Dans le contexte actuel de crise de biodiversité, il est primordial de comprendre où et comment se distribuent les êtres vivants. En utilisant les données de biodiversité gérées par le GBIF (> 640 millions d'occurrences) et couvrant 24 classes taxonomiques, j'ai étudié un patron de biodiversité remarquable, le gradient latitudinal de diversité (LDG). Cet objectif m'a d'abord amené à produire des outils informatiques afin de manipuler ces données de biodiversité (Big Data), puis à évaluer la qualité des données. J’ai alors mis en évidence deux phénomènes importants. Premièrement, un fort biais taxonomique existe dans les données d'occurrences de biodiversité. Certains taxons sont plus étudiés que d'autres, créant un déficit de connaissance pour certains groupes et se révélant problématique pour notre compréhension globale de la biodiversité. Ce biais semble s'expliquer en partie par l'impact des préférences sociétales. Deuxièmement, un changement radical dans la production de ces données: de plus en plus de données primaires de biodiversité sont de simples observations et non plus des spécimens récoltés et mis en collection. Les dangers et avantages liés à ce changement de pratique sont discutés, le rôle de spécimens vouchers est rappelé et la nécessité d'acquérir des données supplémentaires est soulignée. Enfin, fort de cette analyse critique des données primaires de biodiversité, six hypothèses pouvant expliquer le LDG sont testées sur un jeu de données nettoyées couvrant huit classes taxonomiques. Ce test permet de réfuter une hypothèse de contrainte géométrique récente mais jamais testée pour finalement révéler que l'hypothèse de productivité est la mieux soutenue. / In the current context of biodiversity crisis, it is essential to understand where and how life is distributed. Using biodiversity data managed by the GBIF (>640 million occurrences) covering 24 taxonomic classes, I investigated one of the best-known biodiversity patterns: the latitudinal diversity gradient (LDG), which is characterized by an increase in specific richness as we approach the equator. This objective first led me to produce informatics tools for handling large amount of data (Big data paradigm), before evaluating the quality of primary biodiversity data. Two important outcomes resulted from this evaluation. First, I highlight that a strong taxonomic bias exists in biodiversity occurrences. This bias implies that some taxa are more studied than others, creating a knowledge gap detrimental to our understanding of biodiversity as a whole. This bias is strongly impacted by societal preferences rather than research activity. Second, a radical change in biodiversity data gathering practices is happening: primary biodiversity data are now mostly observation-based and not specimen-based. Assets and liabilities of this shift are discussed, while the role of voucher specimens is reiterated and, for observations, the need for ancillary data is underlined. Finally, six hypotheses proposed to explain the LDG are tested on a cleaned dataset encompassing eight taxonomic classes. A recent, but never tested, version of the geometric constraint hypothesis is refuted, while the productivity hypothesis is strongly supported.