La croyance selon laquelle accumuler massivement des données améliore inévitablement la performance des modèles est une méprise courante. Au-delà d'un seuil optimal, les gains sont marginaux tandis que les coûts computationnels explosent. La qualité, la représentativité et le nettoyage priment sur la quantité. Un jeu de données bruyant ou biaisé peut dégrader les prédictions, même avec des millions d'entrées. Par exemple, un algorithme de recrutement entraîné sur dix ans de CV masculins favorisera systématiquement les hommes, indépendamment du volume de fichiers traités. La nuance fondamentale réside dans l'ingénierie des features et la gouvernance : des données ciblées et bien étiquetées surpassent souvent des bases gigantesques mais mal structurées.