Leaders d’opinion

La gouvernance de l’IA en entreprise commence par l’infrastructure des bases de données

Phillip Merrick
Ajouter Unite.AI à vos sources préférées sur Google
Points clés% des pilotes d'IA en entreprise échouent parce que la gouvernance n'est pas intégrée…
Voir plus
  • % des pilotes d'IA en entreprise échouent parce que la gouvernance n'est pas intégrée au niveau de la couche de données.
  • Les agents autonomes exigent des contrôles au niveau de la couche de données, car les écritures non gouvernées peuvent se propager en cascade à travers les systèmes.
  • Une gouvernance axée d'abord sur l'infrastructure au niveau de la base de données comble l'écart entre le pilote et la production.

Les expérimentations d’IA en entreprise n’ont jamais avancé aussi vite, mais le passage en production reste désespérément lent. Les équipes lancent des projets pilotes, testent des modèles et présentent des résultats prometteurs en quelques semaines, parfois en quelques jours. Pourtant, lorsqu’il faut déployer ces systèmes à grande échelle, les progrès s’interrompent souvent. Des inquiétudes apparaissent en matière de sécurité, les exigences de conformité se durcissent et les questions de gouvernance se multiplient. [1]

Le rapport du MIT The GenAI Divide: State of AI in Business 2025 a constaté que 95 % des projets pilotes d’IA en entreprise ne produisent pas d’effet mesurable sur l’activité. Seuls 5 % atteignent la production et génèrent un véritable rendement financier. L’étude portait sur plus de 300 déploiements d’IA et 150 entretiens avec des dirigeants. Elle concluait que le principal obstacle n’était pas la capacité du modèle, mais une mauvaise intégration aux systèmes de l’entreprise. La plupart des organisations considèrent qu’il s’agit d’un problème de règles à résoudre au niveau de la direction. Pour ma part, je dirais que la gouvernance de l’IA est un défi qui concerne les systèmes et commence au niveau des données.

Pourquoi les projets d’IA restent bloqués au stade pilote

De nombreuses initiatives d’IA rencontrent des difficultés parce que les environnements utilisés pour créer leurs prototypes sont fondamentalement inadaptés aux réalités du déploiement en entreprise. Les développeurs sont incités à avancer vite en utilisant des outils souples, des jeux de données soumis à une gouvernance peu rigoureuse et des infrastructures en libre-service, afin de démontrer leur valeur au plus tôt. C’est idéal pour expérimenter, mais cela ne se transpose pas directement aux environnements de production, qui exigent une capacité d’audit, des contrôles d’accès stricts, le respect des réglementations et une résilience opérationnelle.

La gouvernance n’est donc souvent introduite qu’après la réussite d’une preuve de concept. À ce stade, la couche qui aurait dû faciliter la mise en œuvre devient une contrainte. Les équipes doivent adapter après coup les modèles de sécurité, repenser les flux de données et revoir des hypothèses de conformité qui auraient dû être fondatrices dès le départ.

Cela creuse l’écart entre ce que les systèmes d’IA peuvent démontrer dans des environnements contrôlés et ce que les entreprises peuvent déployer en production de façon sûre et fiable.

Parallèlement, l’ensemble des technologies modernes de l’IA a évolué pour privilégier la rapidité et l’accessibilité, souvent au détriment du contrôle. Les plateformes pratiques pour les développeurs facilitent les projets pilotes, mais peuvent masquer où se trouvent les données, comment elles sont utilisées et qui y a accès. 

Il en résulte de véritables risques opérationnels et réglementaires : exposition involontaire de données, frontières mal définies entre les données de différents environnements et capacité insuffisante à auditer le comportement du système. Ces problèmes apparaissent directement lors des évaluations de préparation à la production et de conformité. Les enquêtes auprès des entreprises montrent systématiquement que les problèmes de qualité et de gouvernance des données figurent parmi les principales causes d’échec des projets d’IA, cités dans 60 à 70 % des cas. La dépendance croissante aux infrastructures de tiers et aux services de bases de données managés aggrave le problème : elle peut fragmenter davantage la propriété des données et compliquer l’adaptation aux exigences réglementaires. Dans de nombreux cas, les organisations supposent que les plateformes prennent implicitement la gouvernance en charge, alors qu’en réalité la responsabilité se répartit entre plusieurs couches technologiques.[1]

Le résultat est paradoxal : les outils qui accélèrent l’expérimentation en IA sont souvent ceux qui créent des difficultés au moment du passage en production.

