IA en entreprise : sans données fiables, la croissance reste hors de portée

L’intelligence artificielle peut produire des démonstrations saisissantes, répondre à une question en quelques secondes ou générer du code. Mais, dans une entreprise, le véritable test se situe ailleurs : l’outil améliore-t-il réellement une décision, un processus ou un résultat financier ? Pour Martin Frederik, responsable régional de Snowflake pour les Pays-Bas, la Belgique et le Luxembourg, la réponse dépend moins de la sophistication du modèle que de la qualité des données auxquelles il accède.

Cette idée paraît élémentaire, mais elle éclaire une difficulté récurrente. De nombreuses organisations parviennent à bâtir une preuve de concept convaincante, puis peinent à la transformer en solution utilisée à grande échelle. Les données sont alors dispersées entre des applications, mal documentées, incomplètes ou contradictoires. Dans ces conditions, l’IA peut donner une réponse plausible sans être suffisamment fiable pour guider une décision métier.

Pourquoi tant de projets d’IA restent-ils au stade du test ?

L’adoption de l’IA s’accélère dans les entreprises, de l’analyse de la relation client à l’automatisation de tâches internes. Pourtant, environ 80 % des projets d’IA n’atteignent pas la phase de production, selon le chiffre cité par Martin Frederik. Autrement dit, ils ne deviennent pas des produits ou des processus déployés de façon durable auprès de collaborateurs, de clients ou de partenaires.

Ce constat ne signifie pas que toutes les expérimentations sont inutiles. Une preuve de concept sert aussi à apprendre : elle permet de vérifier si un cas d’usage répond à un besoin, si les équipes peuvent l’adopter et si les données nécessaires existent vraiment. Le problème survient lorsque l’expérimentation est traitée comme une fin en soi, sans prévoir dès le départ les conditions de son industrialisation.

Plusieurs obstacles se combinent fréquemment :

• le projet ne répond pas à un objectif commercial ou opérationnel clairement formulé ;
• les équipes métier, techniques et de gouvernance des données travaillent de manière trop séparée ;
• les données nécessaires sont difficiles à identifier, à partager ou à mettre à jour ;
• personne n’est clairement responsable de la qualité de l’information utilisée ;
• les résultats du modèle ne peuvent pas être vérifiés ou intégrés dans un processus quotidien.

Le passage en production ne consiste donc pas seulement à connecter un modèle à une base de données. Il suppose de gérer les droits d’accès, la sécurité, la fraîcheur des informations, le suivi des performances et la responsabilité humaine dans les décisions prises. C’est précisément à ce stade que les fragilités d’une infrastructure de données apparaissent.

« Il n’existe pas de stratégie d’IA sans une stratégie de données »

La formule de Martin Frederik résume la thèse défendue par Snowflake : « Il n’existe pas de stratégie d’IA sans une stratégie de données. » L’IA ne doit pas être considérée comme un objectif autonome, mais comme un moyen d’atteindre une ambition précise, par exemple réduire un délai de traitement, mieux anticiper une demande ou aider un service à retrouver une information fiable.

Un modèle d’IA, même très performant, ne corrige pas automatiquement les défauts de l’information qu’on lui fournit. S’il reçoit des données obsolètes, mal catégorisées ou issues de sources incompatibles, il risque de produire une sortie trompeuse avec une apparence de cohérence. Les systèmes génératifs ajoutent une difficulté : leur capacité à rédiger de manière fluide peut donner l’impression d’une certitude, alors que la réponse doit toujours être confrontée aux données et au contexte métier.

Une stratégie de données cohérente vise notamment à organiser les sources d’information, fixer des règles de qualité, attribuer des responsabilités et définir les personnes autorisées à consulter ou utiliser certains jeux de données. Elle aide aussi à éviter que chaque direction développe ses propres indicateurs sans langage commun.

Pour Snowflake, les applications d’IA, les agents et les modèles ont besoin d’une infrastructure centralisée et gouvernée. Cette fondation permet de rapprocher les données des outils qui les analysent, tout en conservant des contrôles sur leur usage. La centralisation recherchée est avant tout une centralisation de la confiance : les équipes doivent savoir quelle donnée utiliser, à quelles conditions et pour quel objectif.

Mesurer le retour sur investissement, au-delà de l’effet de nouveauté

L’IA est parfois présentée comme une promesse universelle de productivité. Dans une entreprise, elle doit pourtant être évaluée avec les mêmes exigences que tout investissement : quel problème résout-elle, combien coûte son déploiement et quel bénéfice concret apporte-t-elle ? Martin Frederik insiste sur la nécessité d’aligner les projets avec les objectifs de l’organisation, plutôt que d’adopter une technologie pour elle-même.

Une étude récente citée par Snowflake indique que 92 % des entreprises interrogées observent déjà un retour positif sur leurs investissements en IA. Elles récupéreraient en moyenne 1,41 £ en économies de coûts et en revenus supplémentaires pour chaque 1 £ dépensée. Ces résultats constituent un indicateur encourageant, mais ils ne garantissent évidemment pas le même rendement à chaque entreprise ou à chaque projet.

Le retour sur investissement dépend notamment du cas d’usage retenu. Une automatisation utile est souvent celle qui s’insère dans un processus déjà identifié, avec une mesure simple : temps économisé, baisse du nombre d’erreurs, réduction d’un coût ou amélioration d’un revenu. À l’inverse, un projet trop vague, sans propriétaire métier ni indicateur de succès, aura du mal à démontrer sa valeur, même s’il impressionne lors d’une démonstration.

Rendre les données accessibles sans perdre le contrôle

La technologie ne suffit pas à créer une organisation guidée par les données. Martin Frederik met aussi l’accent sur la culture d’entreprise. L’IA devient difficile à déployer lorsque les données restent l’apanage de quelques experts, ou lorsque les différents services hésitent à les partager par crainte d’erreurs, de pertes de contrôle ou de problèmes de confidentialité.

