Des données propres et normalisées sont essentielles pour une mise en œuvre efficace de l’IA
L’intelligence artificielle n’a d’égal que les données sur lesquelles elle est entraînée. Et si ces données sont incomplètes, dispersées ou mal étiquetées, vous n’obtiendrez pas d’intelligence, mais du bruit. Des données propres, structurées et cohérentes ne sont pas une recommandation, c’est une exigence.
Aujourd’hui, il est courant que les flux de travail s’étendent au marketing, à l’informatique, aux ventes et à la finance, et qu’ils s’appuient tous sur des systèmes différents. Souvent, ces systèmes n’ont pas été conçus pour communiquer entre eux. Il en résulte un écosystème fragmenté qui crée un désalignement, tant au niveau opérationnel qu’au niveau de la prise de décision. C’est un problème. Les données doivent être accompagnées de leur contexte. Cela signifie qu’il faut appliquer des normes de métadonnées et intégrer l’hygiène des données, non pas dans un département, mais partout.
Ce qui change avec l’IA, c’est que les enjeux sont désormais plus importants. Dans le passé, les humains pouvaient pallier les faiblesses des données en faisant preuve de discernement et en déployant des efforts. Cette marge de manœuvre s’amenuise. Les systèmes d’IA traitent les données à une vitesse et à une échelle qui éliminent la plupart des filets de sécurité humains. Si vous introduisez des données erronées, le système tombera en panne plus rapidement et de manière plus visible.
M. Allen, qui s’exprimait du point de vue de la stratégie exécutive, n’a pas mâché ses mots : « Des données propres à l’entrée, de meilleurs résultats à la sortie. Sinon, nous ne faisons qu’accélérer le chaos avec l’IA ». James s’est exprimé du point de vue des opérations, soulignant que de mauvaises données ne nuisent pas seulement à l’efficacité, mais aussi à l’expérience client et au retour sur investissement. Kao a ajouté un point de vue marketing, qualifiant l’IA de fonction de forçage attendue depuis longtemps pour une meilleure discipline en matière de données. Nous avons assez longtemps survécu avec des données défectueuses. Aujourd’hui, l’IA exige une mise à niveau.
La propreté des données n’est pas une question de perfection. Il s’agit de responsabiliser l’ensemble de votre organisation. Chaque équipe doit s’approprier sa part du flux de données. Chaque système doit parler la même langue. L’IA ne peut pas donner un sens à la confusion, elle ne peut qu’apporter de la clarté.
Les efforts en matière d’IA doivent commencer par des données « suffisamment bonnes », sans attendre la perfection
L’une des plus grandes erreurs ? Les entreprises attendent. Attendre des données parfaites. Attendre que l’analyse de rentabilité soit irréprochable. Attendre… quelque chose. En réalité, vous ne disposerez jamais de données parfaites. Ce qui compte, c’est de savoir quand vos données sont suffisamment bonnes pour commencer, et comment utiliser les garde-fous pour avancer de manière responsable.
Il ne s’agit pas d’abaisser les normes, mais de travailler avec ce que l’on a tout en prenant confiance en soi au fur et à mesure que l’on s’améliore. Schwanke a présenté un cadre pragmatique, les trois C : Contexte, Conséquence, Confiance. C’est simple et efficace. Tout d’abord, sachez pourquoi les données sont importantes (contexte). Ensuite, comprenez ce qui pourrait se passer en cas d’inexactitude (Conséquence). Enfin, définissez comment vous allez tester et valider (confiance). Cette structure vous permet de prendre des décisions sans vous soucier de la perfection.
Ne perdez pas de temps à comparer votre ensemble de données à un idéal imaginaire. Comparez les résultats. M. Kao a suggéré de comparer la méthode améliorée par l’IA au processus manuel existant. C’est de là que naît la confiance, en démontrant les gains et non en promettant l’utopie. Montrez à l’équipe où les améliorations se produisent dans le monde réel.
