Expertise · Données & IA

Vos projets sont uniques. Vos données de planning, non.

L'objection revient dans presque chaque premier rendez‑vous : « nos projets sont tous différents, une IA ne peut rien apprendre de projets qui ne se répètent pas ». Elle sonne juste, et elle est fausse. Ce qui empêche l'IA d'apprendre de vos projets, ce n'est pas leur singularité. C'est l'état des données que vous lui donnez.

William Gisserot, co-fondateurPublié le 5 octobre 2026

Allée de baies de serveurs dans un centre de données, un technicien au fond.

Le constat : l'unicité est au niveau du projet, pas des activités

J'ai été planificateur sur des programmes de défense. Aucun ne ressemblait au précédent. Pourtant, en descendant d'un niveau dans la structure de découpage, on retrouvait les mêmes familles de travaux : une revue de conception, un essai de qualification, une campagne d'intégration, un approvisionnement de composant long. Leurs durées variaient, mais pas au hasard ; elles variaient selon des facteurs que l'expérience permettait d'anticiper.

L'information existait donc. Elle était seulement illisible pour une machine, et souvent pour un autre humain que son auteur.

Pourquoi ça arrive

Prenez dix plannings d'un même grand groupe et essayez de les comparer. Vous trouverez la même activité nommée de six façons différentes, des liens logiques manquants que le planificateur compensait de tête, des contraintes de date imposées pour forcer un calendrier, des durées gonflées « pour être tranquille ». Chaque planning est cohérent pour celui qui l'a construit. Mis côte à côte, ils ne se parlent pas.

La Société française de management de projet (SMaP) a consacré en 2023 un livre blanc à ce problème. Son constat rejoint le nôtre : les pratiques de structuration des données projet ne permettent pas une analyse fiable, y compris par l'IA, et le groupe de travail propose de revoir plusieurs concepts classiques pour rendre l'information formelle et reliée. Il vise une construction de planning plus rapide d'un à deux ordres de grandeur, et la possibilité de comparer les versions et variantes d'un même projet.

Autrement dit : avant de parler d'algorithme, il faut parler d'hygiène des données.

Ce qui change : une méthode en deux temps

Premier temps : standardiser. On constitue un référentiel commun d'activités, de livrables et de ressources, puis on y rattache l'existant. On passe les plannings historiques au contrôle qualité : liens manquants, durées aberrantes, contraintes abusives, marges négatives. Chaque anomalie est corrigée ou documentée. Le REX cesse d'être un document qu'on relit avant un projet ; il devient une base que l'on interroge.

Second temps : générer. Sur cette base fiabilisée, des modèles peuvent proposer des durées calibrées sur votre historique, reconnaître des séquences récurrentes, générer un planning initial ou plusieurs scénarios. Sauter le premier temps donne des résultats spectaculaires en démonstration et décevants en production.

Ce séquencement a une conséquence pratique que les directions IA sous‑estiment : le premier livrable d'un projet d'IA en planification est un jeu de données propre. Il a de la valeur en soi, avant même le premier modèle.

Sur le terrain

Dans le spatial, des modèles de deep learning entraînés sur les données de l'entreprise ont atteint une précision mesurée de plus de 95 %, appliqués à la correction de non‑qualité et au génératif scheduling. Ce chiffre n'a été possible qu'après un travail de fond sur la qualité des données de planning.

Par où commencer

Prenez trois plannings récents d'une même famille de projets et comptez les façons différentes de nommer une même activité.
Lancez un contrôle qualité sur ces plannings : liens, contraintes, marges, durées extrêmes.
Écrivez un référentiel minimal d'une cinquantaine d'activités types avant d'en viser cinq cents.
Fixez à votre projet d'IA un premier jalon « données fiabilisées », avec ses propres critères d'acceptation.

Questions fréquentes

Faut‑il des données parfaites pour commencer ?

Non. Il faut des données dont on connaît les défauts. Le contrôle qualité est la première étape, pas un prérequis à remplir seul.

Combien de temps prend la phase de standardisation ?

Elle dépend du volume et de l'hétérogénéité de l'historique ; sur un périmètre ciblé, quelques semaines suffisent pour obtenir un premier socle exploitable.

Peut‑on garder nos outils de planification actuels ?

Oui. La standardisation porte sur les données et les référentiels, pas sur l'outil qui produit le planning.

Aller plus loin

Cas d'usage : Détection des non‑qualités et correction de planning
Module : AI LAB
Glossaire : Quality check, REX

Vos plannings sont‑ils prêts pour l'IA ?

Posez la question à un expert

Sources

S. Boutin, G. Turré, Structuring project data — Planning digitalization, livre blanc, groupe de travail SDP/PDS, Société française de management de projet (SMaP), version 18, septembre 2023.