La plupart des entreprises ne sont pas prêtes pour l’IA. Le véritable obstacle, ce sont les données.

Points clés à retenir

• L’IA est déjà utilisée dans la plupart des entreprises, mais les données qui l’alimentent ne sont pas prêtes. Des données fragmentées et non gouvernées amplifient les erreurs à la vitesse des machines, avant que quiconque ne puisse intervenir.
• Le véritable écart en matière de préparation à l’IA n’est pas un problème de technologie, mais un problème d’architecture de données : l’intégration n’alimente pas la gouvernance, la gouvernance n’est pas reliée à la qualité, et l’enrichissement intervient a posteriori.
• Combler cet écart procure un avantage concurrentiel. Chaque workflow d’IA qui repose sur des données de confiance et unifiées renforce cet avantage. Chacun de ceux qui reposent sur des données fragmentées accroît les risques.

Presque tous les responsables produit et technologie avec qui j’échange me racontent une version de la même histoire : ils ont expérimenté l’IA à travers des pilotes et obtenu d’excellents résultats isolés. Mais lorsqu’ils ont tenté de la déployer à l’échelle de l’organisation, quelque chose ne fonctionnait plus. Les résultats étaient incohérents, les équipes ont cessé de leur faire confiance et personne ne parvenait vraiment à expliquer pourquoi ce qui fonctionnait si bien dans un contexte échouait à ce point dans un autre.

Le débat sur les échecs de l’IA reste le plus souvent en surface : les modèles, l’architecture, la couche d’orchestration, les outils. Ces sujets sont bien réels, mais ce n’est pas là que se situe le risque. D’ailleurs, une récente étude du MIT révèle que 54 % des répondants ont suspendu ou retardé le déploiement d’agents d’IA précisément pour corriger des problèmes de données fondamentaux (par exemple des silos de données, l’absence de gouvernance et de contexte métier).

Ce que j’observe, à la fois dans ces échanges et dans le travail que nous menons chaque jour avec les entreprises chez Precisely, c’est que les échecs ont presque toujours la même origine. Ni le modèle, ni l’architecture, ni la couche d’orchestration, mais les données qui les sous-tendent. Ce n’est pas que les données manquent : elles sont fragmentées entre des systèmes qui ne partagent pas les mêmes définitions, dépourvues du contexte réel dont l’IA a besoin pour raisonner avec justesse et produire des résultats fiables. Leur gouvernance est si hétérogène que personne ne peut pleinement défendre ce que fait l’IA.

Le même problème se manifeste autrement pour ceux qui construisent les solutions d’IA. Ils peuvent monter une démonstration convaincante en un après-midi. La transformer en quelque chose sur lequel l’entreprise peut s’appuyer est un tout autre projet : dès qu’ils cherchent à accéder aux données qui font tourner l’activité, ils se heurtent à la même architecture fragmentée que tout le monde contourne tant bien que mal.

Le modèle n’a jamais été le véritable obstacle à l’IA

La plupart des acteurs du marché ont aggravé le problème au lieu de le résoudre. Ils ont assemblé des outils de gestion de données, multiplié les acquisitions de solutions spécialisées, puis considéré le sujet comme réglé.

Les lacunes entre ces outils ont persisté. L’intégration n’alimentait pas la gouvernance. La gouvernance ne dialoguait pas avec la qualité. L’enrichissement était ajouté à posteriori. Cette architecture fonctionnait tant qu’il y avait des humains pour repérer les erreurs que les systèmes ne voyaient pas.

Ce monde est révolu.

Les systèmes d’IA ne signalent pas les résultats suspects pour vérification et ne réconcilient pas des enregistrements contradictoires avant d’agir. Ils agissent à la vitesse des machines sur ce que leur disent les données. Lorsque ces données sont dispersées entre des solutions spécialisées sans socle commun, l’IA ne compense pas : elle amplifie le problème. Des données imparfaites dans un workflow d’IA créent un passif qui s’aggrave avant que quiconque ne puisse intervenir.

C’est ce qui distingue radicalement le moment actuel de toutes les vagues d’investissement dans les données qui l’ont précédé : la marge d’erreur s’est effondrée. Des données incohérentes ralentissaient autrefois les décisions ; aujourd’hui, elles les corrompent silencieusement à grande échelle, à un rythme que les contrôles humains ne peuvent plus suivre.

C’est ce qui rend ce moment différent de toutes les vagues précédentes d’investissement dans la donnée. La marge d’erreur s’est effondrée, et la plupart des architectures de données d’entreprise n’ont pas été conçues pour un monde qui en est dépourvu.

Le problème d’infrastructure que la plupart des entreprises n’ont pas résolu

Dans la plupart des initiatives d’IA en entreprise, je vois un schéma qui se répète. Les organisations ont réuni des outils performants pour l’intégration, la qualité, la gouvernance et l’enrichissement des données, ainsi que pour la location intelligence. Chacun résout un vrai problème, mais les lacunes entre ces outils persistent.

• L’intégration n’alimente pas la gouvernance.

• La gouvernance ne dialogue pas avec la qualité.

• L’enrichissement est ajouté à posteriori.

Cette architecture fonctionne tant que des humains sont là pour repérer les erreurs que les systèmes ne voient pas.

L’IA à grande échelle ne vous offre pas ce luxe.

Il existe aussi un second problème, encore moins souvent abordé : la visibilité des données.