La base de données comme véritable couche de gouvernance

Pour remédier à ce décalage, il faut repenser l’endroit où la gouvernance s’exerce réellement.

La gouvernance est souvent présentée comme une fonction de définition des règles, assurée par les équipes juridiques, de conformité ou de direction, dont l’application repose sur la documentation et les procédures de revue. Ces mécanismes sont essentiels, mais ne suffisent pas à eux seuls. La gouvernance ne prend tout son sens que lorsque son application est imposée au niveau du système.

En pratique, cela se produit là où les données sont stockées, consultées et transformées. La base de données et l’infrastructure de données qui l’entoure deviennent ainsi la couche de gouvernance la plus importante dans l’ensemble des technologies de l’IA.

Les bases de données modernes ne sont pas des dépôts passifs. Elles définissent les autorisations d’accès, imposent les exigences de localisation géographique des données, gèrent le chiffrement et les contrôles des clés, et produisent les journaux d’audit nécessaires à la conformité et à la supervision de la sécurité. Elles jouent aussi un rôle croissant de point de contrôle par lequel les systèmes d’IA interagissent avec les données de l’entreprise.

C’est important, car les systèmes d’IA héritent de l’état de gouvernance de l’infrastructure de données dont ils dépendent. Si la couche de base de données sous-jacente manque de structure, de contrôles ou de visibilité, ces faiblesses se transmettent directement aux systèmes d’IA construits au-dessus. Aucune règle au niveau applicatif en aval ne peut compenser entièrement un socle de données dépourvu de gouvernance.

Cela appelle une évolution architecturale plus large : la gouvernance doit être intégrée à l’infrastructure dès le départ, et non ajoutée après le déploiement. Une approche de l’IA qui part de l’infrastructure consiste à concevoir des systèmes dont la gouvernance est une propriété intrinsèque, plutôt qu’une contrainte extérieure. L’accès aux données passe par des interfaces contrôlées. Les requêtes et les interactions des systèmes sont journalisées par défaut. Les règles de conformité, notamment les restrictions d’accès, les politiques de conservation et les exigences de localisation, sont imposées au niveau du système plutôt que par une supervision manuelle ou une validation a posteriori.

Cela nécessite des solutions architecturales telles que des couches sécurisées de médiation des requêtes, des contrôles d’accès fondés sur des politiques et une observabilité centralisée dans les environnements de données distribués. Ces mécanismes garantissent une application continue de la gouvernance, plutôt qu’une vérification périodique.

La différence entre gouvernance proactive et réactive est fondamentale. Les approches réactives tentent de corriger les problèmes après la construction et le déploiement des systèmes. Les approches proactives empêchent leur apparition en intégrant les contrôles directement dans l’architecture du système.

Dans les environnements d’IA, cette distinction détermine si les systèmes peuvent passer à l’échelle ou restent bloqués.

Quand les agents entrent en jeu

Les agents autonomes changent les conditions de la gouvernance d’une manière à laquelle la plupart des organisations ne sont pas préparées. Un agent ne se contente pas de lire des données : il en écrit, déclenche des actions dans plusieurs systèmes et fait les deux sans intervention humaine.

Cela change entièrement la nature des défaillances. Une requête insuffisamment encadrée par la gouvernance renvoie une mauvaise réponse. Un agent insuffisamment encadré agit ensuite sur cette base : il met à jour des enregistrements, déclenche les processus suivants et propage des décisions entre systèmes avant que quiconque ne s’aperçoive d’un problème.

