Investir dans l'IA – oui, mais après un travail sur la donnée
Dans cette course effrénée à l'IA, seules les entreprises qui auront effectué un travail préalable sur la gouvernance des données et leur mise à disposition gagneront un avantage concurrentiel.
Investir dans des solutions d’intelligence artificielle (IA) pour faciliter l’exploitation des données, l’idée semble très bonne sur le papier. Mais elle se heurte à une réalité : la majorité des collaborateurs n’arrive pas toujours à accéder aux données utiles au bon moment et au bon endroit. Selon une enquête IDC menée en 2023, seulement 14 % des employés ont déclaré que des données exploitables étaient "extrêmement bien” intégrées dans leur flux de travail. Pour optimiser l'expérience “data” de leurs collaborateurs IT et métier avec la mise à disposition de données accessibles et fiables, les entreprises doivent améliorer leurs systèmes et outils de gestion de données avant d’investir dans l’IA, et non après.
Combler le fossé entre les données et l’action
Il existe une disparité évidente entre les attentes en matière de données et le quotidien en entreprise. Pour combler ce fossé, une stratégie à trois volets, axée directement sur les besoins des utilisateurs métier, doit être mise en place.
Le premier volet consiste à aligner les systèmes d’information sur les objectifs business. Comprendre les principaux processus et les objectifs des utilisateurs est essentiel, avant d’ajouter des outils de gestion de données ou d’IA supplémentaires. Relever les défis métier doit rester la priorité. La technologie pour la technologie est l’ennemi du progrès.
La deuxième étape consiste à rétablir la confiance des utilisateurs, en garantissant l’exactitude, la sécurité, la transparence et la pertinence des données. Cela leur permet de considérer les informations de l’organisation comme crédibles et utiles, et non comme peu, voire pas fiables et incommodantes. La qualité prime sur la quantité, et c’est là que la gouvernance et les solutions de Master Data Management ont un rôle clé à jouer.
Enfin, l’entreprise doit positionner l’IA comme un copilote de la gestion de données et rendre la collaboration homme-machine efficace. En ce sens, elle doit fournir des solutions capables de répondre aux questions des utilisateurs, de mettre en évidence des schémas, des relations, de faire apparaître des recommandations dans les interfaces existantes et d’apprendre les préférences de l’utilisateur au fil du temps. Les technologies d’IA doivent simplifier les tâches plutôt que de les compliquer. Par exemple, dans le contexte du Master Data Management, l’automatisation de certaines tâches chronophages comme la gestion des doublons et du matching, l’enrichissement des données, leur classification ainsi que l’organisation des métadonnées, permettent aux collaborateurs de se concentrer sur l’appréhension et la compréhension des données, afin de prendre rapidement les décisions les plus avisées et d’engager les actions appropriées.
Les organisations qui mettent l’accent sur l’efficacité opérationnelle plutôt que sur une nouvelle automatisation peuvent entretenir une culture de la donnée axée sur la connaissance, dans laquelle les collaborateurs disposent des informations dont ils ont besoin au moment où ils en ont besoin.
Fournir des données plus fiables aux collaborateurs
Les données “master” et de référence alimentent les initiatives et projets d’IA, mais comment cette IA est-elle réellement exploitée au quotidien dans un contexte professionnel? Une enquête menée par Altair indique, qu’en entreprise, l’IA est le plus souvent utilisée pour des tâches telles que : l’assurance qualité, l’amélioration de l'expérience client, la maintenance prédictive, l’efficacité de la chaîne d'approvisionnement ou encore la conception de produits.
La majorité de ces cas d'utilisation impliquent directement les collaborateurs et impactent les clients et les tiers. Pourtant, comme indiqué précédemment, seuls 14 % des travailleurs affirment que des données exploitables s'intègrent dans leur flux de travail. Cet écart surprenant montre que la plupart des organisations doivent fournir des données de meilleure qualité - et pas seulement des outils d'IA supplémentaires - à leurs équipes.
La leçon à en tirer ? Le succès de l'IA dépend entièrement de l'accessibilité à des données de qualité, et cette dernière repose entièrement sur l'adoption et l’alignement de nombreux outils, notamment une intégration de données agile, moderne et intelligente, un master data management assisté par des dispositifs d’IA et de machine learning et, surtout, une gouvernance de données rigoureuse. Cette gestion augmentée des données assure simultanément leur qualité, leur conformité et leur sécurité, des fondamentaux indispensables pour tout projet d’IA à l'échelle de l'entreprise.
En favorisant une approche pragmatique et centrée sur l’humain, les organisations peuvent exploiter les technologies innovantes de l'IA tout en évitant le battage médiatique qui piège tant de personnes. La première étape consiste à responsabiliser ses collaborateurs à travers une véritable culture data, ce qui posera naturellement les jalons de l’innovation.