Développer l’IA ne devrait pas impliquer de reconstruire les fondations des données à chaque fois

La période de planification pour 2027 approche à grands pas pour les entreprises, et les investissements dans l’IA sont de nouveau au cœur des discussions des comités de direction. Une récente enquête d’Akeneo auprès de décideurs informatiques a révélé que 93 % des répondants faisaient état de gains de productivité grâce à l’IA, tandis que 43 % indiquaient que l’IA avait également ajouté de nouvelles responsabilités à leurs fonctions.

Ces résultats mettent en évidence l’ampleur du travail préparatoire nécessaire à la concrétisation des projets d’IA. La préparation des données représente une part importante de ce travail. Parmi les responsables informatiques interrogés par Akeneo, 36 % ont indiqué que leur entreprise consacrait plus de la moitié de l’effort total d’un projet d’IA à la préparation des données. 53 % supplémentaires ont déclaré y consacrer entre 26 % et 50 % de l’effort nécessaire à leur projet d’IA. Cette préparation est indispensable, mais l’enjeu consiste à faire en sorte que le travail réalisé pour un déploiement de l’IA puisse être réutilisé pour le suivant.

L’IA peut éliminer certaines tâches dans une partie de l’entreprise, tout en créant de nouvelles tâches pour les équipes informatiques, qui doivent préparer les données et reconstituer le contexte pour chaque nouveau déploiement. L’enjeu est désormais de rendre une plus grande partie de ce travail réutilisable, afin que chaque déploiement s’appuie sur le précédent au lieu de repartir de zéro.

Le contexte humain au cœur de l’IA

Les humains restent au cœur de tous les projets pilotes et déploiements d’IA. Les équipes informatiques interviennent tout au long du cycle de vie des nouvelles technologies : elles appréhendent les besoins de l’entreprise et évaluent les solutions, puis participent à leur mise en œuvre, à la formation, à l’élaboration des processus et à la sécurité continue. Avec le temps, les équipes peuvent ne pas consigner les exceptions et les règles non écrites qu’elles rencontrent, notamment les cas où un même terme est défini différemment selon les systèmes. Ce contexte devient souvent un savoir institutionnel détenu par des membres individuels de l’équipe, plutôt qu’une information à laquelle l’ensemble de l’organisation peut accéder de manière fiable.

Ce travail peut se poursuivre jusqu’à ce que la personne qui connaît la réponse ne soit plus disponible. Lorsque des employés changent de poste, quittent l’organisation ou ne sont tout simplement pas disponibles lorsqu’un problème survient, le contexte disparaît. Consigner ces connaissances dans un format structuré et accessible numériquement permet de les rendre accessibles au-delà de toute personne en particulier. Cela permet également aux équipes de conserver la maîtrise de leur expertise tout en veillant à ce que les connaissances puissent être consultées et réutilisées dans l’ensemble de l’organisation, plutôt que redécouvertes à chaque nouveau déploiement.

Des données de qualité ne sont pas toujours prêtes pour l’IA

Il peut être tentant de qualifier tout cela de simple problème de qualité des données, mais les recherches d’Akeneo suggèrent une situation plus complexe. 92 % des responsables informatiques jugent bonnes ou excellentes les données produit et opérationnelles utilisées par leurs systèmes d’IA. Même si la grande majorité consacre plus d’un quart de l’effort total d’un projet d’IA à la préparation des données.

Des données de qualité ne sont pas nécessairement prêtes pour l’IA, notamment parce que ce qui est considéré comme « de qualité » peut dépendre de la personne ou du système qui les exploite. Les modèles et les agents ont besoin de plus que de simples informations exactes. Ils doivent comprendre d’où proviennent les données, comment elles se rapportent aux autres informations, quelle source est prioritaire et dans quelles conditions elles peuvent être utilisées. Ces règles peuvent facilement passer inaperçues, car elles sont souvent implicites dans les méthodes de travail déjà employées par les équipes expérimentées.

Les récentes recherches de McKinsey sur la préparation des données pour l’IA soulignent elles aussi l’importance du contexte. Toutes les informations ne seront pas utiles aux modèles ou aux agents. Mais lorsque des informations sont utiles, leur contexte doit pouvoir être transmis. Dès que des informations quittent leur source d’origine, leur provenance et leurs liens avec les données environnantes doivent rester clairs afin que leur signification ne se perde pas.

C’est là que l’architecture qui sous-tend l’IA commence à compter autant que le modèle lui-même. Contrairement aux logiciels traditionnels, les grands modèles de langage (LLM) peuvent souvent fonctionner avec des données fragmentées et des systèmes déconnectés, même lorsque les informations sont structurées ou étiquetées différemment d’une source à l’autre. Ils peuvent repérer des liens qui n’avaient peut-être jamais été définis explicitement. Le principal défi est l’absence totale de données. À mesure que les modèles et les agents interagissent avec différents systèmes, les informations et le contexte dont ils ont besoin doivent d’abord exister et être accessibles.

Les recherches de PwC menées en 2026 sur le déficit d’exécution de l’IA ont révélé que l’intégration reste la principale raison pour laquelle les investissements technologiques ne répondent pas aux attentes. Connecter un vaste ensemble de données non structurées prend du temps et ralentit souvent les projets avant leur déploiement complet.