C’est pourquoi les garde-fous ne peuvent pas se limiter à la couche applicative. Un agent travaillant dans plusieurs systèmes trouvera toujours le chemin de moindre résistance. Les contrôles doivent être imposés au niveau des données, où toute lecture et toute écriture passent par une médiation et sont journalisées, quel que soit l’élément qui les a déclenchées.[1]

Gartner prévoit que plus de 40 % des projets d’IA agentique seront retardés ou annulés en raison de problèmes de gouvernance et de fiabilité. Ce chiffre me paraît faible, car il suppose que les organisations identifient correctement la gouvernance comme cause, au lieu d’attribuer les échecs au modèle ou aux outils. La cause profonde reste généralement invisible jusqu’à ce qu’elle entraîne des coûts élevés.

De l’expérimentation à une IA prête pour la production

Les organisations qui font passer l’IA avec succès de l’expérimentation à la production ont généralement un point commun : elles alignent très tôt leurs environnements de développement et de production. 

Au lieu de laisser les systèmes expérimentaux s’éloigner des contraintes de production, elles conçoivent les deux environnements selon des principes cohérents de gouvernance, de sécurité et d’accès aux données. Cela réduit les difficultés plus tard dans le cycle de vie, lorsque les modèles passent du prototype aux charges de travail de production.

Cet alignement est de plus en plus important, car la plupart des entreprises ne disposent toujours pas d’une infrastructure d’IA mature et adaptée à la production. Des lacunes persistent dans l’accès sécurisé aux données, la surveillance, l’observabilité et l’application des règles de conformité. Elles ne sont pas isolées : ce sont des difficultés structurelles qui apparaissent lorsque l’IA dépasse les environnements pilotes pour intégrer des processus essentiels à l’activité.

Un autre décalage majeur entre prototypage et production apparaît lorsque les applications et les bases de données de production doivent être hébergées sur site ou dans des comptes cloud strictement administrés, alors que les prototypes ont été développés sur des plateformes de bases de données dans le cloud.

Dans les organisations matures, les charges de travail d’IA sont traitées avec la même rigueur que les autres systèmes soumis à une réglementation. Cela signifie une journalisation cohérente, des contrôles d’accès stricts, une surveillance continue et des responsabilités clairement définies entre les équipes. Cela exige aussi une coordination plus étroite entre l’ingénierie des données, l’ingénierie des plateformes, la sécurité et la conformité dès le début, plutôt que de les associer après coup.[1]

Les avantages de cette approche vont au-delà de la réduction des risques. Les organisations bénéficient aussi de cycles de déploiement plus rapides, de moins de défaillances en production et d’une plus grande confiance interne dans les systèmes d’IA. Dans ce contexte, le passage à l’échelle de l’IA dépend moins de l’innovation des modèles que de la maturité de l’infrastructure.

La gouvernance est une nécessité architecturale

En définitive, le débat sur la gouvernance de l’IA doit dépasser les politiques pour aborder l’architecture. 

La gouvernance est souvent considérée comme une fonction de supervision, mais elle est en pratique imposée par les systèmes qui définissent l’accès aux données et leur utilisation. La base de données n’est pas simplement une couche de stockage : c’est le point de contrôle de la sécurité, de la conformité et de l’intégrité opérationnelle de l’ensemble des technologies de l’IA.

À mesure que l’IA s’intègre plus profondément aux processus de l’entreprise, l’importance de ce point de contrôle augmente sensiblement. Toute interaction entre un modèle et les données de l’entreprise devient un événement soumis à la gouvernance, que les organisations l’aient explicitement prévu dans leur conception ou non.

En donnant la priorité à une gouvernance qui part de l’infrastructure, à commencer par la couche de base de données, les entreprises peuvent combler le fossé entre les projets pilotes et la production. Elles font ainsi passer l’IA d’expériences isolées à une capacité durable et extensible, intégrée dans toute l’organisation.

Phillip Merrick est co-fondateur et CPO de pgEdge. Entrepreneur, technologue et dirigeant expérimenté avec des racines profondes dans les infrastructures de données et les plateformes cloud qui alimentent les systèmes d'IA d'aujourd'hui. Co-fondateur et/ou PDG de webMethods, EDB, SparkPost, Fugue et pgEdge ; a dirigé des entreprises de startup à IPO et trois sorties dans la gamme de 9 à 10 chiffres.