diff --git a/apps/backend/tests/api/test_predictions.py b/apps/backend/tests/api/test_predictions.py
index cbc1cb6..184afc6 100644
--- a/apps/backend/tests/api/test_predictions.py
+++ b/apps/backend/tests/api/test_predictions.py
@@ -15,11 +15,14 @@ TARGET_AT = datetime(2026, 9, 16, 13, 0, tzinfo=UTC)
 CREATED_AT = datetime(2026, 9, 16, 12, 0, tzinfo=UTC)
 
 
-def principal(role: Role = Role.LECTEUR) -> Principal:
+def lecteur() -> Principal:
+    # Le garde-fou de rôle (`lecteur` minimum) est déjà couvert par l'ensemble `ROUTES_A_ROLE`
+    # de `tests/api/test_openapi.py` : pas besoin ici d'un paramètre de rôle jamais appelé avec
+    # autre chose que sa valeur par défaut.
     return Principal(
         id=uuid4(),
-        email=f"{role.value}@enervision.fr",
-        role=role,
+        email="lecteur@enervision.fr",
+        role=Role.LECTEUR,
         kind=AccountKind.HUMAIN,
         must_change_password=False,
     )
@@ -57,7 +60,7 @@ def servi(app: FastAPI) -> Iterator[Callable[[], FauxService]]:
     def installe() -> FauxService:
         service = FauxService()
         app.dependency_overrides[get_prediction_service] = lambda: service
-        app.dependency_overrides[get_current_principal] = lambda: principal()
+        app.dependency_overrides[get_current_principal] = lambda: lecteur()
         return service
 
     yield installe
diff --git a/apps/frontend/src/app/core/mocks/predictions.fixture.ts b/apps/frontend/src/app/core/mocks/predictions.fixture.ts
deleted file mode 100644
index 5397e27..0000000
--- a/apps/frontend/src/app/core/mocks/predictions.fixture.ts
+++ /dev/null
@@ -1,99 +0,0 @@
-import { PredictionSummary } from '../../shared/models/prediction.model';
-
-export const PREDICTIONS_FIXTURE: PredictionSummary = {
-  timestamp: '2026-09-18T09:00:00Z',
-  sites: [
-    {
-      site_id: 'SITE001',
-      site_name: 'Bureau Paris La Défense',
-      prediction: {
-        target_at: '2026-09-18T10:00:00Z',
-        target_metric: 'consumption_kwh',
-        period_minutes: 60,
-        predicted_value: 89.2,
-        status: 'available',
-        failure_reason: null,
-        model_reference: 'lightgbm-16b431449a50',
-        created_at: '2026-09-18T09:00:00Z',
-      },
-    },
-    {
-      site_id: 'SITE002',
-      site_name: 'Usine Lyon Vénissieux',
-      prediction: {
-        target_at: '2026-09-18T10:00:00Z',
-        target_metric: 'consumption_kwh',
-        period_minutes: 60,
-        predicted_value: 561.4,
-        status: 'available',
-        failure_reason: null,
-        model_reference: 'lightgbm-16b431449a50',
-        created_at: '2026-09-18T09:00:00Z',
-      },
-    },
-    {
-      site_id: 'SITE003',
-      site_name: 'Data Center Marseille',
-      prediction: {
-        target_at: '2026-09-18T10:00:00Z',
-        target_metric: 'consumption_kwh',
-        period_minutes: 60,
-        predicted_value: null,
-        status: 'insufficient_data',
-        failure_reason:
-          "Historique insuffisant : moins de 168h de consumption_kwh disponibles pour ce site.",
-        model_reference: 'lightgbm-16b431449a50',
-        created_at: '2026-09-18T09:00:00Z',
-      },
-    },
-    {
-      site_id: 'SITE004',
-      site_name: 'Bureau Bordeaux',
-      prediction: {
-        target_at: '2026-09-18T10:00:00Z',
-        target_metric: 'consumption_kwh',
-        period_minutes: 60,
-        predicted_value: 58.9,
-        status: 'available',
-        failure_reason: null,
-        model_reference: 'lightgbm-16b431449a50',
-        created_at: '2026-09-18T09:00:00Z',
-      },
-    },
-    {
-      site_id: 'SITE005',
-      site_name: 'Usine Toulouse',
-      prediction: {
-        target_at: '2026-09-18T10:00:00Z',
-        target_metric: 'consumption_kwh',
-        period_minutes: 60,
-        predicted_value: 402.7,
-        status: 'available',
-        failure_reason: null,
-        model_reference: 'lightgbm-16b431449a50',
-        created_at: '2026-09-18T09:00:00Z',
-      },
-    },
-    {
-      site_id: 'SITE006',
-      site_name: 'Bureau Lille',
-      prediction: {
-        target_at: '2026-09-18T10:00:00Z',
-        target_metric: 'consumption_kwh',
-        period_minutes: 60,
-        predicted_value: 91.3,
-        status: 'available',
-        failure_reason: null,
-        model_reference: 'lightgbm-16b431449a50',
-        created_at: '2026-09-18T09:00:00Z',
-      },
-    },
-    {
-      // Illustre le cas d'un site jamais scoré : `prediction` reste `null`, pas un statut inventé
-      // (même contrat que `PredictionService.summary()` côté backend).
-      site_id: 'SITE007',
-      site_name: 'Data Center Nantes',
-      prediction: null,
-    },
-  ],
-};
diff --git a/apps/frontend/src/app/features/dashboard/dashboard.html b/apps/frontend/src/app/features/dashboard/dashboard.html
index d3c5a87..bd5f927 100644
--- a/apps/frontend/src/app/features/dashboard/dashboard.html
+++ b/apps/frontend/src/app/features/dashboard/dashboard.html
@@ -21,7 +21,13 @@
     </div>
   </header>
 
