L’IA n’a pas besoin de données parfaites : l’idée fausse qui coûte des années aux entreprises – Mettez fin au mythe de la migration

La fin des préparatifs interminables : comment l’IA apporte enfin une réelle valeur ajoutée

L'intelligence artificielle recèle un potentiel immense, mais dans la pratique, elle se transforme souvent en une illusion coûteuse. La raison est aussi simple que fatale : les entreprises métamorphosent sans le savoir leurs ambitieuses initiatives en IA en gigantesques projets de migration de données, extrêmement gourmands en ressources. L'objectif initial, obtenir des résultats commerciaux rapides et mesurables, devient une lutte interminable pour une infrastructure de données parfaite et une consolidation fluide dans des entrepôts de données centralisés. Malgré des milliards investis dans la préparation, deux tiers des entreprises restent bloquées en phase pilote, et la création de valeur réelle est reléguée au second plan.

Cet article explique pourquoi une stratégie privilégiant systématiquement l'infrastructure conduit souvent à l'échec et pourquoi une migration complète des données n'est pas forcément indispensable au succès de l'IA. Il met en lumière un changement de paradigme essentiel : ceux qui planifient à partir de résultats concrets et s'appuient sur un accès fédéré aux données n'ont plus besoin d'attendre la fin de mégaprojets informatiques s'étalant sur plusieurs années. Découvrez comment conserver vos données à leur emplacement actuel, fournir à l'IA uniquement le contexte précis dont elle a besoin et obtenir des résultats mesurables grâce à des victoires rapides et ciblées. Il est temps de passer d'une recherche de la perfection des données à une création de valeur pragmatique grâce à l'IA.

En lien avec ceci :

• UNFRAME.AI : La migration des données n’a jamais été l’objectif. Ce qui comptait, c’étaient les résultats de l’IA.

Échapper au piège des données : repenser l’IA du point de vue du résultat

Le plus grand obstacle à l'IA est la migration des données

Les projets d'IA échouent généralement non pas à cause de la technologie elle-même, mais parce qu'ils se transforment en simples projets d'infrastructure informatique. La consolidation de toutes les données est, à tort, considérée comme une condition sine qua non.

Raisonner à partir du résultat (rétro-ingénierie)

Au lieu de se demander comment préparer toutes les données pour l'IA, la question essentielle est : de quel contexte de données spécifique l'IA a-t-elle besoin ici et maintenant pour produire un résultat commercial concret ?

Contexte plutôt que copie (accès fédéré)

L'IA n'a pas besoin de l'intégralité de l'entrepôt de données. Des technologies comme l'accès fédéré aux données, la virtualisation des données et la génération augmentée par la recherche (RAG) permettent de conserver les données dans leurs systèmes sources et de n'assembler le contexte qu'au moment de la requête. Cela représente un gain de temps et une réduction des coûts considérables.

Fonctionnement en parallèle au lieu de l'arrêt complet

La migration des données à long terme (processus ETL pour la création de rapports, l'historique, etc.) peut se poursuivre. Cependant, l'initiative d'IA n'a pas à attendre cela et peut accéder en parallèle aux données distribuées existantes.

L'agilité l'emporte sur le perfectionnisme

Tenter de construire un schéma de données exhaustif est inefficace. Les modèles de contexte orientés domaine et spécifiques aux cas d'utilisation (similaires à l'approche du maillage de données) sont nettement plus prometteurs.

Le pouvoir des « victoires rapides »

Pour regagner la confiance souvent mise à mal des parties prenantes, les projets d'IA doivent rapidement démontrer un retour sur investissement (ROI). Un cas d'usage initial idéal (fréquence élevée, base de mesure, données existantes) produit des résultats tangibles en quelques semaines, justifiant ainsi des investissements supplémentaires.

Pourquoi les entreprises investissent-elles des milliards dans les infrastructures au lieu de finalement apporter de la valeur ajoutée ?

