Onur Alp Soner, PDG et co-fondateur de Countly – Série d’entretiens

Onur Alp Soner est le co-fondateur et PDG de Countly, une plateforme d’analyse numérique et d’engagement en application. Technologue et auto-entrepreneur, il a créé Countly à partir de zéro pour donner aux entreprises un contrôle accru sur la façon dont elles comprennent et interagissent avec leurs utilisateurs. Sous sa direction, Countly est devenu une plateforme de confiance pour les entreprises du monde entier qui souhaitent innover rapidement tout en gardant la confidentialité des utilisateurs au centre de leurs stratégies de croissance.

Ramenons-nous au moment qui vous a conduit à fonder Countly — qu’est-ce que vous rencontriez personnellement avec les outils d’analyse existants qui vous ont convaincu que le modèle de propriété des données était fondamentalement défectueux ?

Il y a environ 13 ans, lorsque les applications mobiles commençaient à prendre leur essor, les outils d’analyse disponibles suivaient un modèle très particulier. Beaucoup d’entre eux étaient gratuits ou peu coûteux, mais le compromis était que la plateforme collectait et monnayait vos données, souvent en les intégrant dans des écosystèmes publicitaires. À l’époque, cela était largement accepté comme la façon normale de procéder.

Cependant, cela ne nous a pas convenu. Même en tant que petite entreprise, l’idée de remettre toutes nos données d’utilisateurs juste pour comprendre comment notre produit se comportait ne nous a pas paru sensée.

Countly a commencé comme une réponse à cela. Nous voulions créer des outils d’analyse que les entreprises pourraient pleinement posséder et contrôler, c’est pourquoi nous l’avons lancé comme une plateforme open-source et auto-hébergée. L’idée était simple : les organisations devraient être capables de comprendre et d’agir sur leurs données sans les céder. Ce principe est toujours au cœur de Countly aujourd’hui.

Depuis la fondation de Countly, l’IA a fait passer la propriété des données d’une préoccupation de niche à une exigence stratégique. Quand est-il devenu clair pour vous que ce principe aurait une importance qui allait bien au-delà de l’analyse ?

Au début, la plupart des discussions sur la propriété des données étaient axées sur la confidentialité ou la conformité. C’étaient principalement les banques, les prestataires de soins de santé et les gouvernements qui se souciaient profondément de l’endroit où vivaient leurs données et de qui les contrôlait. Pour de nombreux autres, l’analyse était encore considérée comme un simple outil de rapport, donc la question de la propriété ne semblait pas urgente.

Cette perspective a commencé à changer à mesure que les entreprises ont commencé à s’appuyer davantage sur les données pour faire fonctionner leurs produits, et non seulement pour les mesurer. Une fois que l’analyse est passée de la simple observation à la prise de décision, à la personnalisation, aux modifications de produit et à l’engagement client, l’importance du contrôle de ces données est devenue beaucoup plus claire. Chaque entreprise numérique, de la mobilité à l’hôtellerie, a commencé à concurrencer les données, et non seulement l’expérience utilisateur.

L’IA a accéléré cette prise de conscience de manière spectaculaire. Vous pouvez acheter ou construire un modèle d’IA, mais vous ne pouvez pas acheter les données comportementales qui reflètent la façon dont vos propres clients interagissent avec votre produit. Ces données sont uniques à chaque organisation.

De nombreuses organisations pensent qu’elles sont « prêtes pour l’IA » parce qu’elles ont de grandes quantités de données. Qu’est-ce qui manque généralement en dessous de la surface, d’après ce que vous observez dans les entreprises réelles ?

Le manque de données n’est généralement pas le problème. Le véritable problème est le manque de données exploitables. De nombreuses organisations ont d’énormes volumes d’informations, mais celles-ci sont fragmentées entre différents outils, équipes et systèmes. Par exemple, le marketing peut avoir un jeu de données, le produit un autre, et l’ingénierie ses propres données de télémétrie, souvent stockées dans différents formats avec peu de structure partagée.