Le travail nécessaire pour résoudre ces problèmes lors d’une mise en œuvre peut faciliter la suivante.

Rendre l’infrastructure d’IA réutilisable

Pour un projet d’IA, une grande partie de cette préparation peut se faire en coulisses. Les équipes informatiques corrigent les incohérences, préparent les informations dont une application a besoin et l’intègrent à d’autres systèmes afin de mettre le projet en production.

Le problème survient lorsque ce travail ne répond qu’au besoin immédiat. La préparation des données fera toujours partie du déploiement de l’IA, mais une grande partie de cet effort devrait profiter aux projets suivants. Si une équipe découvre qu’un même champ ou terme a des significations différentes dans deux systèmes, résoudre cette ambiguïté devrait permettre d’établir une définition réutilisable par de futures applications. Si elle détermine quelle source privilégier lorsque les systèmes se contredisent, cette décision devrait également s’appliquer aux déploiements futurs.

Le même principe s’applique aux intégrations. Plutôt que de créer un nouvel accès aux produits et aux informations pour chaque modèle ou agent, les organisations devraient établir des moyens cohérents permettant aux systèmes d’IA de trouver et d’utiliser des informations fiables.

La première mise en œuvre peut tout de même nécessiter un travail considérable, car les équipes mettent au jour des définitions, des relations et des exceptions qui relevaient auparavant de l’expérience des personnes. Ce travail peut être réutilisé à mesure que le savoir institutionnel s’intègre de plus en plus à l’infrastructure de l’organisation. Les déploiements successifs peuvent tirer parti de ce travail, dans une mesure qui dépend du degré de similitude entre leurs données et leurs cas d’usage.

Cela devient de plus en plus important à mesure que l’IA ne se contente plus de générer des réponses et commence à agir au sein des systèmes d’entreprise. L’Initiative de normalisation des agents d’IA du NIST souligne l’importance de permettre aux agents d’interagir de manière sécurisée avec les données internes et les systèmes externes. À mesure que les agents assument davantage de responsabilités et interagissent avec un plus grand nombre de systèmes et de modèles, les organisations doivent veiller à définir le contexte et les contrôles appropriés pour chaque cas d’usage, sans avoir à tout reprendre depuis le début.

La gouvernance doit faire partie de l’environnement

Une infrastructure réutilisable exige également une gouvernance réutilisable. L’enquête de septembre 2026 d’EY sur les risques et la gouvernance de l’IA a révélé que 91 % des cadres supérieurs responsables de l’IA ont déclaré que leur organisation pilotait ou déployait l’IA agentique, tandis que 49 % des répondants dont l’organisation utilise des agents ont indiqué que les cadres de gouvernance en place n’avaient pas été spécifiquement mis à jour pour tenir compte des exigences et des risques liés à l’IA agentique.

À mesure que l’IA assume davantage de responsabilités au sein d’un processus métier, les règles qui régissent ce processus doivent faire partie de l’environnement dans lequel l’IA fonctionne. Un agent peut être autorisé à accéder de manière autonome à certaines informations, tandis que d’autres étapes du processus peuvent nécessiter une vérification ou une approbation humaine avant qu’il puisse poursuivre. Ces décisions ne peuvent pas rester consignées uniquement dans un document de politique ni reposer seulement sur la compréhension qu’a quelqu’un du déroulement prévu du processus.

Les décisions en matière de gouvernance doivent dépasser le cadre des examens internes et être intégrées aux systèmes dans lesquels l’IA fonctionne. Les politiques, les autorisations et les étapes d’approbation qui encadrent un système doivent être définies dès son déploiement. Si ces contrôles ne sont pas intégrés au système, les équipes devront réinterpréter les politiques et les autorisations chaque fois qu’un nouveau cas d’usage de l’IA sera déployé.

Se préparer à la prochaine vague de l’IA

En 2027, alors que les entreprises investiront leurs budgets croissants consacrés à l’IA, les équipes informatiques devront gérer un nombre grandissant de modèles, d’intégrations et de systèmes. Le véritable enjeu sera de savoir si les organisations construisent une infrastructure capable de prendre en charge la suite.

Si les équipes continuent de résoudre les mêmes problèmes de définition, de reconstruire les mêmes connexions et de traduire les mêmes règles, l’IA risque de se développer plus rapidement que l’infrastructure nécessaire à son fonctionnement.

Cela invite à envisager autrement la préparation à l’IA. Les progrès ne devraient pas être évalués uniquement en fonction du nombre de modèles ou d’agents mis en production, mais aussi selon que chaque mise en œuvre prépare mieux l’entreprise à la suivante.

L’IA accélère déjà l’exécution de tâches individuelles. Le prochain gain de productivité viendra de la réutilisation plus facile du travail qui sous-tend ces systèmes. L’IA s’intègre de plus en plus aux processus métier, ce qui exige que davantage de systèmes s’appuient sur les mêmes fondations de données. Construire cette base dès maintenant déterminera la facilité avec laquelle les organisations pourront tirer parti de la prochaine génération d’IA.