Les dirigeants intelligents ne recherchent pas la perfection, ils favorisent l’action. Le premier modèle n’est peut-être pas parfait. Ce n’est pas grave. Construisez-le. Mesurez-le. Ajustez-le. Répétez. Puis répétez. Cette boucle de rétroaction renforce à la fois le modèle et les données qui le sous-tendent.
Ce qui compte le plus ici, c’est l’élan. L’attente est l’ennemi du progrès. Si l’IA figure sur votre feuille de route, commencez à marcher. Assurez-vous simplement d’utiliser une carte suffisamment détaillée pour vous permettre de passer les premiers tours.
Des équipes cloisonnées et des incitations mal alignées entravent la collaboration entre le marketing et l’informatique
De nombreuses organisations fonctionnent en silos sans s’en rendre compte, jusqu’à ce qu’elles essaient de mettre en œuvre l’IA. Le décalage devient alors évident. Le marketing veut un déploiement et des résultats rapides. L’informatique se concentre sur l’évolutivité et l’architecture à long terme. Sans objectif commun, les deux parties sont perdantes.
Il ne s’agit pas seulement d’une mauvaise communication, mais d’un problème structurel. Les différents départements mesurent le succès différemment. Le marketing peut vouloir une solution légère pour le prochain trimestre. Le service informatique, quant à lui, peut concevoir un cadre destiné à soutenir l’ensemble de l’organisation au cours des trois prochaines années. Ces objectifs sont valables, mais s’ils sont contradictoires, les déploiements d’IA s’arrêtent avant même d’avoir commencé.
Il existe un moyen pratique de sortir de cette situation : élaborer des feuilles de route communes qui précisent ce qui doit être fait, pourquoi et dans quel délai. Ne pensez pas que l’alignement se fera naturellement. Documentez-le. M. Sedlak a précisé ce point : « L’alignement ne consiste pas à échanger des mises à jour lors de réunions. Il s’agit d’objectifs et de priorités partagés et de feuilles de route communes. » M. James a ajouté que les équipes de marketing modernes étant de plus en plus à l’aise avec la technologie, elles peuvent souvent contourner le service informatique. Cela peut sembler rapide à première vue, mais cela conduit à des systèmes fragmentés et à des flux de données incohérents. Vous n’obtiendrez pas d’économies d’échelle de cette manière.
M. Allen a insisté sur le fait que des incitations mal alignées creusent les écarts opérationnels : « Le service informatique peut préconiser une construction sur plusieurs années. Le marketing, quant à lui, peut se contenter d’une solution légère qu’il pourra utiliser demain. Les deux approches peuvent fonctionner, mais pas de manière isolée. M. Schwanke propose une solution simple : utiliser des documents sur les besoins de l’entreprise. Sortez les hypothèses de la tête des gens et mettez-les sur une page commune. Tout le monde sait ce qui est construit et pourquoi.
Pour les dirigeants, il s’agit de clarté et d’appropriation partagée. Cessez de supposer que les équipes s’aligneront par défaut. N’attendez pas les ratés pour forcer la collaboration. Définissez des résultats communs et soyez explicite sur ce qu’est la réussite, pour tout le monde.
L’IA pousse naturellement les organisations vers la collaboration interfonctionnelle
L’IA ne se soucie pas de votre organigramme. Elle croise les opérations, le marketing, les ventes, les finances et l’expérience client dans un flux de système unique. Elle a besoin d’être intégrée dès le départ. Cela fait de la fragmentation un handicap et de la direction unifiée une nécessité.
C’est Kao qui l’a le mieux exprimé : « L’IA ne reconnaît pas les départements. Elle nous oblige à travailler de manière transversale. » Ce n’est pas un avertissement, c’est une exigence. L’efficacité de l’IA repose sur la qualité des informations obtenues à partir de différentes sources de données. Vous ne pouvez pas y parvenir si vos systèmes sont déconnectés. Vos collaborateurs doivent travailler de manière transversale, vos plateformes doivent communiquer entre elles et vos objectifs doivent être alignés sur ceux des autres équipes.