Pour que l’IA soit utile, les données sous-jacentes doivent être propres, cohérentes et contextualisées. Il ne suffit pas de collecter des événements ou des journaux ; il faut comprendre ce que ces signaux représentent réellement. Sans cette couche sémantique, les systèmes d’IA sont essentiellement des devinettes.

Un autre problème est la propriété. Un nombre surprenant d’entreprises ne contrôlent pas réellement leurs propres données parce qu’elles se trouvent dans des plateformes tierces. Cela rend difficile la combinaison de jeux de données, la gouvernance de leur utilisation ou l’application sécurisée de modèles d’IA.

Donc, lorsque les entreprises disent qu’elles sont prêtes pour l’IA parce qu’elles ont beaucoup de données, la vraie question est de savoir si elles ont une fondation de données cohérente.

Pourquoi les données de première partie créent-elles un avantage concurrentiel durable dans les systèmes d’IA, tandis que les modèles eux-mêmes deviennent de plus en plus interchangeables ?

Ce qui crée un avantage durable, ce n’est pas le modèle lui-même, mais la compréhension des utilisateurs qui provient des données de première partie. Ces données reflètent la façon dont les gens interagissent réellement avec votre produit, et elles sont uniques à chaque organisation. Les modèles, en revanche, deviennent de plus en plus des produits génériques. Vous pouvez les acheter, les affiner ou basculer entre les fournisseurs relativement facilement. Ce que vous ne pouvez pas reproduire, ce sont les données comportementales générées par vos propres utilisateurs qui interagissent avec vos produits au fil du temps.

Ces données capturent des modèles, des contextes et des signaux qui reflètent la façon dont les clients se comportent réellement. Lorsqu’elles sont structurées et comprises correctement, elles permettent aux entreprises de construire des systèmes qui apprennent en continu à partir d’une utilisation réelle et non de jeux de données génériques.

À quel endroit les piles d’analyse modernes se brisent-elles discrètement lorsqu’elles sont réutilisées pour les systèmes d’IA plutôt que pour les rapports, les tableaux de bord et les KPI ?

Elles ont tendance à se briser au point où les données doivent passer de l’observation à l’action. Les piles d’analyse traditionnelles ont été conçues principalement pour la production de rapports. Elles collectent et agrègent les données, puis les présentent dans des tableaux de bord qui aident les équipes à comprendre ce qui s’est passé hier ou la semaine dernière.

Les systèmes d’IA, cependant, fonctionnent différemment. Ils nécessitent des données structurées, contextualisées et disponibles en temps réel pour influencer directement le comportement d’un système. Lorsque les pipelines d’analyse sont construits autour du traitement par lots et de la production de rapports retardés, ils ont du mal à supporter les systèmes qui doivent réagir instantanément.

Comment le manque de véritable propriété des données se manifeste-t-il opérationnellement lorsque les équipes tentent de passer de l’expérimentation à la production avec l’IA ?

Il apparaît généralement comme un problème de contrôle. En fin de compte, si vous n’avez pas le contrôle de vos données, vous n’avez pas le contrôle de votre IA. Cela devient particulièrement clair lorsque les équipes passent de l’expérimentation à la production. Pendant l’expérimentation, les équipes peuvent souvent travailler avec de petits jeux de données ou des pipelines temporaires, mais les systèmes de production nécessitent un accès constant à des données fiables dans toute l’organisation.

Ensuite, dans de nombreuses entreprises, les données sous-jacentes résident dans différents services tiers, tels que des outils d’analyse, des systèmes de marketing ou des services cloud. Cela rend difficile la combinaison de jeux de données, l’application de règles de gouvernance ou le déplacement de données entre les systèmes de manière contrôlée. C’est l’une des raisons pour lesquelles de nombreux projets d’IA restent coincés dans les phases de pilote. Sans des données structurées et étendues à l’organisation, il devient difficile de déployer l’IA de manière fiable en production.

Cela rend également plus difficile la traçabilité de la façon dont un modèle a pris une décision ou la reconstruction de l’état de données exact derrière celle-ci. Sans ce niveau de contrôle, la correction des erreurs ou le retour en arrière des décisions devient extrêmement difficile.

