Entreprise « AI First » : la qualité des données pèse plus que la puissance des modèles

« Minimum Viable Culturel »

La culture Data doit devenir un « protocole linguistique partagé » au sein de l’organisation. Pour les entreprises de 2030, l’acculturation est le garant de la performance globale et de l’agilité. Elle permet à chaque collaborateur d’exploiter la donnée pour éclairer ses décisions.

Les sondés affichent un niveau de confiance élevé (7,4/10) dans la réalisation de cette autonomie. 69 % des répondants anticipent une accélération nette de la prise de décision et un gain de productivité identique grâce à l’usage naturel des agents IA.

Néanmoins, le chemin vers cette massification reste semé d’embûches. Le soutien des instances dirigeantes est perçu comme fragile (58 %).

Aldrick Zappellini, Chief Data & AI Officer du Crédit Agricole, préconise l’instauration d’un « minimum viable culturel ». L’idée n’est pas d’imposer une norme rigide, mais de définir un socle commun qui permet aux entités les plus avancées d’accélérer tout en tirant le reste du groupe vers le haut.

Dans cette optique, la « Data Marketplace » s’impose comme un levier d’acculturation par la pratique. Elle reprend les codes du e-commerce (catalogage, documentation, avis) pour transformer la donnée en un produit accessible, voire désirable, pour les métiers.

L’autonomie des collaborateurs n’est cependant possible que si la donnée est préalablement structurée comme un produit fini, certifié et immédiatement exploitable par les humains comme par les machines, c’est-à-dire des IA.

Coface fait de la couche sémantique le « sanctuaire » de l’IA agentique

Le passage de la donnée « brute » à la donnée « produit » (Data Product) est engagé dans différentes organisations, le plus souvent dans le cadre d’une démarche Data Mesh.

En 2030, le patrimoine de données stratégiques sera géré sous forme d’actifs autonomes et certifiés – projettent des décideurs.

Ce modèle est défendu comme le socle indispensable d’une IA fiable. Il vise à garantir que les informations consommées par les systèmes agentiques ne seront pas seulement disponibles, mais qualifiées rigoureusement. Le niveau de confiance dans cette transition s’établit à 6,7/10.

L’intérêt majeur réside dans la réduction du time-to-market pour les nouveaux cas d’usage (42 %) et dans la capacité des métiers à s’affranchir d’une dépendance systématique à la DSI.

Samia Boujatioui, responsable groupe du Data Management de Coface, insiste sur les caractéristiques indispensables d’un Data Product. Il doit impérativement disposer d’un propriétaire métier identifié, d’un contrat de service (SLA) et d’une traçabilité totale, énumère-t-elle. Or selon l’étude, 69 % des leaders déplorent toutefois le manque de responsabilité humaine (ownership).

L’industrialisation nécessaire à ces produits s’appuie chez Coface sur le concept de « Smart Data ». L’assureur est passé de 4 000 rapports Power BI, souvent sous-utilisés, à des actifs structurés.

La couche sémantique devient alors le « sanctuaire » de l’IA agentique. Elle fournit le vocabulaire métier indispensable pour éviter les hallucinations des modèles et permet aux agents IA de se brancher sur des données dont le sens est garanti par le métier.

« Mettre des bâtons dans les roues »

Le chemin reste toutefois semé d’embûches. Pour 65 % des leaders, le poids du legacy – (dette technique, problèmes de qualité chroniques et infrastructures fragmentées) grève leur capacité à porter une vision à long terme.

Surtout, 70 % des collaborateurs expriment une méfiance envers la qualité des données disponibles.

Même si l’automatisation de l’ingénierie Data (confiance à 6,3/10) est plébiscitée par 77 % des leaders pour garantir une donnée « AI-ready », Camille Maire, directeur de la gouvernance des données d’Etam, dénonce l’illusion d’une correction automatique par l’IA. Selon lui, l’IA peut même « mettre des bâtons dans les roues » parce qu’elle crée des attentes déceptives. La fiabilité de l’IA exige un triptyque. Il associe une responsabilité humaine incarnée par les métiers, des processus opérationnels rigoureux et un système d’information performant. L’IA doit amplifier ce qui fonctionne déjà, et non servir de remède miracle à un legacy défaillant.

Michel Lutz, Chief Data Officer de TotalEnergies, met en garde contre un autre risque, connexe, celui de « Cognitive Offloading » (décharge cognitive).

Il souligne le danger d’une passivité intellectuelle où l’on générerait du code sans en maîtriser les fondamentaux, qu’ils soient métiers ou IT. Pour l’éviter, il prône une ingénierie de la connaissance qui s’appuie sur des protocoles comme le MCP (Model Context Protocol) et sur des systèmes de « skills » et de « harness » pour encadrer l’IA.

« Policy as code »

D’ici 2030, la gouvernance devrait en tout cas quitter sa posture bureaucratique pour devenir un modèle « by design », vivant et distribué.

Elle n’est plus perçue comme un frein, mais comme le cadre de confiance indispensable pour passer du stade expérimental au déploiement de l’IA à l’échelle industrielle. Le bénéfice principal, identifié par 73 % des répondants, est la capacité à suivre précisément l’usage et l’impact de chaque actif Data.

L’automatisation de cette gouvernance via le « policy-as-code » est une tendance émergente. 65 % des sondés soulignent néanmoins la complexité de traduire des principes éthiques ou juridiques « flous » en règles programmables.

« Ni blocage total ni laissez-faire »

Autre problématique phare, la formalisation d’une politique face au Shadow AI devra répondre à l’usage croissant et autonome de l’IA générative par les collaborateurs.

La stratégie ne doit être ni le blocage total ni le laissez-faire.

Les sondés préconisent la mise en place de périmètres d’expérimentation sécurisés. Des solutions encadrées et des règles d’usage explicites réduisent les risques de fuite de données et encouragent l’innovation venue du terrain.

Enfin, la montée en compétence sur l’IA agentique est qualifiée de levier pour asseoir la crédibilité stratégique des équipes data face au déferlement du marketing fournisseur. Il sera crucial de maîtriser dès aujourd’hui les fondamentaux des LLM et les patterns agentiques pour anticiper les futures chaînes de valeur.

Commencer par deux ou trois projets métiers prioritaires

Plutôt que de lancer des programmes globaux et interminables, les répondants plaident, enfin, pour l’identification des données critiques pour 2 ou 3 projets métiers prioritaires.

Cette approche permettrait de démontrer une valeur immédiate, de valider un ROI concret et de prouver que la donnée peut réellement changer le quotidien d’une équipe opérationnelle.

Le monitoring des coûts (TCO) est une autre priorité, face à des frais souvent sous-estimés lors des phases de PoC. Il s’agit d’instituer des tableaux de bord précis qui intègrent le coût du compute, du stockage, mais aussi de la maintenance des modèles et de l’obsolescence technique. Un suivi financier rigoureux de type FinOps doit permettre d’arbitrer les investissements en Comex avec des chiffres concrets.

Enfin, le lancement de Data Products pilotes sur un périmètre restreint est un bon moyen d’ancrer la culture produit dans l’organisation. Ces actifs doivent impérativement être associés à un propriétaire métier nommé, à une documentation accessible et à des contrats de service (SLA) définis.

L’entreprise qui démarre par quelques actifs essentiels évite l’effet tunnel des grands programmes et installe progressivement la logique de responsabilité locale.