James a mis en évidence un changement d’état d’esprit : les entreprises doivent cesser de penser en termes d’outils cloisonnés (comme les opérations de marketing) et commencer à penser en termes de systèmes de commercialisation qui unifient les fonctions. Cela signifie qu’il faut aligner les ventes, l’informatique, le CX et la finance sur une plateforme de bout en bout. M. Sedlak a appuyé cette idée en déclarant que les responsables des opérations de marketing doivent aller au-delà de la simple pression sur les boutons. Ils doivent comprendre comment les systèmes s’intègrent et où les processus se croisent. C’est là qu’ils créent un impact, en ne se contentant pas de maintenir les outils, mais en libérant de la valeur.
M. Allen a souligné une évolution essentielle : le rôle du Chief Data Officer. Il ne s’agit pas d’un arbitre entre les départements. Il s’agit d’une personne qui veille à ce que chaque décision ait des répercussions sur les données et à ce que le contexte des données soit pris en compte dans l’ensemble de l’organisation. Ce type de rôle n’est pas négociable dans une entreprise alimentée par l’IA, car le risque d’interprétation erronée à grande échelle est réel si le contexte est perdu entre les équipes.
Les dirigeants devraient considérer la mise en œuvre de l’IA non seulement comme un changement technique, mais aussi comme un catalyseur organisationnel. Si les départements continuent à fonctionner avec des objectifs distincts, l’IA aura du mal à produire des résultats. Le véritable succès se produit lorsque les fonctions de l’entreprise cessent d’optimiser de manière isolée et commencent à fonctionner au sein d’un système cohérent. Cela nécessite une structure, un leadership et une stratégie interfonctionnelle du haut vers le bas.
Les parcours clients unifiés nécessitent une conception de système axée sur les résultats, et non des promesses de plateforme complète.
De nombreuses plateformes promettent une visibilité de bout en bout sur le parcours client. C’est séduisant, mais souvent trompeur. En réalité, aucune plateforme ne peut tout faire correctement. La recherche d’une solution tout-en-un conduit souvent à des systèmes pléthoriques qui n’offrent pas les résultats escomptés. Il est plus efficace de concevoir des systèmes axés sur les résultats, et non sur les capacités des fournisseurs.
Mme Schwanke a été très claire : « Lorsqu’une plateforme promet tout à tout le monde, ce n’est pas vrai ». Elle conseille de définir les données minimales viables dont vous avez besoin tout au long du parcours du client, de l’avant-achat à l’après-achat, puis de procéder à une rétro-ingénierie de vos systèmes pour les prendre en charge. Ainsi, l’accent n’est plus mis sur les fonctionnalités annoncées de l’outil, mais sur les besoins réels de votre organisation en matière de flux de travail.
Commencez par les données les plus importantes. Si la fidélisation des clients dépend de données d’utilisation précises et d’une prise en charge rapide par l’assistance, ce sont les priorités de votre système. Si l’expérience avant l’achat dépend de la synchronisation des points de contact marketing et commerciaux, assurez-vous que ces canaux de données sont parfaitement alignés. Construisez à partir de là, de manière progressive et non exhaustive.
Au lieu de rechercher l’exhaustivité de la plateforme, évaluez son ouverture. Peut-elle s’intégrer ? Peut-elle évoluer avec des flux de données clairs ? Peut-elle traiter correctement des cas d’utilisation restreints et se connecter à d’autres systèmes qui font le reste ? Concentrez vos ressources sur des systèmes qui peuvent évoluer au fur et à mesure que l’entreprise se développe et que les attentes des clients changent.
Pour les dirigeants de la suite, la directive ici est la discipline stratégique. Ne vous laissez pas entraîner par les grandes promesses des fournisseurs. Alignez plutôt l’architecture du système sur les objectifs de l’entreprise. Privilégiez la clarté à la complexité et contrôlez la manière dont les outils façonnent vos flux de travail, et non l’inverse.