L’objectif n’est pas de transformer tous les salariés en spécialistes de l’analyse de données. Il s’agit plutôt de leur permettre d’accéder à une information pertinente, compréhensible et encadrée pour accomplir leur travail. Un commercial peut avoir besoin d’une vision fiable de son portefeuille de clients. Une équipe de maintenance peut vouloir identifier les incidents récurrents. Une direction financière doit pouvoir s’appuyer sur des indicateurs dont les définitions sont stables.

Cette accessibilité repose sur trois dimensions complémentaires : les personnes, les processus et la technologie. Les collaborateurs doivent comprendre les limites des outils et savoir quand vérifier une réponse. Les processus doivent préciser qui valide les données et corrige les anomalies. La technologie, enfin, doit rendre l’accès suffisamment simple tout en protégeant les informations sensibles.

Lorsqu’une gouvernance appropriée est en place, explique Frederik, l’IA peut devenir une ressource collective plutôt qu’un outil isolé dans un service. Le fait de travailler à partir d’une « source unique de vérité » réduit les discussions interminables sur la version correcte d’un chiffre. Les décisions peuvent alors être plus rapides, à condition que cette source soit réellement entretenue et comprise par tous.

Des agents capables de suivre un objectif complexe

L’évolution des agents d’IA modifie aussi les attentes des entreprises. Jusqu’ici, un assistant d’IA répondait surtout à des demandes successives : résumer un document, rédiger un message, proposer un morceau de code. Martin Frederik décrit désormais une forme d’« autonomie axée sur les objectifs ». L’utilisateur exprime une tâche complexe, et l’agent détermine les étapes nécessaires pour l’accomplir.

Dans ce scénario, l’agent peut être amené à rechercher des informations dans différentes applications, analyser des documents, préparer une synthèse ou contribuer à la rédaction de code. La promesse est de réduire le nombre d’instructions intermédiaires nécessaires et de livrer une réponse plus complète. Mais cette autonomie ne dispense pas de contrôle : plus un agent peut enchaîner des actions, plus les règles d’accès, les limites de ses permissions et la vérification de ses résultats deviennent importantes.

Le défi est d’autant plus grand que, selon Frederik, 80 à 90 % des données d’une entreprise typique ne sont pas structurées. Il peut s’agir de documents, courriels, comptes rendus, contrats, présentations ou fichiers variés. Contrairement à une table de chiffres soigneusement organisée, ces contenus ne se prêtent pas immédiatement à une requête classique.

Les nouveaux outils visent à permettre aux collaborateurs de poser des questions complexes en langage courant, notamment en anglais simple, afin d’obtenir des réponses fondées sur ces données. Cette approche peut rendre l’analyse plus accessible, mais elle ne résout pas magiquement les ambiguïtés d’un document, les doublons ou les informations confidentielles. Avant qu’un agent puisse exploiter un contenu, l’entreprise doit savoir s’il est pertinent, fiable et accessible à la personne qui pose la question.

Ce que l’IA peut changer pour les équipes de données

Les agents pourraient alléger une partie des tâches les plus répétitives des data scientists, notamment le nettoyage récurrent des données et le réglage des modèles évoqués par Martin Frederik. Ces activités sont nécessaires, mais elles peuvent mobiliser un temps considérable avant même que les équipes ne puissent travailler sur la question métier elle-même.

L’automatisation ne signifie pas que la préparation des données disparaît. Elle peut aider à détecter des incohérences, à proposer des transformations ou à accélérer certaines étapes. La décision de modifier une donnée importante, de retenir un indicateur ou de déployer un modèle reste cependant une responsabilité qui demande expertise, connaissance du terrain et contrôle.

Le gain potentiel se situe dans le déplacement du travail : moins de temps consacré à des opérations mécaniques, davantage à la définition des problèmes, à l’évaluation des risques, au choix des indicateurs et à la conception de services utiles. Frederik y voit l’occasion pour les spécialistes de passer d’un rôle de praticien, centré sur l’exécution, à celui de stratège qui aide l’entreprise à tirer une valeur durable de ses données.

Pour y parvenir, une organisation peut commencer par quelques questions simples : quelle décision souhaite-t-elle améliorer ? De quelles données dispose-t-elle réellement ? Qui est responsable de leur qualité ? Comment mesurera-t-elle le bénéfice après le déploiement ? Ces interrogations, plus concrètes qu’un discours sur la transformation, permettent de sélectionner des cas d’usage réalistes.

Ce qu’il faut surveiller pour passer de la promesse à la valeur

Le message de Snowflake est clair : la prochaine étape de l’IA en entreprise ne se jouera pas uniquement sur la puissance des modèles ou l’apparition de nouveaux agents. Elle se jouera sur la capacité des organisations à relier ces outils à des données sécurisées, à des processus cohérents et à des objectifs mesurables.

Les entreprises devront notamment surveiller l’écart entre l’autonomie annoncée des agents et leur fiabilité dans les situations réelles. Il faudra aussi vérifier que l’ouverture de l’accès aux données ne se fasse pas au détriment de la confidentialité et que les équipes disposent d’un cadre clair pour contrôler les résultats produits.

Snowflake doit présenter cette vision de l’IA d’entreprise lors de l’événement AI & Big Data Expo Europe, dont le groupe est sponsor clé. Sur le stand n° 50, l’entreprise entend montrer comment rendre l’IA plus simple, efficace et fiable au sein des organisations. Au-delà des démonstrations, la question centrale restera la même : les données permettent-elles de prendre de meilleures décisions, de manière reproductible et responsable ?