Gouvernance des données en 2026 : ce que les CDO doivent vraiment arbitrer

Un responsable données d'un groupe industriel européen témoignait récemment d'une situation que beaucoup reconnaîtront : son équipe avait passé dix-huit mois à cartographier les flux de données personnelles pour se conformer au RGPD, puis avait dû recommencer en grande partie quand le règlement européen sur l'IA (AI Act) est entré en phase d'application. Deux chantiers, deux équipes mobilisées, des référentiels incompatibles. La gouvernance des données avait doublé de coût sans doubler de valeur.

Ce cas illustre une tension structurelle que les CDO gèrent en ce moment dans la plupart des grandes organisations : la multiplication des obligations réglementaires tire la gouvernance vers le bas, vers la documentation et la conformité réactive, tandis que les directions générales attendent que les données alimentent des décisions plus rapides et des produits plus intelligents. Arbitrer entre ces deux logiques, sans disposer de ressources illimitées, est l'essentiel du travail.

Ce qui redessine le terrain en 2026

Plusieurs forces convergent pour rendre le contexte actuel particulièrement exigeant.

Le AI Act européen impose, depuis le début de cette année, des exigences de traçabilité sur les données d'entraînement pour les systèmes classés à haut risque. Concrètement, une organisation qui déploie un modèle d'IA dans les ressources humaines ou le crcrThe percentage of visitors or prospects who complete a desired action (purchase, sign-up, contact form), calculated as conversions divided by total opportunities.Voir la définition complète →édit doit documenter la provenance, la représentativité et les biais potentiels de ses jeux de données d'entraînement. Ce n'est pas une formalité : les autorités nationales de contrôle ont déjà engagé des consultations sectorielles en Allemagne et aux Pays-Bas. Les CDO qui avaient traité la gouvernance comme une obligation RGPD uniquement se retrouvent aujourd'hui avec un angle mort significatif.

Parallèlement, le Data GovernanceData GovernanceData governance is the set of policies, roles, and processes that ensure data is accurate, secure, well-defined, and used responsibly across an organization.Voir la définition complète → Act et le Data Act européens créent des obligations de partage de données, y compris inter-entreprises dans certains secteurs. Pour les groupes industriels avec des données machine ou des données de santé, cela soulève des questions inédites sur la souveraineté des actifs données et les conditions contractuelles avec les fournisseurs de cloud. AWS, Microsoft Azure et Google Cloud ont tous mis à jour leurs conditions contractuelles depuis 2024 pour intégrer certaines de ces obligations, mais les interprétations divergent selon les contrats existants.

Du côté des standards internes, Gartner estimait en 2024 que moins de 30 % des entreprises disposaient d'un catalogue de données actif et maintenu. Ce chiffre, souvent cité, cache une réalité plus complexe : beaucoup d'organisations ont un outil de catalogage (Collibra, Alation, Atlan sont les plus répandus) mais le maintien à jour est insuffisant. Le problème n'est pas technologique, il est organisationnel : personne n'est formellement responsable de la qualité du catalogue dans les lignes métier.

Ce que cela implique concrètement pour le CDO

Redéfinir le périmètre de la gouvernance

La gouvernance des données ne peut plus être conçue comme un programme central géré par une équipe dédiée qui produit des politiques. Ce modèle était déjà fragile, il est désormais intenable face à la vitesse de déploiement des modèles d'IA et à la diversité des contextes réglementaires par pays.

Ce qui fonctionne aujourd'hui, c'est une architecture fédérée : des règles centrales minimales (définitions de données critiques, standards de qualité, obligations réglementaires transversales) et des responsabilités clairement attribuées dans les domaines métier. Le concept de data meshdata meshData Mesh is a decentralized approach to data architecture and organization where domain teams own and serve their data as products, governed by shared standards.Voir la définition complète → popularisé par Zhamak Dehghani reste pertinent ici, à condition de ne pas le réduire à une mode architecturale. L'enjeu est la responsabilité, pas la topologie des plateformes.

Prioriser par le risque, pas par la complétude

Un catalogue à 100 % est une illusion. Forrester le soulignait dès 2023 : les organisations qui cherchent à gouverner toutes leurs données simultanément finissent par ne gouverner rien correctement. La bonne approche consiste à identifier les domaines de données critiques, c'est-à-dire ceux qui alimentent les décisions à fort impact financier ou réglementaire, et à les traiter en priorité absolue.

Pour un groupe bancaire, cela signifie concentrer les efforts sur les données client utilisées dans les modèles de scoring et les données transactionnelles soumises à DORA. Pour un groupe industriel, ce sera les données de production utilisées dans les algorithmes de maintenance prédictive classés haut risque au sens de l'AI Act. La segmentationsegmentationDividing a market into distinct groups of customers who share similar needs, characteristics or behaviours, so each group can be served with a tailored approach.Voir la définition complète → par criticité est l'un des rares outils qui permette de rendre la gouvernance défendable budgétairement face à un CFO sceptique.

Traiter la qualité des données comme un actif financier

La qualité des données a longtemps été présentée comme une préoccupation technique. Elle a une valeur économique directe, quantifiable. IBM estimait (données de 2022, à interpréter avec précaution compte tenu de leur ancienneté) à plusieurs milliers de milliards de dollars par an le coût global des données de mauvaise qualité pour l'économie américaine seule. Indépendamment du chiffre exact, la logique tient : un taux d'erreur de 5 % dans les données client d'une campagne marketing détruit de la valeur de façon mesurable.

Les CDO qui ont réussi à sécuriser des budgets de gouvernance ont presque tous utilisé la même approche : traduire la mauvaise qualité en coût opérationnel visible. Un exemple : chez un assureur français, le CDO avait documenté que 12 % des demandes de remboursement nécessitaient une intervention manuelle à cause de données incohérentes entre systèmes. Le coût de traitement manuel, chiffré précisément, a justifié un programme de réconciliation des référentiels sur deux ans.

Pistes d'action pour les prochains mois

• Cartographier les systèmes d'IA existants dans l'organisation et vérifier lesquels tombent dans les catégories haut risque de l'AI Act. C'est urgent : les délais de mise en conformité courent.
• Auditer les contrats cloud actuels (AWS, Azure, GCP) sur les clauses de portabilité et de souveraineté des données à la lumière du Data Act. Les renégociations prennent du temps.
• Identifier deux ou trois domaines de données critiques et y investir massivement en qualité et en documentation, plutôt que de disperser les efforts sur l'ensemble du patrimoine.
• Formaliser des rôles de data owners dans les directions métier, avec des objectifs mesurables sur la qualité des données dont ils ont la responsabilité. Sans accountability métier, aucun programme de gouvernance centrale ne tient durablement.
• Construire un tableau de bord de qualité des données visible par le COMEX, avec des indicateurs exprimés en termes d'impact métier et non en métriques techniques (taux de complétude, taux de doublons).

La gouvernance des données en 2026 n'est pas plus simple qu'elle ne l'était,