L'IA à l'aveugle : pourquoi les grandes entreprises ne comprennent plus leurs propres données

Le risque sous-estimé de l'IA : pourquoi le chaos des données peut coûter des millions aux entreprises

L'engouement autour de l'intelligence artificielle cède progressivement la place à une réalité préoccupante pour les dirigeants. Si les modèles de langage d'OpenAI, de Google et d'autres acteurs gagnent sans cesse en puissance, leur utilisation concrète échoue généralement en raison d'un problème majeur, pourtant souvent négligé : le chaos des données internes. Lorsque contrats, historiques de conversations, courriels et feuilles de calcul sont dispersés sans structure dans d'innombrables silos et services, même les IA les plus performantes se retrouvent démunies ou tout simplement incapables de comprendre. C'est précisément sur cette vulnérabilité qu'émerge un marché en pleine expansion, pesant plusieurs milliards de dollars. Des startups spécialisées et des géants de la tech établis développent des couches de données sémantiques – le nouveau système d'exploitation central des données d'entreprise. Mais cette technologie, outre ses gains d'efficacité considérables et ses modèles de paiement révolutionnaires, comporte également des risques concrets en matière de cybersécurité et de dépendance. Cet article propose une analyse approfondie de l'architecture de l'IA du futur et explore les implications de cette transformation pour l'économie, des grandes entreprises aux PME.

En lien avec ceci :

• Unframe AI | Des données prêtes pour l'IA. Construites à partir de vos systèmes existants.

Un marché d'un milliard de dollars émerge d'un vieux problème

Le débat autour de l'intelligence artificielle en entreprise a connu une transformation radicale ces deux dernières années. Si l'attention se portait initialement sur le modèle de langage le plus performant, un aspect bien plus pragmatique est désormais au cœur des préoccupations : la qualité, la disponibilité et l'accessibilité des données que ces modèles sont censés traiter. Une enquête menée auprès de cent cadres supérieurs des services données et technologies d'entreprises réalisant un chiffre d'affaires de plus de deux milliards de dollars et employant plus de cinq mille personnes dresse un tableau alarmant. La quasi-totalité des répondants – 99 % précisément – ​​peinent à définir des indicateurs de performance cohérents entre les différents outils et services. Près de 80 % des équipes de données consacrent plus de la moitié de leur temps à la préparation des données au lieu de leur analyse. Ces chiffres révèlent que l'incohérence sémantique n'est plus un problème marginal, mais bien le système même sur lequel reposent encore de nombreuses grandes entreprises.

Une nouvelle catégorie de fournisseurs s'implante précisément dans ce contexte, se positionnant comme un lien entre la réalité fragmentée des entreprises et les exigences des systèmes d'IA modernes. Leur promesse : consolider toutes les sources de données d'une entreprise – des e-mails et contrats aux systèmes ERP et CRM – au sein d'une couche synchronisée en continu et dotée d'une gouvernance sécurisée. Le succès de cette promesse est manifeste dans le cas de la startup californienne, israélo-allemande Unframequi, en moins d'un an après son lancement officiel sur le marché, a décroché plus de cent millions de dollars de contrats. Sa dernière levée de fonds de cinquante millions de dollars, menée par Highland Europe, porte le montant total des fonds levés à cent millions de dollars. Une telle croissance témoigne d'un besoin réel, et non pas seulement revendiqué, sur un segment de marché qui n'existe que depuis quelques années.

