La plupart des organisations ne manquent pas de données aujourd'hui. Les systèmes ERP, CRM et opérationnels en génèrent à un rythme sans précédent. Pourtant, bien des dirigeants cherchent des réponses à la même question :
Pourquoi toutes ces données ne se traduisent-elles pas par de meilleures décisions?
Le problème tient rarement au volume de données. Il tient à la fiabilité de ces données, suffisante ou non pour agir, et à la volonté réelle des équipes de s'en servir lors de la prise de décision. Trop d'organisations investissent dans l'analytique et l'IA sous forme d'initiatives isolées, au lieu de bâtir des plateformes décisionnelles auxquelles les équipes font confiance et qu'elles utilisent.
Pourquoi l'adoption de l'analytique et de l'IA plafonne
Malgré des années d'investissement dans les plateformes de données, les tableaux de bord et les modèles avancés, l'adoption à l'échelle de l'entreprise demeure inégale.
Selon une étude publiée par McKinsey (en anglais seulement), la quasi-totalité des organisations utilisent maintenant l'IA dans au moins un domaine, mais la plupart des initiatives restent au stade des projets pilotes, avec des retombées limitées à l'échelle de l'entreprise. La valeur est dégagée dans des cas d'usage isolés, mais se déploie rarement à l'ensemble des fonctions de l’entreprise.
Les équipes d'analytique d'Alithya observent des tendances similaires d'un client à l'autre :
- Des tableaux de bord qui expliquent le passé, mais qui n'influencent pas les décisions;
- Des modèles d'IA que les équipes ne comprennent pas ou en qui elles n'ont pas confiance;
- Une analytique en vase clos, rattachée à des services plutôt qu'aux résultats d'affaires;
- Une faible adoption en dehors des équipes spécialisées ou d'analytique.
Ces enjeux révèlent un problème commun : les initiatives d'analytique sont souvent menées par la technologie plutôt que par le volet décisionnel.
Passer des projets d'analytique aux plateformes d'analytique
Les organisations les plus performantes adoptent une approche fondamentalement différente. Plutôt que de demander « quelles données pouvons-nous analyser? », elles se demandent :
- Quelles décisions sont les plus importantes?
- Qui a besoin de ces informations, et à quel moment?
- Quelle action doit découler de ce qu’on apprend?
Ce virage, de la production de rapports vers l'aide à la décision, est ce qui distingue un projet d'analytique d'une plateforme d'analytique.
Nous avons identifié quatre fondements essentiels à une transformation analytique durable :
- Une stratégie de données alignée sur les priorités d'affaires;
- Une architecture évolutive qui s'adapte à mesure que les besoins changent;
- Des données fiables et gouvernées, avec des définitions de mesures communes, pour que chaque utilisateur et chaque agent d'IA obtienne le même résultat;
- Une analytique en libre-service qui outille les utilisateurs, et pas seulement les équipes de données.
Là où l'IA a sa place, et là où elle ne l'a pas
L'IA transforme la façon dont l'analytique est déployée, mais elle n'est pas un raccourci menant à l'adoption.
L’étude de McKinsey (en anglais seulement) montre que les organisations qui réussissent à déployer l'IA à grande échelle se concentrent d'abord sur l'intégration aux flux de travaux et sur le changement, et non uniquement sur les outils d'IA.
Dans les faits, l'IA bonifie l'analytique lorsqu'elle :
- Repère des tendances qui échapperaient à l'humain;
- Signale plus tôt les anomalies et les risques;
- Soutient la modélisation de scénarios et les prévisions;
- Automatise les tâches d'analyse répétitives.
L'adoption de l'IA s'essouffle lorsqu'elle est introduite sans clarté sur la propriété, la gouvernance ou les droits de décision.
Gartner a prédit qu'une part importante des projets d'IA générative seront abandonnés après l'étape du projet pilote lorsque la valeur tarde à être réalisée, ce qui rejoint l'idée que la valeur dépend davantage de la maturité organisationnelle que des sommes investies dans les initiatives d’IA.
La qualité des données détermine les retombées de l'IA
La vraie question de maturité n'est pas celle que la plupart des organisations se posent. Avant de demander si vos gens sont prêts pour l'IA, demandez si vos données le sont. Un tableau de bord peut composer avec des données approximativement justes. Un agent d'IA se montre quant à lui moins indulgent, notamment parce qu'il prépare lui-même ses requêtes et formule la réponse en langage courant, sans analyste dans la boucle pour intercepter un chiffre qui n'est qu'approximativement juste.
Des données prêtes pour l'IA n'ont pas les mêmes caractéristiques que des données simplement suffisantes pour produire des rapports. Elles portent un historique profond et un niveau de détail transactionnel, pas seulement des sommaires préagrégés qui sont suffisants pour un tableau de bord. Elles sont gouvernées, de sorte que les règles d'accès et de confidentialité suivent les données dans chaque réponse de l'IA, plutôt que de se perdre dès qu'un agent interroge la source. Et surtout, elles sont définies. Chaque mesure possède un calcul convenu, inscrit dans la donnée elle-même et non dans la tête de la personne qui a rédigé la dernière requête.
