Attendre des données « prêtes » : le risque que les entreprises ne peuvent plus se permettre

J’ai régulièrement la même conversation, quels que soient le secteur, la taille de l’entreprise ou la région. Un dirigeant m’explique que son organisation investit depuis des années dans son infrastructure data. Un programme de transformation est en cours et l’équipe abat un travail considérable. Elle en tire une conclusion raisonnable : la transformation doit être achevée avant de pouvoir déployer l’IA.

Voici ce que je lui réponds : « Achevée », c’est un état que l’on n’atteint jamais. Attendre que le patrimoine data soit entièrement finalisé peut retarder la création de valeur que les organisations pourraient démontrer dès aujourd’hui.

Dans les grandes entreprises du monde entier, 97 % mènent des initiatives d’IA, mais seules 5 % estiment que leurs données sont prêtes à les prendre en charge. La plupart y voient une raison d’attendre. Mais les organisations qui prennent de l’avance en font un point de départ.

Le nouvel eBook de Snowflake, « Innover sans attendre », s’intéresse au principal frein à l’IA d’entreprise : la conviction que la transformation doit être achevée avant de pouvoir se lancer dans l’IA.

La recommandation de remettre les données en ordre avant d’utiliser l’IA vient d’une autre époque. Lorsque les données d’entreprise résidaient dans des silos on-premise aux formats de stockage propriétaires, analyser plusieurs systèmes nécessitait d’abord de déplacer physiquement ces données vers un emplacement unique. Il en découlait une séquence de tâches techniquement logique : migrer, centraliser, gouverner, puis créer. Chaque étape ouvrait la voie à la suivante, jusqu’à ce que plus personne ne remette ce modèle en question.

Au fil du temps, les organisations ont transformé cette recommandation en une règle plus stricte : ne vous lancez pas dans l’IA tant que chaque plateforme héritée n’a pas été abandonnée et que votre migration n’est pas terminée. C’est une mauvaise interprétation, mais c’est cette version du message qui s’est imposée.

Votre patrimoine data n’est jamais parfaitement finalisé. De nouvelles applications apparaissent. Les réglementations évoluent. Les entreprises fusionnent ou en acquièrent d’autres. Les modèles d’IA évoluent. Si vous attendez constamment que tout soit parfait avant de créer de la valeur, vous n’en créerez jamais.

Sur un marché concurrentiel, ne rien faire constitue souvent le plus grand risque. Sur les marchés où l’IA représente un réel avantage opérationnel, chaque trimestre d’attente permet à vos concurrents de se démarquer un peu plus.

S’il n’est pas nécessaire d’avoir achevé sa transformation pour se lancer dans l’IA, pourquoi tant de grandes organisations restent-elles convaincues du contraire ? La plupart se reconnaissent dans l’un de ces trois archétypes.

Les organisations aguerries : elles ont consacré des années et des capitaux considérables à la transformation de leur patrimoine data. Elles ont entendu les arguments en faveur du data warehouse, du data lake et de l’architecture lakehouse. Le discours sur l’IA peut leur sembler être la même promesse dans un nouvel emballage. On leur demande désormais de choisir entre achever leur transformation et se lancer dans l’IA, alors qu’elles peuvent faire les deux en parallèle.

Celles qui partent d’une page blanche : elles n’ont pas encore achevé de transformation d’envergure pour faire évoluer leurs opérations et peuvent s’entendre dire qu’elles accusent plusieurs années de retard. Ce diagnostic passe à côté d’un avantage majeur : sans la même dette technique ni les mêmes coûts irrécupérables, leurs dirigeants peuvent concevoir une architecture adaptée au paysage technologique actuel plutôt que reproduire les modèles d’infrastructure d’hier.

Celles à mi-parcours : elles disposent d’une stratégie d’IA et d’un mandat de leur direction, mais l’arriéré de transformation bloque sa mise en œuvre. L’obstacle semble technique, mais il repose sur l’hypothèse que la plateforme data doit être achevée avant de pouvoir se lancer dans l’IA.

Ces organisations partent de situations différentes, mais font face au même choix. Continuer à considérer la transformation comme un préalable à l’IA, ou mener en parallèle le déploiement de l’IA et la modernisation.

Imaginez que vous rénoviez votre cuisine. Que faites-vous si vous devez préparer vos repas ? Vous aménagez une cuisine provisoire ailleurs et continuez à vivre dans la maison pendant les travaux. Il en va de même pour le business.

Le modèle parallèle applique cette logique à l’IA. Il répartit le travail entre deux volets menés simultanément.

Le volet 1 porte sur le déploiement de l’IA. Vous identifiez un résultat stratégique démontrable en 90 jours, trouvez les données qui le soutiennent et commencez à créer. Ces données sont imparfaites, distribuées et toujours stockées dans leurs systèmes d’origine. Vous les gouvernez là où elles résident, à l’aide d’une couche de règles unique qui s’applique quel que soit le moteur qui les exploite. Les workloads d’IA peuvent dès aujourd’hui s’appuyer sur cette base.

Le volet 2 porte sur la modernisation. Les migrations se poursuivent, les systèmes hérités sont consolidés et les pipelines sont améliorés. Ce travail avance selon son propre calendrier et ses propres jalons. La différence, c’est qu’il ne bloque plus le déploiement de l’IA. Lorsqu’une migration s’achève, elle s’intègre à ce que le volet 1 a déjà permis de créer. Rien n’est abandonné et rien n’a besoin d’attendre.

Les deux volets s’enrichissent aussi mutuellement. Lorsque les workloads d’IA fonctionnent sur des systèmes réels, vous identifiez clairement les consolidations à prioriser et les plateformes héritées qui peuvent attendre. Vous modernisez selon la valeur démontrée, en vous appuyant sur les cas d’usage d’IA en production pour orienter la feuille de route.

Cette approche prolonge la valeur des investissements existants. Chaque décision de plateforme, chaque migration et chaque pipeline déjà créé restent pertinents. Le modèle parallèle s’appuie sur vos acquis, avec une gouvernance cohérente, tout en produisant des résultats dès maintenant. Dans « Innover sans attendre », nous appelons cette approche la stratégie du raccourci : elle permet de dépasser la file d’attente créée par l’ancien modèle séquentiel, sans faire l’impasse sur le travail nécessaire.

Se lancer est plus simple qu’il n’y paraît. Ces conditions suffisent pour démarrer :

• Vous savez d’où viennent les données.
• Vous savez à qui elles appartiennent.
• Vous pouvez en gouverner l’accès.
• Vous en connaissez les limites.
• Les équipes business sont prêtes à prendre des décisions en se basant dessus.

La plupart des grandes entreprises peuvent remplir ces conditions avec les données dont elles disposent déjà, avant même la fin de leur programme de transformation.

Pour un agriculteur, la réussite se mesure à la récolte, tandis que le tracteur facilite le travail. Le même principe s’applique à l’IA. La plateforme prend en charge une plus grande part de l’infrastructure, tandis que les spécialistes métier déterminent où l’IA peut améliorer les décisions et les résultats.

Voilà le changement : exploitez dès maintenant vos données et votre expertise pour démontrer de la valeur, tout en poursuivant la modernisation en parallèle.