Pourquoi les architectures de données traditionnelles entravent l'IA

Pour comprendre les implications de cette évolution, il est utile d'examiner la fonction historique des entrepôts de données. Pendant des décennies, ces derniers ont été optimisés pour un seul objectif : le reporting rétrospectif. Chiffres trimestriels, statistiques de vente, indicateurs clés de performance pour la direction : tout cela pouvait être représenté de manière satisfaisante grâce à des bases de données structurées et mises à jour périodiquement. Cependant, l'intelligence artificielle, et plus particulièrement les systèmes multi-agents conçus pour prendre des décisions autonomes ou déclencher des actions, requiert une approche fondamentalement différente. Elle a besoin d'informations opérationnelles actualisées en temps réel et liées aux processus métiers réels. Un agent d'IA destiné à faciliter une décision relative à la chaîne d'approvisionnement ne peut pas fonctionner avec des données datant de trois semaines et préparées uniquement pour une analyse rétrospective.

Cette disparité est aggravée par un autre problème structurel. Selon les estimations des grandes entreprises technologiques, jusqu'à 90 % des données d'entreprise sont non structurées et dispersées dans des documents, des historiques de conversations, des tickets d'assistance, des factures et des entrées de calendrier. Cette masse d'informations se situe en grande partie hors du champ des référentiels de données traditionnels basés sur des tableurs et était tout simplement inaccessible aux outils d'analyse classiques. Sans une couche sémantique unifiée représentant de manière cohérente les contenus structurés et non structurés, il demeure pratiquement impossible de consolider les informations provenant de sources diverses et de les fournir à un modèle d'IA comme contexte fiable.

Une étude comparative distincte évaluant la maturité des données pour l'IA générative aboutit à une conclusion structurellement similaire, bien qu'avec une pondération différente. Dans cette étude, 59 % des gestionnaires interrogés ont cité la qualité et la cohérence des données comme le principal obstacle à une utilisation productive de l'IA générative, suivies par la fragmentation des données (50 %) et les problèmes de sécurité et de confidentialité des données (50 %). Il est également à noter que seulement 13 % des entreprises utilisant déjà l'IA générative parviennent à empêcher que des données sensibles, telles que les informations sur les clients ou les employés, ne soient intégrées sans filtrage aux modèles de langage. Cela révèle un déficit de gouvernance qui dépasse largement les simples problèmes de compatibilité technique et touche directement à la protection des données et à la responsabilité réglementaire.

Le modèle économique sous-jacent à la nouvelle couche de données

Le principe fondamental appliqué par des fournisseurs comme Unframe se décompose en quatre étapes fonctionnelles. Premièrement, les systèmes d'entreprise, les applications, les référentiels de données, les fichiers et les API sont connectés à la plateforme. Ensuite, ces sources hétérogènes sont transformées en une couche de données unique, gouvernée et applicable à l'ensemble de l'organisation. La troisième étape consiste en une synchronisation continue avec les systèmes sources, garantissant ainsi que la couche de données ne devienne pas une simple image obsolète, mais reflète fidèlement l'état actuel de l'activité. Ce n'est qu'à la quatrième et dernière étape que cette infrastructure est utilisée pour alimenter l'intelligence artificielle, l'analyse de données et l'automatisation, le tout reposant sur une base cohérente.

Conceptuellement, cette approche s'apparente à un jumeau numérique de l'organisation, mais son objectif principal n'est pas la simulation de processus physiques. Elle sert plutôt à cartographier les clients, les produits, les contrats et les transactions dans une représentation cohérente. L'intérêt économique d'un tel modèle réside dans le fait que chaque nouvelle application d'IA n'a pas besoin de partir de zéro pour accéder aux données métier pertinentes. Au contraire, chaque application s'appuie sur une base commune, déjà nettoyée et enrichie. Cela permet de réduire considérablement les coûts de chaque initiative d'IA ultérieure, car la partie la plus complexe et souvent sous-estimée d'un projet d'IA — l'intégration et le nettoyage des données — n'est effectuée qu'une seule fois.