La transformation numérique de ces dernières années a engendré un paradoxe qui touche tous les secteurs. Les entreprises investissent des sommes considérables dans l'intelligence artificielle, mais bien souvent, la valeur ajoutée réelle est loin d'être à la hauteur des attentes. La raison réside rarement dans la technologie elle-même, mais plutôt dans la manière dont les organisations abordent l'IA. Au lieu de se concentrer sur des résultats commerciaux mesurables, les initiatives en matière d'IA se transforment progressivement en projets d'infrastructure de données colossaux qui prennent une ampleur incontrôlable et perdent de vue leur objectif initial. Ce qui avait commencé comme une initiative stratégique pour tirer parti de l'IA se solde souvent par des années de migration de données sans aucun retour sur investissement visible.

D'après les prévisions de Gartner de décembre 2025, les dépenses mondiales en intelligence artificielle atteindront environ 1 800 milliards de dollars en 2025 et devraient croître jusqu'à 4 700 milliards de dollars d'ici 2029. Parallèlement, l'étude mondiale McKinsey 2025 sur l'état de l'IA révèle que 88 % des entreprises interrogées utilisent déjà l'IA dans au moins une fonction métier, mais que près des deux tiers en sont encore à la phase expérimentale ou pilote. Seules 6 % environ des entreprises sont considérées comme très performantes en matière d'IA, avec plus de 5 % de leur EBIT attribuable à l'IA. Ces chiffres illustrent un décalage fondamental entre les investissements dans l'IA et la valeur ajoutée qui en découle. L'analyse de ce décalage met en lumière un problème structurel qui dépasse largement le cadre des simples questions techniques.

Comment le projet d'infrastructure a englouti l'initiative en matière d'IA

Le raisonnement qui conduit les entreprises à cette situation semble plausible au premier abord. L'IA a besoin de données. Ces données sont fragmentées et réparties dans de nombreux systèmes. Il faut donc les consolider. La consolidation implique une migration. La migration requiert une transformation. La transformation requiert une gouvernance. La gouvernance requiert des programmes de qualité des données. Chaque décision prise individuellement dans cette chaîne est raisonnable. Mais, prises ensemble, elles transforment une initiative d'IA en un programme d'infrastructure de données dont le moindre résultat se fait attendre pendant des années.

Ce phénomène est flagrant dans les données. Selon le rapport 2025 de Caylent sur la migration des données, seulement 6 % des entreprises interrogées ont déclaré avoir mené à bien leurs projets de migration les plus complexes dans les délais impartis. Près de la moitié des répondants ont subi plus de cinq heures d'indisponibilité lors de migrations critiques, ce qui a engendré des problèmes d'expérience client, des pertes de revenus et des retards opérationnels. L'analyse de plus de 500 évaluations d'entreprises révèle qu'environ 73 % des projets de migration de données échouent en raison d'une planification insuffisante, de lacunes en matière de gouvernance et d'un manque d'expertise spécifique à la plateforme. Les dépassements de délais, atteignant en moyenne 150 %, ne sont pas l'exception, mais la règle.

Ces projets de migration développent une dynamique propre. Ils attirent des équipes dédiées, génèrent leurs propres indicateurs clés de performance (KPI) et obtiennent le soutien de la direction, qui engage sa réputation dans la réussite du projet. Les cas d'usage initiaux de l'IA sont reportés à la phase suivante, puis à la période post-migration, et finalement, ils disparaissent discrètement des discussions de planification. Personne n'anticipe ce résultat. Il résulte d'une multitude de petites décisions, chacune justifiable individuellement, mais qui, prises ensemble, aboutissent à une mauvaise allocation stratégique des ressources et de l'attention.

Un scénario typique illustre le problème. La revue d'activité trimestrielle débute comme depuis deux ans. L'équipe de transformation des données présente son état d'avancement. La migration est achevée à 73 %. Les indicateurs de qualité des données se sont améliorés dans six domaines. L'architecture de l'entrepôt de données a passé avec succès son dernier audit. Le responsable exécutif approuve d'un signe de tête les graphiques d'étape. Puis quelqu'un pose la question que tout le monde évitait : « Quand l'IA sera-t-elle mise en service ? » Silence radio. Quelqu'un évoque la phase deux. Un autre pointe du doigt les dépendances. Le calendrier initial, qui promettait des analyses basées sur l'IA sous dix-huit mois, est devenu une simple note de bas de page dans un projet d'infrastructure de données qui a pris une ampleur inattendue.

