Stratégie

7 signes que vos données ne sont pas prêtes pour l'IA

---

Vous êtes prêt à vous lancer dans l'IA, mais vos données le sont-elles ? Voici les principaux signaux d'alarme indiquant que votre gestion de la data a besoin d'être remise à plat.

PublicitéL'IA est inutile sans accès à des données abondantes et vérifiées. Malheureusement, de nombreuses entreprises sont encombrées de données inutilisables pour les applications d'IA. Cette incompatibilité est un problème courant, même parmi les organisations qui investissent activement dans l'IA, explique Daren Campbell, responsable des technologies et de la transformation dans les activités de gestion des taxes chez EY Americas, cabinet de conseil en stratégie. « L'adoption de l'IA générative et agentique s'accélère, mais seule une petite minorité d'organisations possède la maturité requise en matière de data pour déployer efficacement l'IA à grande échelle, affirme-t-il. Cela explique pourquoi de nombreuses entreprises font état d'initiatives IA sans impact durable sur leur activité, car l'ambition progresse plus vite que les infrastructures de données sous-jacentes. »

La productivité de votre entreprise est-elle freinée par des données inexactes, défaillantes ou obsolètes ? Voici sept signaux d'alerte qui indiquent que votre organisation a besoin d'une refonte de sa gestion des données.

1) Votre stratégie data est conçue pour la conformité, pas pour la prise de décision

Des données incompatibles avec l'IA sont généralement le résultat de nombreuses années de systèmes cloisonnés, de normes incohérentes et d'une gouvernance des données défaillante. « Une grande partie des données d'entreprise actuelles ont été conçues pour la conformité et le reporting statique, et non pour l'apprentissage, l'automatisation ou la prise de décision en temps réel, explique Daren Campbell. Le problème est aggravé par des données non structurées et non gérées, des métadonnées manquantes, une propriété floue sur la data et une traçabilité limitée. Autant d'éléments qui rendent difficile une interprétation fiable des données par les systèmes d'IA. »

2) Votre gestion des données est défaillante

Un problème majeur de la gestion de la data réside dans la difficulté qu'ont les équipes à utiliser les données existantes dans leur environnement actuel, explique David Harmony, ingénieur senior chez Capital One, une société de services financiers. « Bien gérer ses données est une étape cruciale et initiale, préalable indispensable pour pouvoir les exploiter grâce à l'IA », souligne-t-il. L'ingénieur estime que les dirigeants d'entreprise doivent toujours savoir où se trouvent leurs données et ce qu'elles renferment précisément. « Sans une stratégie de données bien gérée, il est difficile d'exploiter pleinement ses données à mesure que l'IA accélère », explique-t-il.

David Harmony indique que Capital One s'attaque à ce problème en modernisant son écosystème de données dans le cloud et en développant des plateformes d'entreprise qui prennent en charge la publication, l'utilisation et la gouvernance de données ainsi que la gestion de l'infrastructure sous-jacente. L'objectif est de créer un socle solide pour les initiatives d'IA.

Publicité3) Votre gouvernance des données est insuffisante

Si les responsables IT et métiers ne peuvent pas expliquer clairement où se trouvent leurs données, qui en est le propriétaire et si elles sont fiables, l'entreprise n'est pas prête pour l'IA, tranche Vasileios Maroulas, directeur de l'IA à l'Université du Tennessee, à Knoxville, aux Etats-Unis. « Si chaque analyse nécessite une réconciliation manuelle, l'IA ne fera qu'amplifier les incohérences », prévient-il.

La croissance organique des systèmes, le cloisonnement des services, les définitions incohérentes et le manque de gouvernance contribuent tous au manque de fiabilité des données, explique Vasileios Maroulas. Il souligne que la plupart des entreprises conçoivent leur infrastructure pour exécuter des opérations, et non pour permettre la prédiction ou l'automatisation. « Et l'IA met en lumière ces lacunes structurelles », remarque-t-il. Pour améliorer la prévisibilité des données, il conseille de se concentrer sur la gouvernance et l'interopérabilité : « définissez la propriété, normalisez la terminologie et modernisez les pipelines de data de manière réfléchie ».

4) Votre stratégie BI a perdu les utilisateurs

Une faible adoption de la BI est un bon indice indiquant que les données d'une organisation ne sont tout simplement pas prêtes pour l'IA, affirme Olga Kupriyanova, directrice des technologies d'IA et d'ingénierie des données au sein du cabinet de conseil et de recherche ISG. Quel est le lien entre la BI et l'intelligence artificielle ? Total, selon elle. « La business intelligence est le terrain d'expérimentation des données d'entreprise », souligne l'analyste.

Lorsque la BI est défaillante, les utilisateurs métiers n'attendent pas que la situation s'améliore : ils trouvent des solutions de contournement, explique Olga Kupriyanova. « Ils exportent des données, créent des modèles parallèles, des définitions locales et intègrent leur propre logique métier dans des tableurs ou des outils d'analyse personnalisés. » Au fil du temps, ces couches sémantiques non officielles se multiplient. « Aucune d'entre elles n'est réintégrée à l'entrepôt de données de l'entreprise, et c'est là que réside le véritable danger : créer une fausse impression de bonne santé », prévient-elle.

