Réglez les données avant l'IA : pourquoi votre fondation de données décide de votre transformation
La plupart des conversations sur l'IA auxquelles je participe commencent par le modèle : quel outil, quel fournisseur, quel agent. Très peu commencent par la question qui détermine si tout cela fonctionnera : nos données sont-elles dans un état sur lequel une machine peut s'appuyer?
J'ai vu de près à quel point une mauvaise gouvernance des données complique l'adoption de la technologie dans une entreprise. C'est rarement le nouvel outil tape-à-l'œil qui échoue. C'est tout ce qu'il y a en dessous.
Trois systèmes de planification, une seule entreprise
Dans une grande entreprise technologique, j'ai vu trois systèmes de planification financière différents utilisés dans divers segments de l'entreprise.
Cela voulait dire trois équipes de soutien pour maintenir trois systèmes qui faisaient le même travail. Cela voulait aussi dire qu'il n'y avait aucun moyen simple de consolider tous les segments au même endroit.
Les détails aggravent la situation. L'un de ces systèmes de planification ne contient même pas les réels provenant du système comptable SAP de l'entreprise. L'unité d'affaires qui utilise cet outil ne peut donc pas comparer les réels aux prévisions dans l'outil. Elle fait ses rapports dans Excel.
Une autre unité d'affaires produit aussi ses rapports dans Excel, au moyen du système OLAP. Ça fonctionne, mais c'est très lent et inefficace comparativement à regrouper toutes les données dans une base de données comme Snowflake et à bâtir des tableaux de bord automatisés par-dessus.
Résultat : beaucoup d'inefficacité et de travail en double entre les unités d'affaires. Les mêmes chiffres sont extraits, mis en correspondance, rapprochés et reformatés par différentes personnes, dans différents outils, à chaque cycle.
Maintenant, essayez d'ajouter l'IA par-dessus
Demandez à un assistant IA d'expliquer pourquoi un segment s'écarte des prévisions. Dans quel système lit-il? L'un d'eux n'a pas les réels. Un autre dépend de fichiers Excel qui se trouvent sur l'ordinateur portable de quelqu'un. Quelles définitions utilise-t-il?
Chaque question qu'un outil d'IA tente de résoudre hérite de la fragmentation sous-jacente. Vous n'obtenez pas un assistant de planification intelligent. Vous en obtenez trois partiels, ou un seul qui se trompe avec assurance.
C'est pourquoi la transformation nécessaire pour préparer cette entreprise à déployer l'IA est un chantier colossal. Il ne s'agit pas de choisir un modèle. Il s'agit de démêler toutes les dépendances entre systèmes et toutes les correspondances manuelles dans Excel utilisées dans l'organisation. Ce travail doit se faire avant que l'IA puisse apporter une vraie valeur, et il est bien plus important que le projet d'IA lui-même.
Comment les entreprises en arrivent là : le piège des solutions de contournement
Rien de tout cela ne vient de mauvaises intentions. Ça vient de gens qui essaient de faire avancer le travail.
Ce que je vois encore et encore, ce sont des employés qui bâtissent des solutions de contournement à court terme pour que quelque chose fonctionne vite, au lieu de corriger le processus à long terme. Un chiffrier qui fait le pont entre deux systèmes. Une correspondance manuelle parce que les données de référence ne concordent pas. Un nouvel outil pour une équipe parce que l'outil commun ne convient pas tout à fait.
Chaque solution de contournement est rationnelle en soi. Mises bout à bout, elles deviennent le modèle opérationnel : non documenté, sans responsable et invisible jusqu'à ce qu'on essaie d'automatiser à travers elles. L'IA ne règle pas cela. Elle l'amplifie. Un flux de travail automatisé bâti sur une solution de contournement la rend permanente et plus difficile à voir.