L’IA supprime les garde-fous manuels et exige une validation proactive des données dès le début.
Avant l’IA, les équipes détectaient les erreurs manuellement. Les listes étaient nettoyées, les feuilles de calcul examinées et les campagnes vérifiées ligne par ligne. Avec l’IA, cette couche d’inspection humaine disparaît, à moins que vous n’intégriez délibérément la validation dans le processus. Sans cela, les données erronées circulent plus rapidement et les mauvais résultats s’étendent davantage.
James a été direct : « Oui, les humains avaient l’habitude de vérifier. Avec l’IA, ces garde-fous disparaissent si le système n’est pas formé et surveillé ». Cet avertissement est important. Vous ne pouvez pas supposer que les modèles d’IA en phase initiale se comporteront correctement sans surveillance. Formez le système. Surveillez-le. Puis mettez-le en service à grande échelle, une fois que vous aurez prouvé qu’il est performant.
Il est essentiel de procéder à une validation humaine précoce dans la boucle. Examinez les résultats en détail. Vérifiez les chemins logiques. Suivez les performances par rapport à des valeurs de référence connues. Une fois que le modèle a démontré sa fiabilité, il est possible d’en étendre l’utilisation. Dans le cas contraire, il est trop facile d’avancer avec des hypothèses erronées.
Il ne s’agit pas seulement d’une question opérationnelle, mais aussi d’une question stratégique. Les dirigeants doivent institutionnaliser la gouvernance de l’IA. Cela signifie qu’il faut définir des cycles de révision, attribuer des responsabilités et mesurer la fréquence à laquelle le système obtient de bons résultats. La confiance dans l’automatisation doit être fondée sur des preuves et non sur des attentes.
Le passage à l’IA n’élimine pas la surveillance, mais modifie le lieu et le moment où elle s’exerce. Les erreurs commises tardivement ont des conséquences plus graves. Instaurez une discipline dès le début, afin que la confiance puisse suivre. Si vous envisagez de développer l’IA, vous devez mettre en place dès maintenant des processus qui vérifient l’exactitude des données avant que l’automatisation ne devienne votre option par défaut.
La sélection d’outils d’IA interopérables est essentielle pour éviter de recréer des silos
Acheter davantage d’outils d’IA ne signifie pas que vous devenez plus intelligent en tant qu’organisation. De nombreuses entreprises commettent cette erreur, en déployant de multiples systèmes qui ne se parlent pas entre eux. Il ne s’agit pas d’une transformation, mais d’une répétition de la même fragmentation qui a déjà freiné les progrès.
M. Kao a identifié très tôt le véritable risque : « Les agents d’IA auront bientôt besoin d’interopérabilité. Si vos outils ne peuvent pas échanger des données, des contextes et des intentions sans ajouter de friction, vous ne faites que créer de futurs silos. Les décisions seront isolées. Les flux de travail seront interrompus. Et les dirigeants n’auront qu’une visibilité limitée sur ce qui se passe réellement dans les différents services.
L’interopérabilité doit être un critère d’achat primordial, et non pas quelque chose que vous souhaiteriez avoir après l’échec de l’intégration. M. Schwanke a recadré la question avec précision : L’IA n’est pas une question de « mise en place et d’oubli ». C’est comme gérer des employés robotisés. Vous avez besoin de paramètres, de garde-fous et de responsabilités ». Cela signifie que vos systèmes doivent se connecter les uns aux autres avec clarté, avoir des taxonomies partagées et fournir une transparence sur la manière dont chaque composant contribue à la production.
M. Sedlak a insisté sur ce point avec un concept qui devrait trouver un écho au niveau de la direction, à savoir que les organisations doivent procéder à des « évaluations des employés par l’IA ». En pratique, cela signifie qu’il faut définir des critères de mesure, évaluer les décisions en termes de précision et d’impact, et tester en permanence l’alignement sur les objectifs de l’entreprise.