Le gouffre financier à un milliard de dollars des préparatifs inachevés

La dimension économique de ce problème est considérable. Gartner prévoit que d'ici fin 2026, plus de 60 % des projets d'IA des organisations ne disposant pas de données exploitables par l'IA échoueront ou seront abandonnés. La Harvard Business Review estime le taux d'échec global des projets d'IA à 80 %, soit près du double de celui des projets informatiques n'utilisant pas l'IA. Selon une enquête de S&P Global Market Intelligence menée en 2025, 42 % des entreprises avaient abandonné la majorité de leurs initiatives en matière d'IA, une augmentation spectaculaire par rapport aux 17 % de l'année précédente. En moyenne, une organisation a mis au rebut 46 % de ses prototypes d'IA avant même leur mise en production.

Gartner prévoit également qu'au moins 30 % des projets d'IA générative seront abandonnés après la phase de validation de concept en raison de la mauvaise qualité des données, de contrôles des risques insuffisants, de l'explosion des coûts ou d'une valeur commerciale incertaine. L'étude Informatica CDO Insights 2025 identifie clairement les principaux obstacles à la réussite de l'IA : la qualité et la maturité des données (43 %), le manque de maturité technique (également 43 %) et la pénurie de personnel qualifié (35 %).

Ces chiffres mettent en lumière une incompréhension fondamentale répandue dans de nombreuses organisations. Le problème n'est pas l'échec des cas d'usage de l'IA, mais plutôt le fait que la migration soit devenue une fin en soi, au lieu d'être un moyen d'atteindre un objectif. La consolidation de toutes les données dans un entrepôt de données centralisé est devenue une fin en soi, reléguant au second plan la valeur ajoutée initiale pour l'entreprise. Parallèlement, les investissements dans les données compatibles avec l'IA explosent. Gartner prévoit que le marché des données pour l'IA passera de 134 millions de dollars en 2024 à 14,6 milliards de dollars d'ici 2029, soit un taux de croissance annuel composé de 155 %. L'argent coule à flots, mais il est mal orienté si l'approvisionnement en données est abordé comme un projet monolithique et préparatoire plutôt que comme un processus itératif.

Pensez en termes de résultat, plutôt que de planifier du point de vue de l'infrastructure

L'approche alternative part d'une question fondamentalement différente. Au lieu de se demander comment préparer les données pour l'IA, il convient de se demander de quel contexte l'IA a besoin pour atteindre un objectif commercial précis. Ce changement de perspective modifie radicalement l'architecture du projet.

La plupart des cas d'usage de l'IA nécessitent un contexte issu de trois à cinq systèmes, et non l'intégralité d'un portefeuille de données migré. Les exigences contextuelles sont spécifiques. Une IA d'analyse contractuelle a besoin des contrats, de leurs avenants, des parties concernées et des obligations qui y sont associées. Elle n'a pas besoin de l'intégralité de l'entrepôt de données. Une IA de service client a besoin de l'historique des interactions, des données produits et des enregistrements de gestion des cas. Elle n'a pas besoin de toutes les tables de chaque système source.

Le chemin de données minimal requis est presque toujours plus restreint que le périmètre du projet de migration. La migration est optimisée pour toutes les requêtes futures imaginables. L'IA, quant à elle, a besoin du contexte adéquat pour des cas d'usage spécifiques et immédiats. Ces deux exigences sont fondamentalement différentes, et les considérer comme équivalentes est précisément le mécanisme par lequel les projets d'infrastructure étouffent les initiatives d'IA.

En partant du résultat de l'IA, on constate souvent que les données nécessaires sont déjà accessibles. Il n'est pas nécessaire de les déplacer. Il suffit de les connecter, de les organiser en fonction du cas d'usage et de les rendre disponibles lors de l'exécution. Une gestion efficace des données d'IA commence par ce constat : définir d'abord le résultat, puis trouver le chemin le plus simple vers le contexte qui le rend possible.