La plupart des stratégies d’IA sont financées et déployées, mais elles contournent les données les plus importantes, car celles-ci ne se trouvent pas sur les plateformes cloud pour lesquelles ces modèles ont été conçus. Elles résident dans des mainframes, des systèmes IBM i, des environnements sur site et des architectures conçues pour faire tourner l’activité, et non pour alimenter l’IA.

On ne peut pas tout migrer purement et simplement. Ces systèmes traitent des transactions critiques, et le risque de perturbation est trop élevé. Il en résulte un écart qui se creuse : des systèmes d’IA avides de données qu’ils ne peuvent pas atteindre, tandis que le patrimoine de données de l’entreprise reste enfermé dans des systèmes que l’écosystème de l’IA n’a pas été conçu pour connecter.

Et il est important de souligner que, même lorsque les données sont visibles et accessibles, elles sont souvent privées du contexte réel dont l’IA a besoin pour raisonner avec justesse. Les systèmes internes décrivent le monde tel qu’ils l’ont enregistré, et non tel qu’il est réellement. Des adresses qui ont changé, des lieux qui n’existent plus, des relations d’affaires qui ont évolué. Une IA qui agit sur ces données ne travaille pas seulement à partir d’informations incomplètes : elle se construit une image assurée d’un monde qui n’existe plus.

Ce qu’exige la préparation à l’IA en entreprise

Se préparer à l’IA à l’échelle de l’entreprise exige de résoudre un ensemble de problèmes interdépendants, et non successifs.

On ne peut pas gouverner ce que l’on ne peut pas tracer. On ne peut pas enrichir ce à quoi l’on n’a pas accès. On ne peut pas se fier aux résultats d’une IA entraînée sur des données que personne n’a validées.

Les entreprises que je vois combler cet écart ont un point commun : elles ont cessé de traiter la donnée comme une obligation de conformité pour la traiter comme un impératif concurrentiel.

Être prêt pour l’IA, c’est unifier vos capacités de gestion des données et bâtir sur un socle commun, plutôt que d’assembler un patchwork de solutions spécialisées.

• Une règle de qualité qu’il faut ressaisir dans cinq systèmes n’est pas une règle de qualité.
• Une politique de gouvernance qui ne suit pas les données lorsqu’elles circulent d’un environnement à l’autre n’est pas une politique de gouvernance.
  
• Une définition qui signifie une chose dans votre couche d’intégration et quelque chose de légèrement différent dans votre outil de gouvernance est un risque qui n’attend que de se manifester dans les résultats de l’IA.

Les définitions, le lineage et les standards de qualité doivent être définies une seule fois et s’appliquer partout.

Être prêt, c’est aussi accéder aux données qui font fonctionner votre activité, et pas seulement celles qui sont les plus faciles à déplacer. Les transactions les plus critiques des entreprises à l’échelle mondiale tournent encore sur des mainframes IBM et des environnements SAP. Une IA qui n’a pas accès à ces données n’est pas prête pour l’entreprise : elle travaille avec une vision incomplète et prend des décisions à pleine vitesse.

Être prêt, c’est aussi accéder aux données qui font fonctionner votre activité, et pas seulement celles qui sont les plus faciles à déplacer. Les transactions les plus critiques des entreprises à l’échelle mondiale tournent encore sur des mainframes IBM et des environnements SAP. Une IA qui n’a pas accès à ces données n’est pas prête pour l’entreprise : elle travaille avec une vision incomplète et prend des décisions à pleine vitesse.

Enfin, être prêt, c’est enrichir les données de l’entreprise avec un contexte réel sur les lieux, les entreprises, les consommateurs et les risques. C’est ce contexte qui distingue une IA qui produit des résultats erronés présentés avec certitude d’une IA qui produit des résultats exacts.

Pour l’IA agentique, les enjeux sont encore plus élevés : des agents autonomes qui accèdent à des systèmes sensibles, appellent des services et agissent dans tous les environnements de l’entreprise sans politiques d’autorisation cohérentes ni audit de leurs actions créent des failles de responsabilité qui ne resteront pas invisibles. C’est vrai que vous exploitiez un seul workflow automatisé ou que vous déployiez à l’échelle de l’organisation.

Le coût croissant de l’attentisme

Si je présente ce sujet comme un enjeu de compétitivité plutôt que comme un enjeu technique, c’est pour une raison. Oui, les organisations qui comblent cet écart tôt réduiront significativement leur risque. Mais elles construiront aussi ce que celles qui gèrent encore la fragmentation ne pourront pas : la capacité à exploiter l’IA à grande échelle en toute confiance.

Chaque workflow qui repose sur des données de confiance, gouvernées et unifiées cumule les avantages. Chacun de ceux qui reposent sur des données fragmentées, inaccessibles et non validées multiplie l’exposition aux risques. L’écart entre ces deux résultats se creuse à chaque décision autonome prise entre-temps.

Les données ont toujours été le principal obstacle à l’IA en entreprise. C’était vrai avant l’existence du premier grand modèle de langage, et cela le reste aujourd’hui. Et lorsque la prochaine vague de capacités d’IA arrivera, les organisations qui n’auront jamais résolu le problème des données se retrouveront à reconstruire sur le même socle défaillant.

Voici ce à quoi je reviens sans cesse : la plupart des dirigeants savent déjà que leurs données posent problème. Ce à quoi je n’ai pas de réponse arrêtée, c’est pourquoi tant d’entre eux continuent d’y voir quelque chose à corriger une fois l’IA déployée plutôt qu’avant. Les données fiables sont le prérequis de tout le reste, et c’est maintenant qu’il faut construire une fondation de données prête pour l’IA.