Pour les décideurs, il ne s’agit pas seulement d’architecture. Il s’agit d’une question d’agilité à long terme. Que vous mettiez en place un écosystème ou que vous adoptiez des outils tiers, chaque élément doit offrir un accès aux API, des normes ouvertes et des contrôles de gouvernance. En effet, l’IA n’est pas statique et les outils que vous déployez aujourd’hui doivent évoluer avec votre stratégie. S’ils ne peuvent pas s’intégrer aujourd’hui, ils bloqueront votre équipe demain.
L’alignement au niveau de la direction et la préparation culturelle déterminent le succès de l’IA
Vous ne pouvez pas déléguer la transformation de l’IA à une équipe d’outils ou à un laboratoire d’innovation. Il ne s’agit pas d’expérimenter, mais de changer le mode de fonctionnement de votre organisation. Le succès dépend de l’alignement de la direction et de la préparation culturelle. Sans ces deux éléments, l’IA n’évolue pas, elle stagne.
La conclusion du panel était claire : des données fiables, des objectifs partagés et une coordination interfonctionnelle ne sont pas facultatifs. Ce sont des éléments fondamentaux. M. Allen a lancé un avertissement : « Si nous ne fixons pas de normes et de contexte, nous ne ferons qu’accélérer le chaos. » Ce n’est pas un problème technique. C’est un problème de leadership.
Schwanke a ajouté une couche importante : L’adoption de l’IA entraîne l’apparition d’un nouveau type de main-d’œuvre. Ces systèmes prennent des décisions, exécutent des actions et remplacent des tâches au sein des départements. Mais ils ont toujours besoin d’être supervisés, de recevoir des informations en retour et de rendre des comptes. Les dirigeants doivent appliquer les mêmes cadres éthiques et opérationnels que ceux qu’ils utilisent pour les équipes réelles, s’attendre à des performances, suivre les résultats et intervenir si nécessaire.
La préparation culturelle est une question de confiance, de transparence et d’itération. Vos équipes doivent se sentir en sécurité lorsqu’elles testent l’IA en production. Elles doivent être convaincues que les boucles de formation amélioreront les résultats. Et elles ont besoin de voir la direction investir dans les systèmes, l’infrastructure et la qualité des données comme des priorités à long terme, et non comme des projets temporaires.
Les équipes dirigeantes doivent gérer la transformation de l’IA comme une évolution de l’entreprise, et non comme une mise à niveau technologique. Cela signifie des indicateurs de performance partagés entre les fonctions, une réelle collaboration entre les experts en données et en domaines, et des vérifications constantes sur la façon dont l’IA influence les processus, l’expérience client et la stratégie.
Si l’équipe dirigeante est alignée, la transformation se produit. Dans le cas contraire, elle se fragmente en projets pilotes déconnectés et en dépenses inutiles. L’avantage à long terme de l’IA ne se gagne pas par l’adoption, mais par l’intégration, l’évolutivité et la culture. Cela commence au sommet de la hiérarchie.
Réflexions finales
L’IA n’est pas un simple outil, c’est un changement dans la façon dont votre organisation fonctionne. Si vos équipes sont cloisonnées, que vos données sont incohérentes et que vos systèmes ne sont pas alignés, l’IA mettra rapidement ces problèmes en évidence. Ce n’est pas un échec, c’est une opportunité. Mais seulement si les dirigeants prennent la chose au sérieux.
Cette transformation ne commence pas avec la technologie. Elle commence par l’alignement des dirigeants, des normes claires et une responsabilité partagée. Des données propres, une gouvernance réfléchie et des plateformes interopérables ne sont pas des bonus, ce sont les fondements de l’échelle.
Les entreprises qui gagneront ne seront pas celles qui ont le plus grand nombre de pilotes d’IA. Ce seront celles qui auront la direction la plus claire, les systèmes les plus rigoureux et la culture qui sait comment transformer l’expérimentation en exécution. Si vous voulez que l’IA ait un impact réel, il ne s’agit pas de rechercher des capacités, mais de faire preuve de clarté. Commencez par là.