Unframe décrit son offre comme un ensemble de modules réutilisables permettant de créer des solutions personnalisées sans nécessiter d'entraînement de modèle distinct pour chaque cas d'utilisation. Le Framery fonctionne comme une plateforme ouverte, compatible avec toute offre SaaS, API, base de données ou format de fichier, que l'infrastructure soit déployée dans le cloud, sur site ou dans un environnement hybride. Pour les entreprises européennes, et notamment allemandes, un autre aspect est crucial : la plateforme est indépendante de tout fournisseur de modèle de langage, garantissant ainsi une totale indépendance. De plus, la conformité au Règlement général sur la protection des données (RGPD) et à la loi européenne sur l'intelligence artificielle est clairement mise en avant. Par défaut, les données ne doivent pas quitter le système du client, sauf demande expresse de sa part.

La tarification basée sur les résultats comme signal de confiance dans un marché marqué par la méfiance

Un aspect particulièrement révélateur de la stratégie commerciale réside dans son modèle de tarification. Contrairement aux éditeurs de logiciels traditionnels qui facturent des licences sans tenir compte des bénéfices réels, Unframe privilégie une facturation au résultat. Les clients ne paient que lorsqu'une solution fonctionne et produit des résultats concrets. Ce choix n'est en aucun cas fortuit, mais constitue une réponse directe au scepticisme profondément ancré au sein des directions. Comme l'a déclaré publiquement le cofondateur de l'entreprise, les sociétés sont lassées de financer des solutions qui échouent dans la grande majorité des cas ; c'est pourquoi elles exigent un modèle où le paiement est conditionné par le succès.

Cette observation rejoint l'expérience de nombreuses entreprises qui expérimentent depuis des années des projets de validation de concept sans les intégrer à leurs systèmes de production. Un important volume de cas d'usage prometteurs en IA, de nombreux projets pilotes, et pourtant, quasiment aucune application concrète au quotidien : voilà le point de départ de nombreuses entreprises qui se tournent vers cette nouvelle catégorie de prestataires. Le fondement économique de cette promesse réside dans le transfert du risque d'échec d'un projet du seul client vers le prestataire, au moins en partie. Cela modifie fondamentalement la structure des incitations et explique probablement en grande partie la dynamique de croissance observée, notamment le taux de rétention des revenus nets de 400 % mentionné précédemment, ce qui signifie que les clients existants ont quadruplé leurs dépenses en moyenne en un an.

Qui sont les clients et qu'est-ce que cela révèle sur le niveau de maturité du marché ?

Les clients de référence mentionnés offrent un aperçu intéressant des différents secteurs d'activité représentés. Parmi eux figurent les sociétés immobilières Cushman & Wakefield et Avison Young, l'entreprise de cybersécurité Armis et la maison d'édition suisse NZZ. On note également des cas d'utilisation pour les compagnies aériennes, afin d'optimiser la planification des équipages, et pour les détaillants, afin d'organiser leurs promotions. Cette répartition entre l'immobilier, les médias, la sécurité, l'aviation et le commerce de détail suggère qu'il ne s'agit pas d'une solution de niche pour un seul secteur, mais plutôt d'un problème d'infrastructure transversal qui se pose manifestement dans des contextes économiques très différents.

La structure géographique et organisationnelle de l'entreprise est également intéressante. Basée à Cupertino, en Californie, et disposant de bureaux à Tel Aviv et à Berlin, Unframe incarne une organisation transatlantique, voire transcontinentale, typique du secteur technologique, alliant capitaux américains, développement technologique israélien et proximité avec le marché européen. Pour une entreprise à vocation germanophone, il est particulièrement significatif que le cofondateur opérationnel travaille explicitement depuis Berlin et que l'entreprise ait participé à plusieurs reprises à des événements numériques européens, tels que la conférence Mind the Tech à Berlin. Ceci témoigne d'une orientation stratégique délibérée vers le marché européen qui, en raison d'exigences plus strictes en matière de protection des données et d'une attitude généralement plus prudente vis-à-vis du transfert incontrôlé des données d'entreprise vers des fournisseurs de cloud américains, a des besoins différents de ceux du marché nord-américain.