Plateforme d'IA gérée - Image : Xpert.Digital

Vous découvrirez ici comment votre entreprise peut mettre en œuvre des solutions d'IA personnalisées rapidement, en toute sécurité et sans barrières à l'entrée élevées.

Une plateforme d'IA managée est votre solution clé en main pour l'intelligence artificielle. Fini les technologies complexes, les infrastructures coûteuses et les longs processus de développement : vous bénéficiez d'une solution clé en main, adaptée à vos besoins, fournie par un partenaire spécialisé – souvent en quelques jours seulement.

Les principaux avantages en un coup d'œil :

⚡ Mise en œuvre rapide : De l’idée à l’application prête à l’emploi en quelques jours, et non en plusieurs mois. Nous fournissons des solutions pratiques qui créent une valeur ajoutée immédiate.

🔒 Sécurité maximale des données : Vos données sensibles restent chez vous. Nous garantissons un traitement sécurisé et conforme à la réglementation, sans partage de données avec des tiers.

💸 Aucun risque financier : vous ne payez que pour les résultats. Les investissements initiaux importants en matériel, logiciels ou personnel sont totalement éliminés.

🎯 Concentrez-vous sur votre cœur de métier : nous prenons en charge l’intégralité de la mise en œuvre technique, de l’exploitation et de la maintenance de votre solution d’IA.

📈 Évolutif et à l'épreuve du temps : votre IA évolue avec vous. Nous assurons une optimisation et une évolutivité continues, et adaptons les modèles avec souplesse aux nouveaux besoins.

Plus d'informations ici :

• Plateforme d'IA gérée

L'accès fédéré aux données comme modèle architectural alternatif

L'IA sans migration de données n'est pas une solution de facilité. Il s'agit d'une architecture différente qui reflète le fonctionnement réel de l'IA en production. Trois principes fondamentaux caractérisent cette approche.

Tout d'abord, l'accès fédéré connecte l'IA aux systèmes sources où résident les données, sans centralisation préalable. Les données CRM restent dans le CRM, les documents dans le référentiel documentaire et les données opérationnelles dans l'ERP. La couche d'IA peut accéder à l'ensemble de ces données instantanément, sans attente de synchronisation. L'accès fédéré aux données préserve leur emplacement d'origine, exploite les techniques de virtualisation pour offrir une vue unifiée et permet d'obtenir des informations en temps réel à la demande. Contrairement à l'entreposage de données, où les données sont physiquement déplacées vers un emplacement central, l'accès fédéré élimine les risques et les coûts liés à la duplication des données et améliore l'efficacité opérationnelle.

Deuxièmement, les modèles de contexte spécifiques à chaque cas d'utilisation définissent les besoins précis de chaque application d'IA. Au lieu de construire un schéma universel qui prétend tout couvrir, le système définit les entités, les relations et les signaux spécifiques pertinents pour chaque cas d'utilisation. Ce principe s'aligne sur le concept d'architecture de maillage de données, où des équipes spécialisées gèrent indépendamment leurs données respectives et maintiennent des normes de gouvernance adaptées qui reflètent les exigences métiers spécifiques.

Troisièmement, l'assemblage dynamique permet de constituer le contexte au moment de la décision, et non plus a priori par traitement par lots. Lorsque l'IA doit répondre à une question, elle compile le contexte pertinent à partir de toutes les sources, quelle que soit leur provenance. Aucun délai de synchronisation. Aucune donnée obsolète. Des données à jour, assemblées à la demande. Ce principe a atteint sa pleine maturité technologique avec la prolifération de la Génération Augmentée par la Recherche (RAG). Les architectures RAG permettent aux systèmes d'IA de récupérer des informations externes pertinentes au moment de la requête et de les intégrer au contexte, au lieu de se fier uniquement à des connaissances pré-entraînées. D'ici mi-2026, plus de 66 % des implémentations d'IA générative en entreprise utiliseront des architectures RAG.