-  @if (error(); as message) {
+  @if (statsError(); as message) {
+    <ev-alert severity="danger" class="banner-error">{{ message }}</ev-alert>
+  }
+  @if (alertsError(); as message) {
+    <ev-alert severity="danger" class="banner-error">{{ message }}</ev-alert>
+  }
+  @if (predictionsError(); as message) {
     <ev-alert severity="danger" class="banner-error">{{ message }}</ev-alert>
   }
 
@@ -85,7 +91,7 @@
                 <span class="prediction-item__value">
                   {{ prediction.predicted_value | number: '1.0-1' }} kWh
                   <span class="prediction-item__target"
-                    >à {{ prediction.target_at | date: 'HH:mm' }}</span
+                    >{{ prediction.target_at | date: "dd/MM 'à' HH:mm" }}</span
                   >
                 </span>
               } @else {
diff --git a/apps/frontend/src/app/features/dashboard/dashboard.spec.ts b/apps/frontend/src/app/features/dashboard/dashboard.spec.ts
index 120ff25..5d716ae 100644
--- a/apps/frontend/src/app/features/dashboard/dashboard.spec.ts
+++ b/apps/frontend/src/app/features/dashboard/dashboard.spec.ts
@@ -52,7 +52,9 @@ describe('Dashboard', () => {
     expect(predictions.getPredictions).toHaveBeenCalled();
     expect(fixture.componentInstance.alerts().length).toBe(1);
     expect(fixture.componentInstance.predictions().length).toBe(1);
-    expect(fixture.componentInstance.error()).toBeNull();
+    expect(fixture.componentInstance.statsError()).toBeNull();
+    expect(fixture.componentInstance.alertsError()).toBeNull();
+    expect(fixture.componentInstance.predictionsError()).toBeNull();
   });
 
   it("signale l'indisponibilité puis repart au rafraîchissement suivant", () => {
@@ -80,13 +82,13 @@ describe('Dashboard', () => {
 
     vi.advanceTimersByTime(1);
     expect(statsMock.getSummary).toHaveBeenCalledTimes(1);
-    expect(fixture.componentInstance.error()).not.toBeNull();
+    expect(fixture.componentInstance.statsError()).not.toBeNull();
     expect(fixture.componentInstance.stats()).toBeNull();
 
     vi.advanceTimersByTime(10000);
     expect(statsMock.getSummary).toHaveBeenCalledTimes(2);
     expect(fixture.componentInstance.stats()).not.toBeNull();
-    expect(fixture.componentInstance.error()).toBeNull();
+    expect(fixture.componentInstance.statsError()).toBeNull();
   });
 
   it("n'interrompt pas la page quand le chargement des alertes échoue", () => {
@@ -107,6 +109,7 @@ describe('Dashboard', () => {
     fixture.detectChanges();
 
     expect(fixture.componentInstance.alerts().length).toBe(0);
+    expect(fixture.componentInstance.alertsError()).not.toBeNull();
   });
 
   it("n'interrompt pas la page quand le chargement des prévisions échoue", () => {
@@ -130,7 +133,38 @@ describe('Dashboard', () => {
     fixture.detectChanges();
 