Le paysage concurrentiel et la course des géants de la technologie

La tendance décrite ne se limite en aucun cas aux startups spécialisées. Les entreprises technologiques établies ont également identifié le problème de la fragmentation des données d'entreprise comme un axe de croissance majeur. Dell Technologies, en collaboration avec Nvidia, a développé une plateforme de données d'IA dont l'objectif affiché est de transformer des décennies de données d'entreprise fragmentées en informations exploitables. Un cadre supérieur du marketing produit chez Dell a judicieusement déclaré que la solution à ce problème de données ne doit pas se limiter au stockage, mais englober l'ensemble du processus, de l'ingestion et de la curation des données à leur orchestration, afin que celles-ci parviennent de manière fiable à la puissance de calcul des processeurs graphiques.

Dans son analyse des principales tendances en matière de données pour 2026, IBM a également souligné que, sans plateforme convergente offrant un accès unifié aux données structurées et non structurées, les entreprises ne pourront pas mettre en œuvre l'analyse et l'automatisation autonome avec la rapidité et la fiabilité requises. Cette analyse, émanant de l'une des plus anciennes et des plus importantes entreprises informatiques au monde, met en évidence qu'il ne s'agit pas d'un problème marginal pour les petits fournisseurs, mais bien d'un défi structurel fondamental, identifié comme un goulot d'étranglement critique pour l'ensemble du secteur. Surtout, IBM insiste sur le fait qu'aucun fournisseur ne peut résoudre ce problème à lui seul, car l'intégration des données distribuées et le développement de l'infrastructure nécessaire aux systèmes d'IA autonomes requièrent un vaste écosystème de partenaires et de technologies.

Cette analyse met en lumière la dynamique concurrentielle actuelle. Le marché n'est pas dominé par un seul acteur qui capte l'intégralité de la chaîne de valeur, mais plutôt composé d'une multitude de fournisseurs aux spécialisations variées, certaines complémentaires, d'autres concurrentes. Des fournisseurs spécialisés comme K2View se concentrent sur les architectures de données opérationnelles et prêtes pour la production, tandis que des entreprises d'infrastructure comme Dell et Nvidia fournissent la capacité de calcul sous-jacente, et des plateformes comme Unframe assurent la transition entre les données brutes et les applications d'IA déployables.

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

La gouvernance, un facteur de compétitivité sous-estimé

Un aspect souvent négligé dans le débat public sur l'intelligence artificielle est la question de la gouvernance : le contrôle de l'accès aux données, de leur traitement et de leur traçabilité jusqu'aux décisions spécifiques de l'IA. L'enquête menée auprès de cent gestionnaires de données, mentionnée précédemment, révèle que 87 % des répondants exigent une plus grande transparence quant à l'utilisation et l'interprétation de leurs données par l'IA. Ce chiffre remarquablement élevé suggère que la confiance dans la fiabilité des systèmes d'IA n'est pas un détail, mais bien une condition essentielle à leur adoption à plus grande échelle au sein des organisations.

Les priorités à moyen terme des entreprises interrogées pour les trois à cinq prochaines années confirment ce constat. L'évolutivité des données issues de diverses sources est citée comme une priorité par 92 % d'entre elles, la portabilité des données et des indicateurs clés de performance (KPI) par 83 %, et la gouvernance et l'observabilité de l'intelligence artificielle par 82 %. Ces trois priorités sont étroitement liées. Sans structures de données évolutives et cohérentes au-delà des frontières des systèmes, une gouvernance fiable est impossible, et sans gouvernance, toute mise à l'échelle reste associée à d'importants risques juridiques et de réputation, notamment au regard du Règlement général sur la protection des données (RGPD) européen et de la loi européenne sur l'IA, désormais en vigueur.