La mise en œuvre concrète de cette architecture est manifeste dans les environnements d'entreprise réels. La bibliothèque d'apprentissage automatique fédérée de SAP, par exemple, exploite l'architecture de fédération de données de SAP DataSphere pour exposer intelligemment les données SAP et non-SAP à des fins d'apprentissage automatique, sans nécessiter de réplication ni de déplacement de données. Des entreprises comme Downer, l'un des plus importants fournisseurs de services intégrés d'Australie, ont mis en place une plateforme fédérée de données et d'IA qui allie agilité décentralisée et gouvernance centralisée, permettant ainsi aux unités opérationnelles d'innover de manière indépendante tout en partageant les données de l'entreprise de façon transparente et sécurisée.

Comparaison de la virtualisation des données et du traitement par lots

Le choix entre l'accès fédéré via la virtualisation des données et la consolidation traditionnelle basée sur l'ETL n'est pas binaire, mais dépend plutôt des exigences de la charge de travail concernée. La virtualisation des données offre des temps de réponse plus rapides pour l'interrogation de petits ensembles de données distribués. Cependant, face à l'augmentation des volumes de données et à la complexité croissante des transformations, l'ETL peut s'avérer plus efficace grâce à sa capacité à traiter de grands ensembles de données à l'aide de règles de transformation prédéfinies.

Le principal compromis réside dans le fait que la virtualisation des données remplace la consolidation physique par l'intégration logique. Vous bénéficiez de données plus récentes, car les requêtes accèdent directement aux systèmes sources, et vous évitez les coûts et la complexité liés à la copie de toutes les données dans un entrepôt unique. En revanche, vous devenez dépendant de la disponibilité et des performances de chaque système sous-jacent. Pour les requêtes analytiques lourdes, de l'ordre du pétaoctet, les entrepôts dotés d'agrégats précalculés et d'un stockage en colonnes surpassent les requêtes fédérées sur les réseaux d'un facteur dix, voire plus.

La solution idéale consiste à utiliser les deux approches de manière complémentaire. L'ETL gère le traitement des données structurées et historiques pour la création de rapports et garantit leur cohérence. La virtualisation des données permet un accès agile aux données en temps réel ou distribuées pour les requêtes critiques. Lors de l'intégration d'une nouvelle source de données, la modification des flux de travail ETL peut prendre des jours, voire des semaines. La virtualisation des données permet l'intégration immédiate de sources de données temporaires ou expérimentales. Cette approche hybride optimise de manière équilibrée les performances, les coûts et la flexibilité.

Le chemin le plus court vers des résultats mesurables en IA

La logique économique qui sous-tend cette approche axée sur les résultats est convaincante. La durée moyenne d'un projet d'IA suit un schéma bien connu : trois mois de planification, six mois de développement, six mois de tests et trois mois de déploiement, soit un total de dix-huit mois avant le retour sur investissement. Selon Gartner, en moyenne, seuls 48 % des projets d'IA sont mis en production, et le passage du prototype à la production prend huit mois. Seuls 35 % des projets d'IA atteignent le stade de la mise en production.

Mais il existe une autre voie. D'après une étude d'IDC, 92 % des projets d'IA réussis génèrent un retour sur investissement positif en moins de douze mois. 40 % des entreprises constatent même un retour positif en moins de six mois. La clé du succès réside dans le choix d'un cas d'usage initial pertinent et dans l'évitement de préparatifs d'infrastructure trop ambitieux.

Le cadre pour un retour sur investissement rapide en IA repose sur quatre principes. Le cas d'usage idéal se caractérise par une fréquence élevée : la tâche est effectuée quotidiennement ou hebdomadairement. Il dispose d'une base de référence claire et les performances actuelles peuvent être mesurées. Les données existent déjà et le cas d'usage présente une dépendance limitée vis-à-vis d'autres systèmes. Si ces critères sont remplis, des résultats mesurables peuvent être obtenus en quelques semaines.

