L'IA avance plus vite que les systèmes qui doivent la porter

Faire de l'IA n'est plus un défi en soi pour les entreprises aujourd'hui. Le vrai enjeu, c'est de la faire tenir dans la durée sur des systèmes d'information qui ne sont pas conçus pour l'absorber.

Les entreprises accélèrent sur l’intelligence artificielle. Les cas d’usage se multiplient, les outils se démocratisent, et la promesse de gains rapides est bien installée. Pourtant, sur le terrain, une autre réalité s’impose. Dans la plupart des organisations, le système d’information n’est pas structuré pour absorber cette nouvelle complexité.

Le décalage est rarement visible au premier regard. Le système fonctionne, supporte les opérations, génère du chiffre. Mais dès qu’il s’agit d’aller plus loin, de connecter les données, d’industrialiser des usages ou de faire évoluer l’existant, les limites apparaissent. Les dépendances se révèlent, les flux deviennent difficiles à maîtriser, et chaque évolution se transforme en projet sensible.

Ce constat change la nature du sujet. L’enjeu n’est plus seulement de faire de l’IA. Il est de savoir si le système d’information est en capacité de la supporter dans la durée.

L’illusion d’un sujet technologique

Face à l’essor de l’intelligence artificielle, le réflexe est souvent le même. On cherche les bons outils, les bons modèles, les bons cas d’usage. L’attention se concentre sur la capacité à produire rapidement de la valeur, à tester, à déployer. L’IA est abordée comme une nouvelle brique à intégrer dans un existant supposé capable de l’absorber.

Cette approche permet d’avancer vite. Elle rend possibles les premières expérimentations, ouvre des perspectives concrètes, et donne le sentiment de transformer. Mais elle repose sur une hypothèse rarement questionnée. Celle d’un système d’information suffisamment maîtrisé pour supporter ces nouveaux usages dans la durée.

Car très vite, l’enjeu se déplace. Passer d’un prototype à un usage fiable, connecté aux processus métiers, suppose de manipuler des données cohérentes, d’orchestrer des flux, d’exposer des services de manière stable. Autant de prérequis qui dépendent directement de la structure du système existant.

À cela s’ajoute un point que je vois systématiquement sous-estimé. L’IA introduit des coûts nouveaux, parfois significatifs. Consommation des modèles, traitement des données, infrastructure. Sans une maîtrise fine du système qui les porte, ces coûts deviennent rapidement difficiles à anticiper, et encore plus à rationaliser.

Ce qui apparaît alors, ce n’est pas une limite des outils. C’est une limite du socle. Et elle conditionne directement la capacité à faire de l’IA autre chose qu’une succession d’initiatives isolées.

Un système que l’on croit maîtriser… mais que l’on comprend mal

Dans beaucoup d’organisations, le système d’information donne une impression de stabilité. Les outils sont en place, les processus tournent, et l’activité est bien supportée. Cette maîtrise repose surtout sur l’usage quotidien, plus que sur une compréhension réelle de l’ensemble.

Dans la réalité, ce socle est souvent bien plus fragile qu’il n’y paraît. Beaucoup de systèmes se sont construits sur plusieurs années, parfois plusieurs décennies, par empilement successif de solutions. Une brique centrale concentre les flux critiques, autour de laquelle gravitent des outils métiers, des plateformes marketing, des couches data, des interfaces spécifiques.

Les données circulent d’un système à l’autre, se dupliquent, se transforment. Des logiques de mapping viennent compenser les écarts entre les outils, tandis que des fichiers intermédiaires ou des traitements manuels prennent le relais lorsque les systèmes ne suffisent plus. Derrière des interfaces structurées, une partie du fonctionnement repose encore sur des extractions, des fichiers CSV ou des traitements Excel.

Chaque évolution implique alors de composer avec des dépendances multiples, des flux difficiles à lire, des briques en fin de vie ou peu évolutives. Ce qui semblait maîtrisé au quotidien devient un point de tension dès qu’il s’agit de faire évoluer le système dans son ensemble.

Dans ce contexte, vouloir intégrer de nouveaux usages, notamment autour de l’IA, revient souvent à ajouter de la complexité sur un système qui l’est déjà. Sans vision claire du système d’information, les initiatives restent isolées. Elles sont difficiles à fiabiliser, et encore plus à industrialiser.

Urbaniser pour reprendre le contrôle

Face à cette complexité, la réaction la plus fréquente consiste à agir vite. Remplacer une brique vieillissante, ajouter un nouvel outil, lancer une refonte. Sur le papier, ces décisions paraissent logiques. Dans les faits, elles ne résolvent pas le problème de fond. Elles viennent s’ajouter à un système déjà difficile à lire, et renforcent parfois les dépendances existantes. C’est un schéma que l’on retrouve souvent : chaque décision prise sans vision globale déplace le problème plus qu’elle ne le traite.

Reprendre le contrôle suppose un changement de posture. Il ne s’agit plus d’empiler des solutions, mais de redonner de la cohérence à l’ensemble. Cela passe d’abord par une lecture précise de l’existant. Comprendre les flux réels, identifier les dépendances, clarifier le rôle de chaque brique. Une cartographie technique devient alors un outil central, non pas pour documenter, mais pour rendre le système lisible.

À partir de cette base, une vision cible d’architecture peut émerger. Une projection du système qui prend en compte les contraintes métier, les enjeux de données et les besoins d’évolution. Une forme de plan d’occupation des sols du SI, qui permet de structurer les responsabilités, de limiter les redondances et de mieux organiser les interactions entre les composants.

Dans les faits, cette transformation ne se fait pas en rupture. Elle s’inscrit dans le temps, à travers un plan de transformation progressif vers cette cible. Il s’agit souvent d’encapsuler les briques existantes, de mettre en place des couches de découplage, de stabiliser les échanges via des interfaces maîtrisées. Progressivement, le système devient plus modulaire, plus observable, plus pilotable.

Ce type d’approche repose moins sur des choix d’outils que sur la capacité à comprendre le système dans son ensemble et à prioriser les évolutions.

Urbaniser, c’est finalement redonner de la cohérence à un système qui en a progressivement perdu. Et sans cette cohérence, les transformations, y compris celles liées à l’intelligence artificielle, restent fragiles par construction.

Le véritable enjeu n’est pas de faire de l’IA, mais de la faire tenir

L’intelligence artificielle ne va pas redistribuer les cartes uniquement sur la capacité à innover. Elle va surtout révéler les écarts entre les organisations.

Certaines seront capables de connecter leurs systèmes, de fiabiliser leurs données et d’inscrire leurs usages dans la durée. D’autres resteront bloquées au stade de l’expérimentation, freinées par un système trop opaque pour être réellement piloté.

C’est déjà ce que l’on observe. Le sujet n’est donc plus seulement de faire de l’IA. Il est de savoir si le système d’information est en capacité de la supporter.

Ce basculement remet au centre des sujets que l’on pensait maîtrisés. Compréhension du SI, cohérence d’architecture, maîtrise des flux et de la donnée. Non pas comme des enjeux techniques, mais comme des conditions de transformation.

Pour les DSI, l’enjeu est clair. Il ne s’agit plus seulement d’accompagner l’innovation, mais de structurer un système capable d’évoluer dans le temps, sans créer de nouvelles dépendances.

C’est sur cette capacité que se jouera, en grande partie, la réussite des transformations à venir.