Ceci est particulièrement important pour les entreprises allemandes et européennes, car le cadre réglementaire y est nettement plus strict qu'aux États-Unis ou dans une grande partie de l'Asie. Les entreprises européennes qui mettent en œuvre une couche de données pour l'intelligence artificielle doivent réfléchir dès le départ à la protection des données personnelles, à la documentation des procédures de traitement et à la transparence des décisions du système d'IA en cas de litige. Les fournisseurs qui intègrent ces exigences à leur architecture dès le début, par exemple en garantissant que les données restent entièrement au sein de leur propre système, bénéficient d'un avantage structurel sur leurs concurrents qui s'appuient principalement sur des infrastructures cloud américaines dont la réglementation est moins contraignante.

Implications économiques pour les PME allemandes

Bien que les clients de référence mentionnés jusqu'ici soient principalement de grandes entreprises internationales, la question de la pertinence de ce sujet pour les PME allemandes, qui constituent traditionnellement l'épine dorsale de l'économie allemande, se pose légitimement. À première vue, la situation des petites entreprises semble moins alarmante, car elles disposent naturellement de moins de systèmes et de volumes de données moindres. Cependant, un examen plus approfondi révèle que les PME qui se sont développées de manière organique au fil des ans et qui ont mis en œuvre diverses solutions isolées pour la comptabilité, la gestion des stocks, la gestion de la relation client et la communication sont confrontées à un problème de fragmentation structurellement similaire, mais à une échelle réduite.

La question économique cruciale n'est donc pas de savoir si le problème existe, mais si un investissement dans une couche de données unifiée est économiquement justifié compte tenu des budgets informatiques limités. L'émergence de modèles de tarification au résultat, initiée par Unframe , jouera probablement un rôle important à cet égard, car ce modèle réduit considérablement le risque financier pour les petites entreprises. Parallèlement, on peut supposer que des solutions plus légères et plus spécialisées s'imposeront pour les entreprises de taille moyenne, plutôt que les plateformes complètes conçues pour les multinationales. Cependant, le principe fondamental selon lequel une couche de données cohérente et synchronisée en permanence est une condition préalable à toute application d'IA pertinente demeure valable quelle que soit la taille de l'entreprise.

Risques et questions en suspens concernant la nouvelle couche de données

Bien que cette évolution mérite une attention particulière, les risques associés ne doivent pas être négligés. La migration de l'ensemble des données d'une entreprise vers une couche centrale unifiée crée inévitablement une cible extrêmement attrayante pour les cybercriminels. Une compromission réussie de cette couche de données centrale pourrait avoir des conséquences bien plus importantes qu'une intrusion dans un système isolé, puisqu'elle permettrait d'accéder instantanément aux données clients, contractuelles et financières de toute l'entreprise. L'architecture de sécurité de telles plateformes doit donc être extrêmement robuste, et les entreprises doivent examiner attentivement la manière dont les droits d'accès sont contrôlés et les normes de chiffrement mises en œuvre lors du choix d'un fournisseur.

Un autre risque, plus stratégique, réside dans la dépendance à un fournisseur de plateforme unique. Bien Unframe insiste explicitement sur son indépendance vis-à-vis d'un modèle de langage spécifique, la couche de données sous-jacente représente néanmoins une dépendance structurelle importante. Si une entreprise décide de changer de fournisseur, la migration d'une couche de données à l'échelle de l'entreprise, développée au fil des années, constituera probablement une tâche considérable, comparable aux difficultés bien connues liées au changement de grands systèmes ERP. Ce type de verrouillage est rarement abordé par les fournisseurs eux-mêmes, mais il doit être pris en compte dans l'évaluation de toute décision stratégique.

