La SDAIA met en lumière les données synthétiques : comment votre entreprise peut s'en servir pour développer l'IA

Le 31 octobre 2026, la SDAIA a publié une étude de 47 pages intitulée « Les données synthétiques : opportunités, défis et mécanismes de gouvernance ». Les données synthétiques sont générées par des algorithmes pour imiter les propriétés statistiques de vos enregistrements réels sans contenir d'informations sur des personnes réelles. Votre entreprise peut s'en servir de trois façons : tester ses systèmes et entraîner ses modèles sans exposer les informations des clients, générer des cas rares qui lui manquent, comme la fraude, et partager des informations avec un développeur ou un partenaire de façon plus sûre. Mais l'étude prévient qu'elles ne garantissent pas une confidentialité absolue : elles relèvent de la loi sur la protection des données personnelles si l'on peut identifier des personnes à partir d'elles.

Qu'a dit la SDAIA ?

Selon l'annonce de la SDAIA, les données synthétiques peuvent accélérer l'innovation, réduire les coûts de collecte et de préparation et faciliter le partage d'informations entre organismes, en particulier dans les secteurs qui traitent des informations sensibles comme la santé et les services financiers. Mais l'étude elle-même souligne que générer des enregistrements qui imitent les vrais ne supprime pas forcément les risques de réidentification des personnes ni les biais statistiques. L'étude fonde la gouvernance sur quatre dimensions : la protection de la vie privée, la qualité des données, l'équité et la réduction des biais, et la transparence.

L'idée n'est pas nouvelle : l'étude indique que leur premier usage systématique pour protéger la vie privée remonte à 1993, pour préserver la confidentialité du recensement américain, et que le grand saut est venu en 2014 avec les réseaux antagonistes génératifs (GAN). Ce qui change, c'est que l'IA générative les rend plus faciles et moins chères à produire.

3 types de données synthétiques

Selon l'étude, on les génère de trois façons : avec des règles que vous écrivez vous-même, comme une répartition des âges des clients ; avec des modèles statistiques qui apprennent les relations entre variables ; ou avec des modèles d'IA générative, adaptés aux images, aux textes et aux contenus complexes.

Comment votre entreprise peut-elle s'en servir ?

• Tester les systèmes sans informations clients. Votre environnement de développement et de test n'a pas besoin des vrais noms et numéros de mobile de vos clients. Générez des clients, des factures et des transactions synthétiques qui ressemblent aux vrais par leur format et leur répartition, et gardez les enregistrements réels en production uniquement. Vérifiez que les jeux de test ne renvoient pas à de vrais noms de domaine ou adresses ; nous avons vu dans l'histoire du nom d'entreprise fictif qui correspondait à un vrai domaine ce qui arrive dans ce cas.
• Entraîner des modèles sur des cas rares. L'étude indique que le secteur financier s'en sert pour générer des transactions rares afin de détecter la fraude et le blanchiment. La même idée vous aide si vous avez trop peu de cas de fraude, de retours ou de pannes pour entraîner un modèle.
• Mieux représenter les petits groupes. Si vos enregistrements penchent vers une ville ou un segment de clients, les données synthétiques aident à les rééquilibrer pour que le modèle ne soit pas biaisé contre les autres.
• Partager avec un développeur ou un partenaire. Donnez au fournisseur ou à l'éditeur de logiciels des données synthétiques pour construire et tester, au lieu de lui remettre une copie de votre base clients.

Les données synthétiques échappent-elles à la loi sur la protection des données personnelles ?

Pas automatiquement. L'étude précise que les données synthétiques ne sont mentionnées explicitement ni dans la loi sur la protection des données personnelles ni dans son règlement d'application, mais que l'article 9 du règlement dispose que les informations anonymisées ne sont pas personnelles. Tout dépend donc de la réidentification : si l'on peut identifier une personne directement ou indirectement, elles relèvent de la loi ; sinon, elles sont traitées comme anonymes. C'est pourquoi l'étude demande d'évaluer le risque de réidentification, surtout pour les petits échantillons et les cas rares, faciles à relier à des personnes.

L'étude rappelle aussi qu'en 2023 la SDAIA a lancé le premier bac à sable réglementaire de la région pour les données et la vie privée, un espace pour tester les technologies de protection de la vie privée, dont les données synthétiques, sans déroger aux exigences de confidentialité.

4 risques à surveiller

• La réidentification. Le modèle générateur peut mémoriser des motifs précis ou rares des enregistrements réels et exposer une personne précise.
• Un réalisme insuffisant. Les données synthétiques peuvent manquer les cas atypiques et les détails fins : le modèle réussit les tests puis échoue face aux vrais clients.
• La dégradation du modèle. Entraîner des modèles encore et encore sur des contenus générés par d'autres modèles leur fait perdre peu à peu leur diversité, ce que l'étude appelle l'effondrement du modèle.
• La reproduction des biais. Si vos enregistrements d'origine sont biaisés, les données synthétiques peuvent reprendre ce biais, voire l'amplifier.

Étapes concrètes tirées de la feuille de route de la SDAIA

L'étude propose une feuille de route en 3 phases et 6 étapes, dont nous retenons ce qui convient à une entreprise moyenne :

1. Définissez d'abord l'objectif. Les voulez-vous pour tester des logiciels, entraîner un modèle ou les partager avec un tiers ? L'objectif fixe le niveau de précision et de confidentialité requis et l'outil adapté.
2. Désignez un responsable et fixez des règles internes. Qui approuve leur génération et leur usage, et qui répond de leur qualité. Si vous appliquez déjà une gouvernance des données conforme à la SDAIA, ajoutez-y les données synthétiques.
3. Vérifiez la qualité et la confidentialité avant usage. Comparez le jeu synthétique au jeu réel, testez si quelqu'un pourrait réidentifier des personnes, et évaluez le modèle final sur des enregistrements réels indépendants.
4. Documentez le processus de génération. Consignez la source des enregistrements d'origine, l'outil ou le modèle utilisé et ses paramètres, pour que le travail puisse être revu plus tard.
5. Exigez la transparence des fournisseurs. Si vous achetez des données synthétiques ou un outil de génération, demandez des documents sur les sources, le modèle utilisé, les biais connus et ses limites.

Ces étapes s'articulent avec le cadre national de gestion des risques de l'IA. Chez Origami, nous aidons les entreprises à bâtir des environnements de test sur données synthétiques, séparés des vraies informations clients. Contactez-nous si vous souhaitez commencer avec nous.