Il est beaucoup plus facile de bien faire les choses dès le départ. Mais ce n'est souvent pas ce qui se passe quand une entreprise connaît un succès très rapide, ou évolue au fil du temps en privilégiant les gains rapides plutôt que des solutions durables et évolutives. La croissance récompense la vitesse, et la facture de cette vitesse arrive plus tard, habituellement au moment même où l'on veut se transformer.
Ce n'est pas seulement mon expérience
La recherche va dans le même sens.
Gartner rapporte que 63 % des organisations n'ont pas, ou ne savent pas si elles ont, les bonnes pratiques de gestion des données pour l'IA. Le cabinet prévoit aussi que, d'ici la fin de 2026, les organisations abandonneront 60 % des projets d'IA qui ne reposent pas sur des données prêtes pour l'IA. (Gartner)
Dans le rapport State of Enterprise AI 2026 de Cloudera, un sondage commandé par le fournisseur auprès de 1 500 dirigeants des TI et mené par Wakefield Research, 49 % des répondants ont dit que s'ils pouvaient recommencer leur démarche en IA, ils renforceraient la gouvernance dès le début, et 46 % investiraient plus tôt dans la qualité des données. (Cloudera)
Considérez les chiffres de sondage comme une tendance. Mais la tendance est claire : les organisations les plus avancées en IA auraient voulu régler les fondations en premier.
Ce qu'est vraiment une bonne fondation de données
Cela ne veut pas dire un programme de données de plusieurs années avant que quiconque touche à l'IA. Gartner souligne qu'il est impossible de rendre les données prêtes pour l'IA de façon générale ou à l'avance, puisque cette préparation dépend du cas d'usage (Gartner).
En pratique, une bonne fondation pour les processus que vous voulez transformer se résume à quatre éléments :
Une seule source de vérité par processus clé : un système de planification, un ensemble de réels, une définition des revenus.
Les données au même endroit : regroupées dans une base de données centrale, pas réassemblées dans Excel chaque mois.
Une responsabilité claire et des définitions communes : chaque jeu de données important a un responsable d'affaires nommé, et les termes clés veulent dire la même chose dans chaque segment.
Des solutions de contournement exposées, pas cachées : vous savez où se trouvent les correspondances manuelles et les chiffriers parallèles, et vous avez un plan pour les éliminer ou les officialiser.
La liste de vérification du dirigeant pour la fondation de données
Avant d'approuver votre prochaine initiative en IA ou en numérique, posez ces sept questions à votre équipe sur le processus qu'elle touche :
Où se trouvent les données de ce processus, et combien de systèmes en contiennent une version?
Lequel est la source de vérité, et tout le monde est-il d'accord?
Les réels et les plans sont-ils au même endroit, ou quelqu'un les assemble-t-il dans Excel?
Qui est responsable de ces données? Nommez une personne, pas un service.
Quelles correspondances manuelles et solutions de contournement existent aujourd'hui, et qui les maintient?
Combien d'équipes soutiennent les systèmes derrière ce processus, et ce nombre pourrait-il être un?
Si on automatisait cela demain, qu'est-ce qui briserait en premier?
Si votre équipe ne peut pas répondre rapidement aux trois premières, commencez par là, pas par une démonstration de fournisseur.
Par où commencer
Choisissez un processus à forte valeur que vous voulez améliorer avec l'IA. Appliquez-lui la liste de vérification. Consolidez ou officialisez ce qu'il y a en dessous, puis ajoutez l'IA par-dessus. Vous avancerez plus lentement pendant quelques semaines, puis beaucoup plus vite ensuite, et vous prendrez l'habitude de corriger les processus plutôt que de les rapiécer.
L'adoption de la technologie est surtout un problème de données et de processus déguisé en problème technologique. Réglez la fondation, et la partie IA devient beaucoup plus facile.
Si vous voulez parcourir cette liste de vérification avec votre équipe de direction, c'est exactement ce que nous faisons dans nos ateliers de leadership en IA. Communiquez avec nous.
Commentaires