De nombreuses entreprises déploient l’IA alors que leur socle de données reste fragmenté, manque de gouvernance et n’est pas adapté à l’IA générative ou à l’IA agentique (Agentic AI).
EY souligne que seule une minorité d’organisations possède une « data maturity » (maturité des données) suffisante pour déployer l’IA efficacement à grande échelle.
Le premier signe est une stratégie de données qui sert uniquement à la conformité (compliance) et aux rapports statiques, au lieu de soutenir l’apprentissage automatique, l’automatisation et la prise de décision en temps réel. De nombreux systèmes de données d’entreprise existent en silos, manquent de métadonnées, ont un niveau d’ownership flou et sont difficiles à tracer.
Le deuxième signe est une gestion des données défaillante, où les entreprises ne savent pas où se trouvent les données ni ce qu’elles contiennent. Capital One a déclaré avoir dû moderniser l’ensemble de son écosystème de données cloud pour pouvoir exploiter l’IA.
Le troisième signe est une gouvernance inefficace, ce qui oblige les départements à réconcilier (reconcile) les données manuellement par eux-mêmes. L’University of Tennessee, Knoxville avertit que l’IA amplifiera les incohérences au lieu de les résoudre.
Le signe suivant est un système de business intelligence (BI) qui perd ses utilisateurs parce que les employés créent leurs propres feuilles de calcul, shadow models ou analyses séparées. Selon ISG, lorsque les utilisateurs cessent de faire confiance à la BI centrale, les données de l’entreprise ont commencé à « briser leur semantic layer » (couche sémantique).
Un autre signe dangereux est le manque de lien clair entre les données et les business outcomes (résultats commerciaux) sur lesquels l’IA doit influer. Concentrix estime que l’IA renvoie souvent des résultats erronés lorsque la base de connaissances (knowledge base) est obsolète, non structurée ou que la gouvernance est trop lâche. De nombreux systèmes de données ont été écrits pour être lus par des humains, et non pour être traités automatiquement par des machines.
L’article souligne également que la « data debt » (dette de données) est un problème majeur lorsque les entreprises accumulent des années de données non standardisées, sans valeur et pleines de raccourcis techniques.
La City University of New York estime que la plupart des entreprises n’ont pas d’incitations financières pour corriger réellement la qualité de leurs données.
Le dernier signe est que l’entreprise rencontre des difficultés même avec les rapports et les analyses de base. Si la génération d’insights simples nécessite encore la coordination de plusieurs équipes et des manipulations manuelles, l’IA ne fera qu’accentuer la complexité du problème.
Les experts estiment que l’IA ne peut pas sauver une base de données faible, mais qu’au contraire, elle mettra en lumière toutes les lacunes de l’infrastructure de données de l’entreprise.
L’article conclut que si l’IA est séduisante, la gouvernance des données (data governance) reste le travail le plus difficile et le plus crucial pour que l’IA crée une valeur réelle.
📌 Conclusion : La majorité des échecs actuels de l’IA ne réside pas dans les modèles, mais dans les données de l’entreprise situées en amont. Des problèmes tels que les silos de données, une gouvernance faible, une sémantique non unifiée et des années de « data debt » accumulée empêchent l’IA générative et l’IA agentique de créer une valeur réelle à grande échelle. Lorsque même la business intelligence de base n’est pas fiable, l’IA ne fera qu’amplifier les erreurs au lieu de les résoudre. Cela reflète une nouvelle tendance du marché : la course à l’IA se déplace des chatbots et des modèles vers les enjeux d’infrastructure de données, de métadonnées et de gouvernance interne des entreprises.
