L’intelligence artificielle est devenue le pilier central de la transformation numérique des entreprises, mais la réalité technologique révèle un décalage inquiétant entre les attentes et la capacité réelle des organisations à l’exploiter. Un nouveau rapport réalisé par Harvard Business Review Analytic Services en collaboration avec Cloudera met en évidence que la majorité des entreprises ne disposent pas encore d’une infrastructure de gestion des données suffisamment mature pour déployer des projets d’intelligence artificielle à grande échelle.

Intitulée Maîtriser la complexité de la préparation des données pour l’IA, cette étude s’appuie sur une enquête menée auprès de 231 professionnels impliqués dans la prise de décisions relatives aux données et à l’intelligence artificielle au sein de leurs organisations. Ses conclusions soulignent un problème structurel dans l’écosystème technologique des entreprises : bien que l’adoption de l’IA s’accélère, l’infrastructure de données nécessaire pour la soutenir reste insuffisante.

La majorité des entreprises ne sont pas encore prêtes pour l’IA

Les résultats du rapport mettent en évidence cette dissonance avec clarté. Seul 7 % des organisations affirment que leurs données sont entièrement prêtes pour la mise en œuvre de l’intelligence artificielle.

Par ailleurs :

• 15 % considèrent que leurs données sont presque prêtes
• 51 % déclarent qu’elles sont partiellement prêtes
• 27 % reconnaissent que leurs données ne sont pas ou peu prêtes

Ces chiffres reflètent une problématique courante dans de nombreuses organisations : alors que l’expérimentation avec l’IA progresse rapidement, la qualité, la gouvernance et la disponibilité des données n’évoluent pas au même rythme.

Le problème ne réside pas dans la quantité de données. En réalité, les entreprises modernes génèrent d’énormes volumes d’informations provenant de systèmes métier, de capteurs IoT, de transactions financières, d’interactions clients ou de réseaux sociaux. Le vrai défi consiste à transformer ces données dispersées en actifs exploitables par des algorithmes d’intelligence artificielle.

Les silos de données restent le principal obstacle

Un des principaux problèmes identifiés par l’étude est la fragmentation des données au sein des organisations.

Le 56 % des répondants cite les silos de données ou la difficulté d’intégration de différentes sources comme l’obstacle majeur pour préparer les données à l’IA.

À ce défi s’ajoutent d’autres facteurs clés :

• Manque d’une stratégie claire de gestion des données (44 %)
• Problèmes de qualité ou de biais dans les données (41 %)
• Restrictions réglementaires concernant l’utilisation des données (34 %)

Concrètement, cela signifie que de nombreux projets d’IA restent au stade de la phase pilote ou d’expérimentation, car les entreprises ne parviennent pas à construire des pipelines de données robustes et évolutifs.

De plus, l’étude indique que 73 % des organisations jugent qu’il est crucial de donner une priorité bien plus grande à la qualité des données dans leurs initiatives d’IA, ce qui témoigne d’une prise de conscience croissante face au problème.

La gouvernance des données devient une priorité stratégique

Au fur et à mesure que l’IA s’intègre dans des processus critiques, la gouvernance des données devient un élément central des stratégies technologiques.

Selon le rapport, seulement 23 % des entreprises disposent actuellement d’une stratégie de gestion des données clairement définie pour l’adoption de l’IA, tandis que 53 % sont en cours de développement.

Parmi les éléments clés que ces stratégies intègrent, on retrouve :

• Protection des données sensibles et respect de la vie privée (59 %)
• Qualité et cohérence des données (46 %)
• Gouvernance et contrôle du cycle de vie des données (41 %)

La gestion des données devient ainsi une composante essentielle pour assurer la fiabilité, la traçabilité et la conformité des systèmes d’IA, notamment dans des secteurs sensibles comme la banque, la santé ou l’industrie, où la protection des données est particulièrement critique.

Cloud, hybride et edge : la nouvelle cartographie des données en entreprise

Le rapport offre également un aperçu intéressant sur les lieux de stockage et de traitement des données alimentant les systèmes d’IA.

