Les Graph Neural Networks (GNNs) sont des méthodes d'apprentissage profond construisant un modèle lié à un graphe. Cet apprentissage rend possible la classification et la prédiction de noeuds ou d'arêtes manquantes. Cependant, ces approches produisent des résultats significatifs lorsque les features sur les noeuds sont suffisamment nombreuses, ce qui n'est pas le cas pour les problèmes de terrain. En effet, du fait de l'origine des données et de leur génération non maîtrisée, les graphes résultants contiennent peu de features. En outre certaines contraintes légales, peuvent limiter l'utilisation des données. Dans cet article, nous montrons que des graphes issus de traces d'activité utilisateur (logs) comportent également de telles limites. Notre démonstration commence par une synthèse de l'état de l'art justifiant notre utilisation des GNNs pour la tâche de classification. Par la suite, nous détaillons les expérimentations conduites sur notre corpus de données de terrain (logs issus du produit Sedit produit par Berger-Levrault). Les résultats démontrent les limites effectives des GNNs. Enfin, certaines approches pouvant proposer des solutions à ce problème sont avancées