     expect(fixture.componentInstance.predictions().length).toBe(0);
-    expect(fixture.componentInstance.error()).not.toBeNull();
+    expect(fixture.componentInstance.predictionsError()).not.toBeNull();
+  });
+
+  it("un rafraîchissement de stats n'efface pas une erreur de prévisions en attente", () => {
+    vi.useFakeTimers();
+    const statsMock = { getSummary: vi.fn().mockReturnValue(of({ total_sites: 7, sites: [] })) };
+    const alertsMock = { getAlerts: vi.fn().mockReturnValue(of([])) };
+    const predictions = {
+      getPredictions: vi.fn().mockReturnValue(throwError(() => new Error('nope'))),
+    };
+
+    TestBed.configureTestingModule({
+      imports: [Dashboard],
+      providers: [
+        { provide: StatsService, useValue: statsMock },
+        { provide: AlertsService, useValue: alertsMock },
+        { provide: PredictionsService, useValue: predictions },
+        provideRouter([]),
+      ],
+    });
+
+    const fixture = TestBed.createComponent(Dashboard);
+    fixture.detectChanges();
+
+    expect(fixture.componentInstance.predictionsError()).not.toBeNull();
+
+    // Plusieurs cycles de `timer(0, 10_000)` (stats) plus tard, l'erreur des prévisions doit
+    // toujours être visible : rien ne vient la rafraîchir tant que la section n'est pas rechargée.
+    vi.advanceTimersByTime(30000);
+
+    expect(fixture.componentInstance.predictionsError()).not.toBeNull();
+    expect(fixture.componentInstance.statsError()).toBeNull();
   });
 
   it('appelle logout et redirige vers /login au clic sur le bouton de déconnexion', () => {
diff --git a/apps/frontend/src/app/features/dashboard/dashboard.ts b/apps/frontend/src/app/features/dashboard/dashboard.ts
index d41d258..3671919 100644
--- a/apps/frontend/src/app/features/dashboard/dashboard.ts
+++ b/apps/frontend/src/app/features/dashboard/dashboard.ts
@@ -1,4 +1,4 @@
-import { Component, OnInit, inject, signal, DestroyRef } from '@angular/core';
+import { Component, OnInit, inject, signal, DestroyRef, WritableSignal } from '@angular/core';
 import { takeUntilDestroyed } from '@angular/core/rxjs-interop';
 import { timer, switchMap, catchError, EMPTY, Observable } from 'rxjs';
 import { DecimalPipe, DatePipe } from '@angular/common';
@@ -67,32 +67,44 @@ export class Dashboard implements OnInit {
   stats = signal<StatsSummary | null>(null);
   alerts = signal<Alert[]>([]);
   predictions = signal<SitePredictionSummary[]>([]);
-  error = signal<string | null>(null);
+
+  // Un signal par flux, pas un seul `error` partagé : sinon le tick suivant de `timer` (stats)
+  // efface silencieusement un message d'échec des prévisions ou des alertes après 10s au plus,
+  // sans retry ni indication pour l'utilisateur que la section correspondante est restée vide.
+  statsError = signal<string | null>(null);
+  alertsError = signal<string | null>(null);
+  predictionsError = signal<string | null>(null);
 
   ngOnInit(): void {
     this.alertsService
       .getAlerts()
-      .pipe(catchError(() => this.reportUnavailable()))
-      .subscribe((alerts) => this.alerts.set(alerts));
+      .pipe(catchError(() => this.reportUnavailable(this.alertsError)))
+      .subscribe((alerts) => {
+        this.alertsError.set(null);
+        this.alerts.set(alerts);
+      });
 
     // Les prévisions viennent d'un scoring hors ligne, pas d'un calcul à la demande : un seul
     // chargement au démarrage suffit, pas besoin du rafraîchissement périodique de `stats`.
     this.predictionsService
       .getPredictions()
-      .pipe(catchError(() => this.reportUnavailable()))
-      .subscribe((summary) => this.predictions.set(summary.sites));
+      .pipe(catchError(() => this.reportUnavailable(this.predictionsError)))
+      .subscribe((summary) => {
+        this.predictionsError.set(null);
+        this.predictions.set(summary.sites);
+      });
 
     // Piège : le catchError porte sur l'observable interne. Sur le flux externe il
     // terminerait le timer, et le rafraîchissement ne repartirait jamais.
     timer(0, REFRESH_INTERVAL_MS)
       .pipe(
         switchMap(() =>
-          this.statsService.getSummary().pipe(catchError(() => this.reportUnavailable())),
+          this.statsService.getSummary().pipe(catchError(() => this.reportUnavailable(this.statsError))),
         ),
         takeUntilDestroyed(this.destroyRef),
       )
       .subscribe((stats) => {
-        this.error.set(null);
+        this.statsError.set(null);
         this.stats.set(stats);
       });
   }
@@ -116,8 +128,8 @@ export class Dashboard implements OnInit {
     });
   }
 
