respectent des critères de qualité spécifiques incluant pertinence, représentativité et absence d'erreurs. Il est régulièrement classé par les praticiens comme l'une des exigences les plus difficiles à implémenter.

Sources et références

  1. 01Regulation (EU) 2016/679: General Data Protection Regulation (GDPR)
  2. 02Regulation (EU) 2024/1689: Artificial Intelligence Act

Ressources associées

Petite dashcam noire collée au pare-brise couvert de gouttes de pluie, lumières orange de la rue, chiffon bleu sur le tableau de bord
IA10 mars 2026 · 6 min de lecture

Et si quelqu'un soumettait un faux texte RGPD à votre IA de conformité ?

La plupart des IA de conformité supposent que le texte réglementaire est authentique. Un nouvel article introduit DEF, détectant les documents falsifiés.lire ↗
Meuleuse d'angle qui tranche une barre d'acier dans un atelier sombre, gerbe d'étincelles, gants de travail bleus
IA9 mars 2026 · 8 min de lecture

L'IA multi-agents pour la conformité : Ce que dit la Recherche en 2026

Des études évalué par les pairs de 2026 confirment que l'IA multi-agents peut évaluer la conformité RGPD, AI Act, NIS2 et DORA simultanément.lire ↗
Lave-linge blanc seul dans un champ de blé au coucher du soleil, hublot ouvert au joint bleu
IA13 février 2026 · 6 min de lecture

Construire une IA explicable pour la conformité : pourquoi la transparence est non négociable

Les régulateurs exigent que les décisions de conformité assistées par IA soient auditables et explicables. Les modèles boîte noire créent du risque même quand ils fonctionnent bien. Voici comment construire une IA de confiance.lire ↗

un nouveau produit en préparation ?

Un périmètre et un prix convenus pour votre produit et vos marchés.Voir le produit en action↗
Cleo
tarifscas clientressourcesà proposdevenir expertfaqcontact

la conformité produit, gérée.

anaelle@cleolabs.colinkedin ↗x ↗youtube ↗whatsapp ↗
© 2026 Cleo Corp SAS · Neuilly-sur-Seine
ConfidentialitéCGUSécuritéPlan du site
cleo / fait pour exister.