Pourquoi une mauvaise structure de données, une sémantique et un contexte défaillants sapent-ils même les modèles d’IA les plus capables ?

Même les modèles d’IA les plus capables ne sont que aussi bons que les données qu’ils reçoivent. Si les données sous-jacentes sont mal structurées ou manquent de contexte, le modèle a très peu de compréhension de ce que ces signaux représentent réellement.

Dans de nombreux systèmes, les données sont collectées sous forme d’événements ou de journaux isolés sans signification claire. Un modèle peut voir des milliers d’interactions, mais sans structure et sémantique appropriées, il ne peut pas distinguer ce qui est important et ce qui ne l’est pas.

Le contexte est également important. Les systèmes d’IA ont besoin de comprendre comment les différentes parties des données se rapportent les unes aux autres au fil du temps. Sans ce contexte, les modèles peuvent toujours produire des sorties, mais elles sont souvent peu fiables car le système travaille avec des informations incomplètes.

Quels sont les signes avant-coureurs qui indiquent qu’une entreprise est en train de se diriger vers des résultats génériques d’IA longtemps avant que ces expériences ne semblent génériques aux clients ?

Le signe d’avertissement le plus basique est lorsque les entreprises s’appuient sur les mêmes modèles et outils d’IA externes mais ne font que peu pour développer leurs propres fondations de données. Si les organisations utilisent les mêmes modèles mais n’alimentent pas leurs propres données d’utilisateurs et de contexte, les systèmes fonctionnent essentiellement à partir des mêmes entrées génériques. Dans cette situation, l’IA ne peut produire que des résultats génériques. Au fil du temps, cela conduit à des produits qui semblent de plus en plus similaires car l’intelligence derrière eux est construite sur les mêmes informations limitées.

Un autre signe d’avertissement est lorsque les organisations se concentrent fortement sur l’adoption de modèles d’IA mais accordent peu d’attention à la structure et à la qualité de leurs données. L’IA amplifie ce qu’elle reçoit. Si les données sous-jacentes sont désorganisées, fragmentées ou mal structurées, le système produira simplement une version plus sophistiquée du même problème.

Pour les organisations qui tentent de construire l’IA sur leurs propres données, qu’est-ce que Countly permet réellement que les plateformes d’analyse et de données traditionnelles ne permettent pas ?

La principale différence réside dans la façon dont le contrôle est intégré à la plateforme. Dans de nombreux produits d’analyse, la propriété des données est quelque chose qui apparaît comme une option ou une fonctionnalité. Avec Countly, elle se trouve au cœur du système. La plateforme a été conçue pour que les organisations n’aient pas à échanger le contrôle de leurs données pour des fonctionnalités avancées.

Dans la pratique, cela signifie que les entreprises peuvent exécuter Countly dans leur propre environnement, maintenir un contrôle total sur leur pile de données et toujours accéder à des capacités d’analyse, d’engagement et d’automatisation à grande échelle. Cela devient particulièrement important lorsque les organisations veulent construire l’IA sur leurs propres données. De nombreux outils d’analyse traditionnels sont conçus principalement pour la production de rapports, ce qui signifie que les données qu’ils collectent restent souvent à l’intérieur des tableaux de bord tiers au lieu de devenir une fondation utilisable pour d’autres systèmes. Countly adopte une approche différente en traitant l’analyse comme une partie de l’infrastructure de données sous-jacente.

À mesure que les systèmes d’IA deviennent intégrés dans la prise de décision quotidienne, comment la définition de l’IA éthique devrait-elle évoluer lorsque la propriété des données est traitée comme un principe de conception fondamental plutôt que comme une case à cocher de politique ?

Une fois que la propriété des données devient un principe de conception, l’IA éthique n’est plus une question d’audit des modèles après coup, mais de conception de systèmes où les utilisateurs conservent le contrôle sur les données qui les entraînent. L’éthique devient une infrastructure.

Je vous remercie pour cette grande interview. Les lecteurs qui souhaitent en savoir plus peuvent visiter Countly.