-  private reportUnavailable(): Observable<never> {
-    this.error.set(UNAVAILABLE_MESSAGE);
+  private reportUnavailable(target: WritableSignal<string | null>): Observable<never> {
+    target.set(UNAVAILABLE_MESSAGE);
     return EMPTY;
   }
 }
diff --git a/docs/architecture/00-vue-ensemble.md b/docs/architecture/00-vue-ensemble.md
index 26b890e..a650a1e 100644
--- a/docs/architecture/00-vue-ensemble.md
+++ b/docs/architecture/00-vue-ensemble.md
@@ -75,7 +75,7 @@ collecteur ne vient le lire.
 | Domaine | Technologie | Emplacement | Statut | Ce qui existe réellement |
 |---|---|---|---|---|
 | Backend | FastAPI, Python 3.14 | `apps/backend` | `En cours` | Factory, configuration, journalisation, 2 sondes de santé, `/metrics`, contrat OpenAPI versionné, routes `sites`, `alerts`, `recommendations`, `stats/summary`, `readings`, `sensors/status` et `predictions` en lecture (endpoints → services → repositories → models) |
-| Frontend | Angular 22, Node 24 | `apps/frontend` | `En cours` | Tableau de bord sur route `/dashboard`, deux services HTTP, graphiques Chart.js, données servies par des fixtures |
+| Frontend | Angular 22, Node 24 | `apps/frontend` | `En cours` | Tableau de bord sur route `/dashboard`, authentification complète (garde de route, intercepteur de jeton), cinq services HTTP, graphiques Chart.js. `stats`/`alerts` sur fixtures, `predictions` branché sur l'API réelle |
 | Base | PostgreSQL 17 + TimescaleDB | `db` | `Fait` | Bootstrap de l'extension, base de test, chaîne Alembic. Schéma applicatif créé (`site`, `dataset`, `reading` en hypertable, `prediction`, `alert`, `recommendation`) |
 | ML | LightGBM, MLflow | `ml` | `En cours` | Pipeline d'entraînement et de scoring (`enervision_ml.train`/`.score`, features par lags/moyennes glissantes partagées entre les deux, baseline de persistance saisonnière, suivi MLflow local), exposé en lecture via `GET /predictions`. Voir [ADR 0005](../adr/0005-modele-prediction-lightgbm.md) et [ML-START.md](../../ML-START.md). Automatisation (Airflow) et surveillance de dérive (EC06, #44/#45) pas encore construites |
 | Infra | Terraform, k3s single-node | `infra/terraform` | `En cours` | Module d'installation du cluster. Jamais appliqué, aucune ressource Kubernetes déclarée |
diff --git a/docs/architecture/20-backend.md b/docs/architecture/20-backend.md
index 308a8bf..f60397d 100644
--- a/docs/architecture/20-backend.md
+++ b/docs/architecture/20-backend.md
@@ -205,19 +205,6 @@ par exemple `limit` hors bornes). Un datetime sans fuseau dans `start`/`end` est
 l'UTC plutôt que rejeté : le comparer tel quel à `reading.timestamp` (`timestamptz`) échouerait
 côté pilote, en `500` plutôt qu'un refus propre.
 
-`GET /readings` reprend le même gabarit mais s'en écarte sur un point : `reading` est l'hypertable,
-donc la seule table métier pouvant porter des années d'historique, ce que `docs/architecture/
-owasp-traceabilite.md` documentait comme un risque ouvert (API4, aucune pagination plafonnée ni
-fenêtre temporelle maximale). `ReadingService` porte donc une couche de validation absente des
-autres routes de lecture : `start`/`end` sont optionnels (24 dernières heures par défaut si les
-deux sont omis, l'un défaut par rapport à l'autre sinon), l'écart entre les deux est plafonné à 90
-jours (`FENETRE_MAXIMALE`), et `limit`/`offset` (défaut 500, plafond 2000) empêchent qu'une fenêtre
-large mais peu dense reste malgré tout coûteuse. Un dépassement de plafond répond `400` (règle
-métier, portée par le service) plutôt que `422` (réservé à la validation structurelle de FastAPI,
-par exemple `limit` hors bornes). Un datetime sans fuseau dans `start`/`end` est traité comme de
-l'UTC plutôt que rejeté : le comparer tel quel à `reading.timestamp` (`timestamptz`) échouerait
-côté pilote, en `500` plutôt qu'un refus propre.
-
 ### `/health/ready`
 
 Cette sonde porte une garde décrite dans l'[ADR 0001](../adr/0001-postgresql-timescaledb.md) : un
diff --git a/docs/architecture/30-frontend.md b/docs/architecture/30-frontend.md
index b7f6d10..fb10f92 100644
--- a/docs/architecture/30-frontend.md
+++ b/docs/architecture/30-frontend.md
@@ -31,10 +31,11 @@ Ce qui est en place :
 
 Ce qui n'existe pas encore :
 
-- **Aucun endpoint métier réel derrière l'écran du tableau de bord.** `GET /api/v1/stats/summary`,
-  `GET /api/v1/alerts` et `GET /api/v1/predictions` sont servis par l'intercepteur de fixtures ;
-  l'API expose bien ces routes désormais, mais rien ne bascule `useMockFixtures` à `false` en
-  développement pour les consommer réellement.
+- **`stats`/`alerts` restent sur fixtures.** `GET /api/v1/stats/summary` et `GET /api/v1/alerts`
+  sont servis par l'intercepteur de fixtures ; l'API expose bien ces routes désormais, mais rien
+  ne bascule `useMockFixtures` à `false` en développement pour les consommer réellement.
+  `GET /api/v1/predictions` fait exception : jamais mocké, branché sur l'API réelle depuis cette
+  PR (voir plus bas).
 - Aucun état de chargement : tant que la première réponse n'est pas arrivée, la page reste vide.
 - Aucun lint : ESLint n'est pas installé.
 