C'est sur ce dernier point qu'un risque bien réel prend de l'ampleur. À mesure que les organisations connectent des agents d'IA directement sur leurs systèmes sources, des protocoles comme MCP rendent trivial le raccordement d'un agent à une base de données ou à une application. C'est puissant, mais cela peut aussi être dangereux lorsqu'aucune définition encadrée ne se trouve derrière la donnée. Devant des tables brutes, l'agent improvise le calcul au moment de la requête. Demandez-lui le chiffre d'affaires d'une certaine manière et vous obtenez les ventes brutes. Demandez-le autrement et vous obtenez le montant net des retours et des éliminations intersociétés. La même ambiguïté vaut pour la marge : deux dirigeants peuvent poser la même question dans la même réunion et en ressortir avec deux chiffres différents, livrés avec une égale assurance.
La solution n'est pas de couper l'IA de l'accès aux données. Il faut plutôt s’assurer de diriger l'agent vers un ensemble de données gouverné plutôt que vers les sources brutes. Un lac de données (lakehouse) qui fait office de source unique de vérité encode une fois pour toutes la définition convenue du chiffre d'affaires, de la marge et de toutes les autres mesures, pour que le résultat soit constant, peu importe qui pose la question et comment elle est formulée. Le modèle sémantique devient le contrat entre l'IA et les chiffres de l'entreprise. C'est aussi pourquoi la maturité analytique gravit généralement les échelons : de la donnée brute à la donnée organisée et harmonisée, puis à une couche sémantique modélisée, jusqu'à une donnée véritablement prête à servir de matière au raisonnement de l'IA.
Cas d'usage concrets d'analytique bonifiée par l'IA
Les organisations qui réussissent à déployer l'analytique et l'IA à grande échelle commencent souvent par des cas d'usage ciblés, à haut niveau de confiance :
- Prévisions prédictives appuyées sur les données ERP et financières;
- Analytique opérationnelle qui met en lumière les risques ou les inefficacités;
- Analytique d'adoption qui révèle comment les systèmes sont réellement utilisés;
- Tableaux de bord d'aide à la décision intégrés au travail quotidien.
La valeur émerge plus rapidement lorsque l'information pertinente est accessible là où le travail se fait réellement, et non dans des outils distincts.
L'adoption demeure la partie la plus difficile
Même avec l’intégration croissante de l'IA, l'adoption demeure le facteur limitant.
Selon McKinsey (en anglais seulement), moins de 40 % des organisations rapportent des retombées financières à l'échelle de l'entreprise attribuables à l'IA, malgré une expérimentation généralisée. L'écart tient rarement au modèle d'IA lui-même. Il tient à la confiance et aux comportements, et cette confiance repose autant sur les fondations de données que sur la gestion du changement.
Les programmes d'analytique qui réussissent :
- Revoient les flux de travaux en parallèle de l'analytique;
- Établissent la confiance par la qualité et la transparence des données;
- Forment les utilisateurs à interpréter les informations, et pas seulement à les consulter;
- Encadrent les résultats produits par l'IA sans freiner l'innovation.
Une analytique qui n'influence pas les comportements perd rapidement sa pertinence.
L'intégration de l'analytique agit comme multiplicateur
L'analytique livre le plus de valeur lorsqu'elle est intégrée à l'ensemble des plateformes.
Lorsque l'analytique relie les systèmes ERP, CRM, les opérations et les modèles d'IA :
- Les informations produites offrent davantage de contexte;
- Les décisions deviennent plus rapides et plus cohérentes;
- Les résultats de l'IA s'améliorent à mesure que la qualité des données s'améliore.
C'est pourquoi l'adoption de l'analytique s'accélère souvent une fois les plateformes d'entreprise centrales en service, et pourquoi l'analytique constitue une prochaine étape naturelle après une implantation ERP, CRM ou EPM.
Ce que les organisations en forte croissance font différemment
Les organisations qui déploient l'analytique et l'IA à grande échelle avec succès :
- Se concentrent sur les résultats décisionnels, et non sur les tableaux de bord;
- Introduisent l'IA graduellement, avec des garde-fous clairs;
- Mesurent l'adoption avec autant de rigueur que la performance;
- Traitent l'analytique comme une capacité évolutive, et non comme un projet.
Elles reconnaissent que la transformation analytique est autant une affaire de personnes et de processus que de données et de modèles.
L'analytique et l'IA ne créent pas de valeur d’elles-mêmes ; la valeur est générée par les décisions.
Lorsque les organisations dépassent le stade des projets d'analytique pour bâtir des plateformes décisionnelles, ancrées dans la confiance, l'intégration et l'adoption, les données deviennent un actif stratégique plutôt qu'une ressource inexploitée.
Dans un monde accéléré par l'IA, les organisations gagnantes ne sont pas celles qui détiennent le plus de données ou le plus de modèles, mais celles qui rendent l'analytique utilisable à grande échelle.
Cet article a été rédigé en collaboration avec Reddy Beerem, vice-président, Développement des affaires.