L'impact de ces succès rapides dépasse largement le simple retour sur investissement financier immédiat. Un opérateur de télécommunications a mis en place un chatbot IA pour répondre aux cinq questions les plus fréquentes de ses clients concernant la facturation. En 60 jours, la solution a permis de résoudre 35 % des demandes sans intervention humaine, de réduire le délai de résolution moyen de 24 heures à 10 minutes et d'améliorer la satisfaction client de 22 %. Un fabricant de taille moyenne a déployé une maintenance prédictive basée sur l'IA sur une ligne de production critique. Ce projet pilote de 45 jours a permis de réduire de 62 % les temps d'arrêt non planifiés, d'éviter 157 000 $ de pertes de production et de diminuer les coûts de maintenance de 28 %. L'assistant IA de Klarna a résolu les deux tiers des demandes clients par chat dès le premier mois et a réduit le délai de résolution moyen de onze minutes à moins de deux minutes.

Pourquoi la confiance des parties prenantes est la monnaie la plus difficile à gagner

Ces succès rapides ont une fonction qui dépasse la simple réduction des coûts. Ils restaurent la confiance des parties prenantes, érodée par des années de projets d'infrastructure sans résultats tangibles. Ces réussites rapides apportent la preuve concrète et immédiate que l'IA crée de la valeur ajoutée pour l'entreprise. Cela renforce la confiance des décideurs, réduit les réticences à l'adoption et ouvre la voie à des investissements plus importants dans l'IA.

Des succès rapides et significatifs créent des cercles vertueux qui accélèrent l'adoption de l'IA. Ces premiers succès suscitent l'enthousiasme et mobilisent les ressources nécessaires à un déploiement plus large. Ce déploiement élargi génère une valeur ajoutée et favorise l'apprentissage organisationnel. Cet apprentissage permet de développer des applications plus sophistiquées et d'obtenir des avantages accrus. Ces avantages justifient un investissement plus important dans les capacités de l'IA.

Les données de McKinsey confirment ce mécanisme. Les entreprises les plus performantes en IA (les 6 % d'entreprises dont l'EBIT bénéficie d'une contribution mesurable de l'IA) sont trois fois plus susceptibles que les autres de déclarer vouloir utiliser l'IA pour une transformation profonde. Ces entreprises sont presque trois fois plus susceptibles de repenser fondamentalement leurs processus, et cette refonte intentionnelle contribue fortement à l'obtention d'un impact commercial mesurable. Les entreprises les plus performantes déploient régulièrement l'IA dans un plus grand nombre de fonctions que leurs concurrentes et sont trois fois plus susceptibles d'étendre l'utilisation des agents d'IA.

Fonctionnement parallèle au lieu d'une dépendance séquentielle

Il n'est pas nécessaire d'interrompre le projet de migration. Il pourrait servir d'autres objectifs que l'IA. Les rapports réglementaires, les analyses historiques ou les tableaux de bord de direction prévus dans la feuille de route interne pourraient en effet nécessiter des données consolidées. L'investissement réalisé dans la mise en place de cette infrastructure n'est donc pas vain.

Mais l'IA n'a pas besoin d'attendre la fin de la migration. Les deux peuvent fonctionner en parallèle. La migration se poursuit à son propre rythme, conformément à ses objectifs. L'IA fournit des résultats immédiatement, à partir des données existantes.

L'approche pragmatique commence par l'identification de deux à trois cas d'usage de l'IA susceptibles de générer une valeur commerciale mesurable. Vient ensuite la cartographie du contexte de données spécifique requis pour chaque cas d'usage. Puis, on examine si ce contexte est directement accessible sans migration. Enfin, l'IA est testée sur le chemin de données le plus restreint possible.

Cette approche rejoint les conclusions de l'analyste Haritha Khandabattu de Gartner, qui décrit un passage progressif de l'IA générative, initialement centrée sur l'IA, aux fondamentaux qui permettent un déploiement durable de l'IA, notamment les données prêtes pour l'IA et les agents d'IA. Les investissements se déplacent d'une stratégie axée sur l'infrastructure vers une architecture privilégiant les données et les capacités. Les organisations qui négligent la préparation des données sont celles qui ont le plus de chances de figurer parmi les 94 % qui ne dépassent jamais le stade du projet pilote.