@@ -85,10 +86,12 @@ sequenceDiagram
   S-->>C: modèle typé
 ```
 
-`mockApiInterceptor` n'intercepte que `/stats/summary`, `/alerts` et `/predictions`, et seulement
-si `environment.useMockFixtures` est vrai. Le drapeau est à `true` en développement, à `false` en
-production : toute autre requête (dont tout ce qui touche `/auth`), et toutes les requêtes en
-production, suivent le chemin réel.
+`mockApiInterceptor` n'intercepte que `/stats/summary` et `/alerts`, et seulement si
+`environment.useMockFixtures` est vrai. Le drapeau est à `true` en développement, à `false` en
+production : toute autre requête, et toutes les requêtes en production, suivent le chemin réel.
+`/predictions` est volontairement exclu de cette liste (contrairement à `stats`/`alerts`) : il
+suit toujours le chemin réel, comme `/auth/*` - en développement, ça veut dire qu'un jeton valide
+et un backend joignable sont nécessaires pour que la section prévisions du dashboard s'affiche.
 
 En développement, `proxy.conf.json` redirige tout `/api` vers `http://localhost:8000`. C'est ce
 qui évite le CORS sur le poste, et c'est pourquoi `environment.development.ts` se contente d'un
diff --git a/ml/enervision_ml/data.py b/ml/enervision_ml/data.py
index 6e08b54..f8e7bf9 100644
--- a/ml/enervision_ml/data.py
+++ b/ml/enervision_ml/data.py
@@ -119,6 +119,11 @@ def _typer(frame: pd.DataFrame) -> pd.DataFrame:
     LightGBM refuse ("pandas dtypes must be int, float or bool"). `pd.to_numeric` corrige aussi
     n'importe quelle autre colonne mesuree entierement absente sur une fenetre de scoring, pas
     seulement `capacity_kw`.
+
+    Piege additionnel : `NUMERIC_COLUMNS` inclut `consumption_kwh`, la cible du modele, pas
+    seulement des variables explicatives. Une valeur non numerique y devient donc silencieusement
+    `NaN` aussi bien a l'entrainement (ou `train.py` l'exclura ensuite via son `dropna`) qu'au
+    scoring -- ce n'est pas un effet de bord limite aux colonnes mesurees.
     """
     typee = frame.copy()
     for colonne in NUMERIC_COLUMNS:
diff --git a/ml/enervision_ml/score.py b/ml/enervision_ml/score.py
index adf9634..c0b7e3f 100644
--- a/ml/enervision_ml/score.py
+++ b/ml/enervision_ml/score.py
@@ -30,6 +30,13 @@ from enervision_ml.features import TARGET_COLUMN, WEATHER_COLUMNS, build_feature
 # Marge au-dessus des 168h necessaires au lag hebdomadaire, pour absorber les trous de mesure.
 LOOKBACK = timedelta(days=21)
 
+# Au-dela de ce seuil, la derniere lecture d'un site est trop vieille pour que "l'heure
+# suivante" ait un sens operationnel : ce n'est plus une prevision a un pas, c'est un site dont
+# l'ingestion s'est probablement arretee. Sans cette borne, `build_scoring_frame` produirait
+# quand meme un `target_at` (derniere lecture + 1h), et rien en aval (ni l'API, ni le dashboard)
+# ne distingue une prevision fraiche d'une prevision vieille de plusieurs jours.
+MAX_STALENESS = timedelta(hours=24)
+
 TARGET_METRIC = "consumption_kwh"
 PERIOD_MINUTES = 60
 LAG_168H_COLUMN = f"{TARGET_COLUMN}_lag_168h"
@@ -38,6 +45,14 @@ INSUFFICIENT_DATA_REASON = (
 )
 
 
+def _stale_reason(age: pd.Timedelta) -> str:
+    return (
+        f"Dernière lecture vieille de {age.total_seconds() / 3600:.0f}h "
+        f"(seuil {MAX_STALENESS.total_seconds() / 3600:.0f}h) : ingestion probablement "
+        "arrêtée pour ce site."
+    )
+
+
 @dataclass(frozen=True, slots=True)
 class ScoredSite:
     site_id: str
@@ -86,10 +101,31 @@ def build_scoring_frame(recent: pd.DataFrame, *, site_id: str | None = None) ->
     return features.groupby("site_id", as_index=False, sort=False).tail(1).reset_index(drop=True)
 
 
-def score(booster: lgb.Booster, scoring_frame: pd.DataFrame) -> list[ScoredSite]:
+def score(
+    booster: lgb.Booster, scoring_frame: pd.DataFrame, *, instant: datetime
+) -> list[ScoredSite]:
     resultats: list[ScoredSite] = []
 
-    insuffisants = scoring_frame[scoring_frame[LAG_168H_COLUMN].isna()]