Actuellement :

• 51 % des entreprises privilégient le cloud comme principal environnement de stockage pour l’IA
• 28 % adoptent des environnements hybrides combinant cloud et infrastructure locale
• 11 % gèrent leurs données exclusivement via des infrastructures on-premise

En outre, 77 % des organisations envisagent d’accroître leurs capacités de stockage en cloud dans les 12 prochains mois, confirmant la tendance vers des infrastructures plus évolutives et flexibles.

Cependant, l’étude souligne également que nombreuses sont les entreprises qui adoptent des architectures où les algorithmes s’exécutent directement à l’endroit où résident les données, plutôt que de déplacer de volumineux flux d’informations entre différents centres de traitement ou plateformes cloud.

Ce choix stratégique répond à plusieurs enjeux techniques et réglementaires :

• Réduction de la latence
• Amélioration de la sécurité
• Conformité aux réglementations de souveraineté des données
• Réduction des coûts liés au transfert de données

L’intelligence artificielle agéntique : un levier pour optimiser la gestion des données

Un aspect particulièrement innovant du rapport est l’intérêt croissant pour ce que l’on nomme l’intelligence artificielle agéntique, des systèmes capables de réaliser de missions complexes de manière autonome dans les processus d’entreprise.

Selon l’étude :

• 65 % des répondants pensent que de nombreux processus d’entreprise seront améliorés ou remplacés par l’IA agéntique dans les deux prochaines années
• 47 % estiment que cette technologie peut aider à résoudre des problématiques de qualité de données

Dans la gestion des données, les agents d’IA pourraient automatiser des tâches telles que :

• Nettoyage des données
• Détection d’incohérences
• Création de pipelines de données
• Supervision de la qualité et de la dérive des données

Ce progrès permettrait de réduire considérablement le travail manuel dans la préparation des données, souvent l’un des coûts majeurs des projets d’IA.

Le véritable défi de l’intelligence artificielle en entreprise

Le rapport conclut que l’IA engendre une transformation profonde dans la perception que les entreprises ont de leurs données.

Pendant des décennies, la gestion des données était surtout vue comme une tâche opérationnelle ou un coût technologique. Aujourd’hui, elle devient un actif stratégique clé pour la compétitivité.

L’IA ne se limite pas à des algorithmes avancés ; elle exige des infrastructures modernes, une gouvernance solide et des architectures capables de fonctionner dans des environnements hybrides et distribués.

Le succès des initiatives en IA dépendra donc moins des modèles en soi que de la capacité des organisations à bâtir des écosystèmes de données fiables, accessibles et bien gouvernés.

---

Questions fréquentes sur les données d’entreprise et l’intelligence artificielle

Pourquoi la qualité des données est-elle si cruciale pour l’IA ?

Les modèles d’IA apprennent à partir des données qu’ils reçoivent. Si celles-ci comportent des erreurs, des incohérences ou des biais, les résultats produits le seront également. La qualité, la gouvernance et la traçabilité des données sont donc fondamentales dans la réussite de projets d’IA en entreprise.

Que signifie que des données soient “prêtes pour l’IA” ?

Cela indique que les données sont correctement structurées, intégrées, nettoyées, accessibles et gouvernées. Cela implique aussi l’existence de pipelines de données fiables, de métadonnées appropriées et de mécanismes de contrôle permettant de les exploiter en toute sécurité et évolutivité dans des modèles d’IA.

Quel est le rôle des architectures hybrides dans les projets d’IA ?

Les architectures hybrides combinent infrastructures cloud, centres de données locaux et edge computing. Elles facilitent le traitement des données à leur point de génération ou de stockage, ce qui réduit la latence, renforce la sécurité et permet de respecter les réglementations sur la souveraineté des données.

Comment l’IA agéntique peut-elle améliorer la gestion des données ?

Les systèmes d’IA agéntique peuvent automatiser des tâches complexes telles que le nettoyage, la classification, la création de pipelines ou la supervision de la qualité des données, accélérant ainsi le développement des projets d’IA tout en réduisant l’effort manuel nécessaire.

source : Noticias inteligencia artificial