Enfin, la question de la qualité réelle des résultats demeure. Même la couche de données la plus sophistiquée ne peut garantir l'absence d'erreurs dans les décisions de l'IA qui en découlent. En particulier pour les systèmes autonomes à base d'agents qui initient des actions de manière indépendante, la question de la responsabilité en cas d'erreur reste en suspens. Si un agent d'IA prend une décision commerciale erronée sur la base d'une couche de données mal synchronisée — par exemple, en interprétant mal une clause contractuelle ou en prenant une décision erronée concernant la chaîne d'approvisionnement —, la question de la responsabilité se pose immédiatement, une question qui, jusqu'à présent, n'a pas été suffisamment traitée sur les plans contractuel et réglementaire.

Une évaluation sobre des progrès réels

Une analyse critique de cette évolution incite à la prudence face aux promesses de solution miracle. L'idée que l'intelligence artificielle puisse être mise en œuvre et opérationnelle en quelques jours seulement au sein d'une entreprise établie peut se vérifier dans certains cas d'usage précis et clairement définis, mais elle constitue probablement une simplification excessive pour la grande majorité des processus métier complexes. L'expérience des précédentes transformations numériques, telles que l'introduction du cloud ou la mise en place de progiciels de gestion intégrée (PGI), montre que même les solutions techniquement sophistiquées échouent régulièrement en raison de la résistance des organisations, de la qualité insuffisante des données dans les systèmes sources et du manque d'adhésion au changement chez les employés.

Parallèlement, le diagnostic sous-jacent est indéniablement juste. La fragmentation des données d'entreprise est une réalité, solidement documentée empiriquement, et constitue effectivement l'un des principaux freins à l'utilisation productive de l'intelligence artificielle. La question n'est donc pas tant de savoir si une couche de données unifiée et compatible avec l'IA est pertinente, mais plutôt quel chemin spécifique pour y parvenir est le plus rentable pour une entreprise donnée, compte tenu de son historique de systèmes, de sa tolérance au risque et de son budget disponible. Pour les entreprises qui ont hésité jusqu'à présent à s'attaquer à ce problème, l'évolution du marché ces deux dernières années apporte un éclairage important : celles qui persistent à expérimenter des projets pilotes isolés et non coordonnés seront distancées, à moyen terme, par leurs concurrents qui ont investi précocement dans une infrastructure de données cohérente.

Décloisonner les données : la voie vers une IA d'entreprise interopérable

L'évolution des prochaines années dépendra largement de l'établissement de normes uniformes d'interopérabilité entre les différentes couches de données et plateformes d'IA. Si l'industrie parvient à développer des protocoles ouverts permettant aux différents fournisseurs de couches de données et de modèles d'IA de collaborer de manière transparente, les risques de dépendance actuels seront considérablement réduits et la concurrence s'intensifiera, au bénéfice des clients. Des avancées dans ce sens sont déjà visibles, notamment grâce à la prise en charge de protocoles d'interface ouverts qui permettent l'intégration avec les assistants IA internes existants sans nécessiter leur remplacement complet.

Pour les entreprises allemandes, traditionnellement réticentes à adopter les nouvelles technologies numériques, mais dotées d'une culture de protection des données rigoureuse au regard des normes internationales et exemplaire à bien des égards, cette évolution représente une opportunité stratégique intéressante. Les fournisseurs qui intègrent dès le départ les exigences de conformité européennes à leur architecture pourraient bénéficier d'un avantage considérable en termes de confiance, notamment dans les pays germanophones, par rapport aux fournisseurs purement américains dont les pratiques de traitement des données sont traditionnellement moins transparentes et soumises à une réglementation moins stricte. Les entreprises allemandes qui mettent en place rapidement une couche de données cohérente et prête à être gouvernée acquerront un avantage concurrentiel non seulement technologique, mais aussi réglementaire, qui s'avérera probablement de plus en plus précieux dans les années à venir, à mesure que la mise en œuvre concrète de la législation européenne sur l'IA s'accélérera.

Konrad Wolfenstein

Je serais heureux de vous servir de conseiller personnel.

wolfenstein∂xpert.digitalmeVous pouvez contacter à ou

Appelez-moi simplement au +49 7348 4088 965 .

LinkedIn