+    # `timestamp` de la ligne de scoring vaut derniere lecture + 1h (cf. `build_scoring_frame`) :
+    # on en deduit l'age de cette derniere lecture par rapport a `instant`.
+    travail = scoring_frame.copy()
+    travail["_age"] = instant - (travail["timestamp"] - pd.Timedelta(hours=1))
+
+    perimes = travail[travail["_age"] > MAX_STALENESS]
+    for enregistrement in _records(perimes):
+        resultats.append(
+            ScoredSite(
+                site_id=enregistrement["site_id"],
+                target_at=enregistrement["timestamp"].to_pydatetime(),
+                status="insufficient_data",
+                predicted_value=None,
+                failure_reason=_stale_reason(enregistrement["_age"]),
+            )
+        )
+
+    a_jour = travail[travail["_age"] <= MAX_STALENESS]
+
+    insuffisants = a_jour[a_jour[LAG_168H_COLUMN].isna()]
     for enregistrement in _records(insuffisants):
         resultats.append(
             ScoredSite(
@@ -101,7 +137,7 @@ def score(booster: lgb.Booster, scoring_frame: pd.DataFrame) -> list[ScoredSite]
             )
         )
 
-    suffisants = scoring_frame[scoring_frame[LAG_168H_COLUMN].notna()]
+    suffisants = a_jour[a_jour[LAG_168H_COLUMN].notna()]
     if not suffisants.empty:
         typee = suffisants.copy()
         typee["site_type"] = typee["site_type"].astype("category")
@@ -163,20 +199,23 @@ def write_predictions(
     connection.execute(_INSERT_PREDICTION, lignes)
 
 
-def _load_recent(*, csv_path: Path | None, now: datetime | None) -> tuple[pd.DataFrame, datetime]:
-    if csv_path is not None:
-        brute = load_from_csv(csv_path)
-        instant = now or (
-            brute["timestamp"].max().to_pydatetime() if not brute.empty else datetime.now(UTC)
-        )
-        return brute[brute["timestamp"] >= instant - LOOKBACK], instant
+def _load_recent_from_csv(csv_path: Path, *, now: datetime | None) -> tuple[pd.DataFrame, datetime]:
+    brute = load_from_csv(csv_path)
+    instant = now or (
+        brute["timestamp"].max().to_pydatetime() if not brute.empty else datetime.now(UTC)
+    )
+    return brute[brute["timestamp"] >= instant - LOOKBACK], instant
 
-    instant = now or datetime.now(UTC)
-    engine = create_engine(config.database_url())
-    try:
-        return load_recent_from_database(engine, since=instant - LOOKBACK), instant
-    finally:
-        engine.dispose()
+
+def _score_frame(
+    recent: pd.DataFrame, *, model_path: Path, site_id: str | None, instant: datetime
+) -> list[ScoredSite]:
+    scoring_frame = build_scoring_frame(recent, site_id=site_id)
+    if scoring_frame.empty:
+        return []
+
+    booster = lgb.Booster(model_file=str(model_path))
+    return score(booster, scoring_frame, instant=instant)
 
 
 def run_scoring(
@@ -190,29 +229,27 @@ def run_scoring(
 
     En mode `--csv`, rien n'est ecrit : c'est un instantane historique fige (l'heure "future"
     calculee n'existe dans aucune base reelle), utile pour valider le pipeline sans base
-    joignable, cf. `ml/README.md`.
+    joignable, cf. `ml/README.md`. `site_id` n'est filtre qu'une fois, dans
+    `build_scoring_frame` : le filtrer aussi ici serait redondant.
     """
-    recent, _instant = _load_recent(csv_path=csv_path, now=now)
-    if site_id is not None:
-        recent = recent[recent["site_id"] == site_id]
+    if csv_path is not None:
+        recent, instant = _load_recent_from_csv(csv_path, now=now)
+        return _score_frame(recent, model_path=model_path, site_id=site_id, instant=instant)
 
-    scoring_frame = build_scoring_frame(recent, site_id=site_id)
-    if scoring_frame.empty:
-        return []
+    # Un seul engine pour la lecture et l'ecriture de ce run, plutot qu'un par etape.
+    engine = create_engine(config.database_url())
+    try:
+        instant = now or datetime.now(UTC)
+        recent = load_recent_from_database(engine, since=instant - LOOKBACK)
+        resultats = _score_frame(recent, model_path=model_path, site_id=site_id, instant=instant)
 