La réorganisation de la logique d'investissement

Les données de Gartner sur les dépenses révèlent un bouleversement majeur dans la logique d'investissement. Si l'infrastructure d'IA demeure de loin le poste de dépenses le plus important, avec 965 milliards de dollars en 2025, son taux de croissance reste relativement modéré, à 29 % par an. L'accélération se manifeste ailleurs : les données d'IA progressent de 155 % par an, la cybersécurité de 74 % et les modèles d'IA de 68 %. Les investissements suivent les points de blocage, et non les sujets d'actualité.

Sur le marché des données pour l'IA, les facteurs de croissance sont encore plus évidents. La génération de données synthétiques progresse de 178 % par an, passant de 41 millions de dollars à 6,8 milliards de dollars d'ici 2029. Les jeux de données prêts pour l'IA (c'est-à-dire des données pré-organisées et structurées pour les flux de travail d'IA) croissent quant à eux de 136 % par an. Les entreprises sont prêtes à payer pour accélérer la mise en production. Cela indique clairement que le marché privilégie la rapidité de mise à disposition des données à une migration lente et exhaustive.

Les organisations performantes, celles qui tirent pleinement parti de cette transformation, investissent dans les capacités nécessaires au bon fonctionnement des systèmes d'IA à l'échelle de l'entreprise : préparation des données, gouvernance, intégration et sécurité. Elles inversent les ratios de dépenses habituels, consacrant 50 à 70 % de leur temps et de leur budget à la préparation des données – c'est-à-dire l'extraction, la normalisation, les métadonnées de gouvernance, les tableaux de bord de qualité et les contrôles de conservation. Toutefois, cette préparation des données n'est pas envisagée comme un projet de migration monolithique, mais plutôt comme un processus itératif, axé sur les cas d'usage.

Du perfectionnisme des données au pragmatisme de l'IA

La principale conclusion de cette analyse se résume en un principe : l’objectif n’a jamais été une infrastructure parfaite, mais l’obtention de résultats grâce à l’IA. Heureusement, cela ne nécessite pas une consolidation complète des données. Les équipes qui en prennent conscience cessent de considérer la migration comme une condition préalable et commencent à percevoir les résultats de l’IA comme le véritable indicateur de performance.

Les chiffres sont éloquents : 88 % des entreprises utilisent l’IA, mais seulement un tiers a commencé à la déployer à grande échelle. 73 % des projets de migration échouent en raison de problèmes de mise en œuvre, et non de la technologie elle-même. 42 % des entreprises auront abandonné la majorité de leurs initiatives en matière d’IA d’ici 2025. Parallèlement, les 6 % les plus performantes démontrent que la clé du succès réside dans des objectifs ambitieux, des processus repensés et une mise à l’échelle rapide, et non dans la simple réalisation de projets de migration.

Cela constitue un appel à l'action clair pour les DSI et les DTI. La question n'est plus de savoir comment consolider toutes les données avant la mise en œuvre de l'IA, mais plutôt quel contexte de données spécifique est nécessaire pour le prochain cas d'usage et comment le fournir rapidement et à moindre coût. L'accès fédéré, les modèles de contexte spécifiques à chaque cas d'usage et l'assemblage à l'exécution sont les outils architecturaux qui permettent cette approche. Ils remplacent le paradigme de la préparation exhaustive par celui de la création itérative de valeur.

Les entreprises qui perçoivent l'IA non pas comme un simple bénéficiaire secondaire des projets d'infrastructure, mais comme un moteur déterminant des besoins en données, seront celles qui passeront le plus rapidement de la phase pilote à la phase de déploiement à grande échelle. Le projet de migration peut se poursuivre, mais l'IA n'a pas à attendre.

Konrad Wolfenstein

Je serais heureux de vous servir de conseiller personnel.

me contacter l' adresse wolfenstein∂xpert.digital

Appelez-moi simplement au +49 89 89 674 804 (Munich) .

LinkedIn