De l'extérieur, il peut sembler que l'organisation ne rencontre aucun problème majeur avec sa data, puisque des rapports sont produits et des décisions sont prises, souligne Olga Kupriyanova. « Pourtant, dans les faits, les utilisateurs ont discrètement cessé de s'appuyer sur la plateforme de données principale et de solliciter l'aide du service informatique », note-t-elle.

5) Vos données ne sont pas alignées sur les résultats attendus de l'IA

Lorsque les systèmes d'IA se mettent soudainement à fournir des réponses incohérentes, obsolètes ou désynchronisées par rapport à l'expérience attendue, c'est un signe évident d'incompatibilité des données, prévient Guy Bourgault, responsable des solutions d'IA chez Concentrix, cabinet de conseil en technologies. « Ce type de dysfonctionnement révèle généralement des sources de connaissances sous-jacentes qui n'ont pas été maintenues ou qui n'ont pas été gérées de manière appropriée », explique-t-il.

Les experts ont tendance à repérer les signes avant-coureurs de ces incompatibilités lorsqu'il devient difficile d'établir un lien direct entre les données disponibles et les résultats métier que l'IA est censée apporter, souligne-t-il. « En l'absence de ce lien, cela signifie que l'infrastructure de données n'est pas prête à supporter l'IA à grande échelle », insiste Guy Bourgault.

Les données incompatibles avec l'IA proviennent souvent d'informations initialement conçues pour être interprétées par des humains, et non par des machines, précise l'expert de Concentrix. « De nombreuses bases de connaissances appartiennent à cette catégorie, car elles s'appuient sur l'intuition humaine pour compléter le contexte manquant ou naviguer dans des arbres de décision que l'IA ne peut pas suivre de manière fiable, remarque-t-il. À mesure que les autorisations vieillissent ou deviennent trop larges, l'IA peut accéder à du contenu auquel elle n'était pas censée avoir accès, ce qui peut entraîner des réponses inexactes, voire présentant des risques. » Avec le temps, la combinaison de contenus obsolètes, d'une structure floue et d'une gouvernance laxiste crée un environnement data fragile que l'IA peine à interpréter correctement, résume Guy Bourgault.

6) Vous êtes submergé par la dette technique sur la data

La qualité des données est un sujet que la plupart des gens préfèrent déplorer plutôt que de s'y attaquer, observe Arthur O'Connor, directeur académique du département Data Science à la School of Professional Studies de la City University de New York. « Il faut corriger les erreurs du passé, notamment les formats de données incohérents, les valeurs manquantes, les règles métier contradictoires et la disparité des interfaces et des protocoles, estime-t-il. Il s'agit de remédier à des habitudes de facilité. » Peu d'organisations ont le temps, l'énergie et la volonté de le faire, constate-t-il toutefois.

Ce problème de dette sur la donnée n'est pas seulement un défi technique ; c'est aussi un défi organisationnel, reprend Arthur O'Connor. « La principale raison pour laquelle les ensembles de données internes ne sont ni facilement accessibles ni bien gérés à l'échelle de l'entreprise est que ni le personnel informatique ni les équipes métiers qui utilisent les données ne disposent des ressources ou des incitations nécessaires pour en exploiter pleinement le potentiel, souligne-t-il. Si les utilisateurs souhaitent des données parfaitement exactes, propres et bien gérées, les propriétaires de ces données n'ont généralement ni le budget, ni la motivation financière, ni l'autorité organisationnelle nécessaires pour garantir un niveau élevé de qualité et de transparence. » Le problème fondamental, selon Arthur O'Connor, est que si l'IA est séduisante, passionnante et intéressante, la gouvernance des données a tendance à être fastidieuse, ennuyeuse et complexe.

7) L'accès aux informations de base pose déjà problème

Un signe avant-coureur fiable de l'incompatibilité du patrimoine data avec le déploiement de l'IA est la facilité avec laquelle votre équipe peut obtenir des informations de base, glisse Jen Clark, directrice des services de conseil en IA au sein du cabinet de conseil en stratégie et fiscalité Eisner Advisory Group. « Si la production de rapports et l'analyse standard est laborieuse, si l'obtention d'une vision claire exige des efforts de la part de plusieurs équipes et de multiples ressources, alors l'IA ne fera qu'amplifier le problème au lieu de le résoudre, prévient-elle. « De même, si les données sont déconnectées ou cloisonnées sans voie d'intégration claire, c'est généralement le signe qu'un travail de fond est nécessaire avant que l'IA puisse apporter une quelconque valeur ajoutée. »

Les données représentent le monde réel, et le monde réel est complexe, observe Jen Clark. Et de souligner que les systèmes d'IA sont rarement, voire jamais, parfaitement adaptés à un scénario idéal, et qu'il y a toujours des compromis à faire. « La question n'est pas de savoir si une incompatibilité existe, mais comment la contourner pour obtenir des résultats significatifs », conseille-t-elle.

Article rédigé par

John Edwards, CIO (adapté par Reynald Fléchaux)

Partager cet article