-    booster = lgb.Booster(model_file=str(model_path))
-    resultats = score(booster, scoring_frame)
-
-    if csv_path is None:
         reference = model_reference(model_path)
-        engine = create_engine(config.database_url())
-        try:
-            with engine.begin() as connection:
-                write_predictions(connection, resultats, reference=reference)
-        finally:
-            engine.dispose()
+        with engine.begin() as connection:
+            write_predictions(connection, resultats, reference=reference)
 
-    return resultats
+        return resultats
+    finally:
+        engine.dispose()
 
 
 def parse_args() -> argparse.Namespace:
diff --git a/ml/tests/test_data.py b/ml/tests/test_data.py
index 0a1f022..0aa42a1 100644
--- a/ml/tests/test_data.py
+++ b/ml/tests/test_data.py
@@ -1,34 +1,55 @@
+from pathlib import Path
+
 import pandas as pd
 
-from enervision_ml.data import NUMERIC_COLUMNS, OUTPUT_COLUMNS, _typer
+from enervision_ml.data import NUMERIC_COLUMNS, load_from_csv
+
+_CSV_HEADER = (
+    "site_id,timestamp,consumption_kwh,temperature_celsius,humidity_percent,"
+    "solar_irradiance_wm2,is_working_hours,site_type"
+)
 
 
-def make_frame_with_object_dtype_capacity() -> pd.DataFrame:
-    # Reproduit ce que `pd.read_sql` renvoie pour une colonne entierement `NULL` en base :
-    # dtype `object` rempli de `None`, pas `float64` rempli de `NaN`.
-    frame = pd.DataFrame(
-        {colonne: [1.0, 2.0] for colonne in OUTPUT_COLUMNS if colonne not in NUMERIC_COLUMNS}
+def write_csv(tmp_path: Path, *lignes: str) -> Path:
+    csv_path = tmp_path / "recent.csv"
+    csv_path.write_text("\n".join([_CSV_HEADER, *lignes]) + "\n")
+    return csv_path
+
+
+def test_load_from_csv_types_every_numeric_column_as_float(tmp_path: Path) -> None:
+    csv_path = write_csv(tmp_path, "SITE001,2026-01-01T00:00:00,10.5,15.0,50.0,0.0,True,office")
+
+    frame = load_from_csv(csv_path)
+
+    for colonne in NUMERIC_COLUMNS:
+        assert frame[colonne].dtype == "float64"
+
+
+def test_load_from_csv_coerces_a_corrupted_measurement_to_nan(tmp_path: Path) -> None:
+    # Reproduit une valeur de capteur corrompue plutot que vraiment manquante : `pandas` type
+    # alors la colonne entiere en `object`, pas en `float64` rempli de `NaN` -- le meme genre de
+    # divergence de typage que celle que `pd.read_sql` produit sur une colonne SQL entierement
+    # `NULL` (cf. `site.capacity_kw`, jamais peuplee par aucun pipeline d'ingestion aujourd'hui).
+    csv_path = write_csv(
+        tmp_path,
+        "SITE001,2026-01-01T00:00:00,10.5,15.0,50.0,0.0,True,office",
+        "SITE001,2026-01-01T01:00:00,capteur_hs,15.2,50.5,0.0,True,office",
     )
-    for colonne in NUMERIC_COLUMNS:
-        frame[colonne] = pd.Series([None, None], dtype="object")
-    return frame
+
+    frame = load_from_csv(csv_path)
+
+    assert frame["consumption_kwh"].dtype == "float64"
+    assert frame["consumption_kwh"].iloc[0] == 10.5
+    assert pd.isna(frame["consumption_kwh"].iloc[1])
 
 
-def test_typer_coerces_an_all_null_object_column_to_float() -> None:
-    frame = make_frame_with_object_dtype_capacity()
+def test_load_from_csv_always_types_capacity_kw_as_float(tmp_path: Path) -> None:
+    # `capacity_kw` n'existe pas dans ce CSV : `load_from_csv` la pose elle-meme a `NaN`. Cette
+    # affectation directe est deja un `float`, contrairement au cas `pd.read_sql` -- ce test
+    # garde le contrat visible malgre tout, au cas ou l'implementation changerait.
+    csv_path = write_csv(tmp_path, "SITE001,2026-01-01T00:00:00,10.5,15.0,50.0,0.0,True,office")
 
-    typee = _typer(frame)
+    frame = load_from_csv(csv_path)
 
-    for colonne in NUMERIC_COLUMNS:
-        assert typee[colonne].dtype == "float64"
-        assert typee[colonne].isna().all()
-
-
-def test_typer_preserves_real_numeric_values() -> None:
-    frame = make_frame_with_object_dtype_capacity()
