IA : 90 % des projets terminent à la poubelle (et comment faire pour que ce ne soit pas le cas ?)

Données fragmentées, promesses irréalistes

Ce n’est pas la moindre des contradictions. Neuf entreprises sur 10 reconnaissent que la qualité des données est un facteur critique pour faire de l’intelligence artificielle. Mais elles savent aussi que leurs données ne sont pas bonnes, ou pas assez bonnes pour en faire.

Par exemple, moins de la moitié (46 %) disent avoir confiance dans l’exactitude et l’exhaustivité de leurs data sets. Ce taux de confiance est encore plus bas lorsqu’il s’agit d’évaluer leur pertinence (34 %), leur cohérence (35 %) ou leur sécurité (37 %).

Autre contradiction : les dirigeants seraient plutôt confiants dans leurs capacités à déployer l’IA (42 % estiment que leur organisation est prête), mais les spécialistes techniques le seraient beaucoup moins (seulement 25 %).

Cet écart d’appréciation pousserait à lancer des projets sur des bases techniques souvent trop peu solides.

Trop d’outils pour trop peu de visibilité

Côté outillage, en moyenne, les entreprises utiliseraient treize solutions d’observabilité de l’IT issues de neuf fournisseurs différents. Ce foisonnement rendrait difficile l’analyse des performances et des flux de données.

Résultat, quasiment toutes les entreprises déclarent vouloir consolider leurs outils, voire les unifier dans une seule plateforme, pour faciliter la détection des anomalies dans leurs systèmes, mais aussi parce qu’elles le voient comme un prérequis à l’automatisation et à l’exploitation de l’IA.

Pour répondre à ces limites, nombreuses sont celles qui s’orienteraient vers des outils et des normes ouvertes comme OpenTelemetry (ou OTel).

Pour mémoire, OpenTelemetry est un cadre open source qui unifie la collecte de données de performance (logs, métriques, traces).

L’adoption de ce standard progresserait en tout cas rapidement : 88 % des entreprises y auraient recours, dont 41 % à grande échelle.

Gouvernance, alignement et standards ouverts : 3 pistes de solutions

Parallèlement, les projets AIOps (IA appliqué à la gestion des opérations IT) prennent timidement leur envol. Malgré la faible part de projets effectivement déployés, 87 % des entreprises indiquent que les initiatives déjà en place auraient atteint (voire dépassé) leurs objectifs de ROI.

En conclusion, le rapport de Riverbed invite les organisations à traiter les causes structurelles des échecs pour dépasser la phase de PoC. À savoir : mettre en place une gouvernance des données, aligner les équipes, et adopter des standards ouverts.

Les informations de ce rapport sont à prendre avec quelques précautions. Riverbed est un spécialiste dans la supervision et l’optimisation des performances IT. Il propose également des outils d’observabilité, de mesure de l’expérience numérique (DEM), d’analyse réseau et d’AIOps. Avec cette étude, l’éditeur prêche donc « pour sa paroisse ».

Il n’en reste pas moins que ses enseignements confirment d’autres études et constituent des pistes de réflexion intéressantes.