-    frame["capacity_kw"] = pd.Series([100.0, None], dtype="object")
-
-    typee = _typer(frame)
-
-    assert typee["capacity_kw"].tolist()[0] == 100.0
-    assert pd.isna(typee["capacity_kw"].tolist()[1])
+    assert frame["capacity_kw"].dtype == "float64"
+    assert pd.isna(frame["capacity_kw"].iloc[0])
diff --git a/ml/tests/test_score.py b/ml/tests/test_score.py
index 28b0af5..fb3e015 100644
--- a/ml/tests/test_score.py
+++ b/ml/tests/test_score.py
@@ -8,6 +8,7 @@ import pytest
 from enervision_ml.features import TARGET_COLUMN
 from enervision_ml.score import (
     LAG_168H_COLUMN,
+    MAX_STALENESS,
     ScoredSite,
     build_scoring_frame,
     model_reference,
@@ -123,12 +124,23 @@ def test_build_scoring_frame_returns_empty_when_there_is_no_recent_reading() ->
     assert scoring_frame.empty
 
 
+def target_at_for(depart: datetime, heures: int) -> datetime:
+    """`target_at` que produira `build_scoring_frame` pour ce jeu synthetique (derniere lecture
+    + 1h) : l'utiliser comme `instant` donne un age d'1h, largement sous le seuil de peremption,
+    pour les tests qui ne visent pas ce filtre."""
+    return depart + timedelta(hours=heures)
+
+
 def test_score_marks_insufficient_history_without_calling_the_model() -> None:
     depart = datetime(2026, 1, 1, tzinfo=UTC)
     scoring_frame = build_scoring_frame(make_recent("site-a", heures=100, depart=depart))
     booster = FakeBooster()
 
-    resultats = score(booster, scoring_frame)  # type: ignore[arg-type]
+    resultats = score(
+        booster,  # type: ignore[arg-type]
+        scoring_frame,
+        instant=target_at_for(depart, 100),
+    )
 
     assert resultats == [
         ScoredSite(
@@ -147,7 +159,11 @@ def test_score_predicts_when_history_is_sufficient() -> None:
     scoring_frame = build_scoring_frame(make_recent("site-a", heures=200, depart=depart))
     booster = FakeBooster(valeur=99.5)
 
-    resultats = score(booster, scoring_frame)  # type: ignore[arg-type]
+    resultats = score(
+        booster,  # type: ignore[arg-type]
+        scoring_frame,
+        instant=target_at_for(depart, 200),
+    )
 
     assert len(resultats) == 1
     assert resultats[0].status == "available"
@@ -156,6 +172,37 @@ def test_score_predicts_when_history_is_sufficient() -> None:
     assert booster.appels == [1]
 
 
+def test_score_marks_a_stale_site_as_insufficient_data_without_calling_the_model() -> None:
+    depart = datetime(2026, 1, 1, tzinfo=UTC)
+    # Historique largement suffisant (168h+), mais l'instant de reference est loin apres la
+    # derniere lecture : la fraicheur doit primer sur la disponibilite de l'historique.
+    scoring_frame = build_scoring_frame(make_recent("site-a", heures=200, depart=depart))
+    instant = target_at_for(depart, 200) + MAX_STALENESS + timedelta(hours=1)
+    booster = FakeBooster()
+
+    resultats = score(booster, scoring_frame, instant=instant)  # type: ignore[arg-type]
+
+    assert len(resultats) == 1
+    assert resultats[0].status == "insufficient_data"
+    assert resultats[0].predicted_value is None
+    assert "vieille" in (resultats[0].failure_reason or "")
+    assert booster.appels == []
+
+
+def test_score_accepts_a_reading_exactly_at_the_staleness_threshold() -> None:
+    depart = datetime(2026, 1, 1, tzinfo=UTC)
+    scoring_frame = build_scoring_frame(make_recent("site-a", heures=200, depart=depart))
+    # `target_at_for(...)` donne deja un age d'1h (cf. sa docstring) : retrancher cette heure
+    # pour retomber exactement sur le seuil, ni en dessous ni au dessus.
+    instant = target_at_for(depart, 200) + MAX_STALENESS - timedelta(hours=1)
+    booster = FakeBooster(valeur=12.0)
+
+    resultats = score(booster, scoring_frame, instant=instant)  # type: ignore[arg-type]
+
+    assert resultats[0].status == "available"
+    assert booster.appels == [1]
+
+
 def test_write_predictions_does_nothing_when_there_is_nothing_to_write() -> None:
     connection = FakeConnection()