Pourquoi autant de projets d’intelligence artificielle échouent-ils avant même d’avoir livré de la valeur ? Parce que sans équipe soudée, sans données fiables et sans vision métier claire, la technologie seule ne suffit pas. La clé, c’est l’agilité… Miser sur une approche itérative, pilotée par les données et renforcée par une data fabric logique, change la donne.
D’après Rand Corporation, 80% des projets en intelligence artificielle (IA) échouent. Une enquête de Deloitte révèle que près de 70% des projets d’IA générative (GenAI) s’arrêtent au stade de la validation du concept, faute de pouvoir être industrialisés. Enfin, selon une étude de Wharton, plus de 50% des cadres estiment ne pas être prêts pour l’IA. Autrement dit, la mise en place de l’IA dans le monde réel et à grande échelle reste un défi de taille. Mais cette perception est-elle justifiée ?
“Être prêt” est souvent une notion subjective. Aussi, dans la vie courante, nous avons souvent tendance, certainement par prudence, à commencer par observer et parfois à trop attendre avant de se lancer. Nous pensons que nous saurons instinctivement quand le moment sera venu, mais en réalité, nous sommes trop souvent suiveurs et prenons un retard parfois difficile à rattraper. Avec la révolution de l’IA, la même prudence devrait être de mise, avec une bonne préparation, planification et évaluation des ratios risques-bénéfices. Or une prudence excessive aurait un effet paralysant dans un monde où les avancées technologiques progressent si vite que les cartes sont rebattues d’une semaine sur l’autre. Il est donc fondamental d’accepter de se lancer sans avoir pu tout évaluer, en s’intégrant dans une démarche de progression raisonnée tout en observant en permanence les évolutions et en étant prêt à remettre en cause ses choix à tout moment. La clé est donc d’accepter l’aspect itératif de l’innovation : l’IA est un processus, pas une décision ponctuelle.
Les piliers d’un projet IA réussi
Mettre en œuvre un projet d’IA ne s’improvise pas. Beaucoup d’entreprises ont déjà tenté l’expérience sans arriver à en obtenir les fruits. Toutefois elle ne répond pas non plus complètement aux standards habituels, suivre les quelques étapes ci-après permet de maximiser ses chances de réussite.
1 – Choisir un projet sans ambiguïté sur les coûts et sa valeur ajouté: Si une équipe se décide à lancer son premier projet d’IA, il faut qu’elle se prépare à changer ses processus opérationnels et ses modes de pensée. Surtout, elle doit avant toutes choses évaluer les coûts et les avantages de l’IA car l’adoption d’une telle technologie implique des changements de processus et d’état d’esprit. L’IA peut apporter des gains de productivité, une plus grande proximité avec les clients, un élargissement des connaissances, des produits de meilleure qualité, des processus optimisés, etc. Il est donc indispensable de bien comprendre cette valeur ajoutée que l’IA peut apporter et le temps qu’il faudra pour la réaliser. La nature itérative de ce type d’initiative nécessite sa pleine intégration aux processus métiers afin d’en garantir son succès et son amélioration continue. Il est important de garder à l’esprit que souvent les projets d’IA échouent parce que l’on se concentre davantage sur l’utilisation des technologies les plus récentes et avancées que sur la résolution des problèmes réels des utilisateurs finaux.
2 – S’assurer du soutien de l’équipe de direction : L’adhésion de l’équipe dirigeante au projet est cruciale, en particulier pour les initiatives liées à l’IA. Son soutien permet d’éliminer les obstacles, d’allouer les ressources et de faire avancer le projet de manière efficace. Il est également essentiel pour clarifier les objectifs de la mission et le périmètre du projet, et ajuster ces éléments si nécessaire. De plus, l’équipe de direction joue un rôle clé dans la communication et la gestion du changement au sein de l’entreprise, quel que soit le domaine impacté par la transformation. Son engagement fait une différence majeure dans la réussite des projets et leur avancement dans les délais prévus. Cependant, les attentes vis-à-vis de l’IA sont souvent très élevées, et les décideurs ont tendance à mal comprendre — ou à mal communiquer — sur les problèmes que l’IA doit réellement résoudre.
3 – Constituer une équipe pluridisciplinaire et collaborative : La réussite d’un projet IA repose sur la cohésion et l’esprit de collaboration de l’équipe composée de multiples profils : dirigeants, chercheurs en IA, experts métiers, professionnels de l’IT et de spécialistes du changement. La diversité des points de vue et des compétences est essentielle et la collaboration entre ces multiples profils va permettre d’avancer rapidement tout en veillant à ce que tous restent alignés sur les objectifs.
4 – Exploitez l’abstraction grâce à un couche sémantique de gestion des données pour gagner en agilité : L’un des plus grands défis de l’IA ne réside pas seulement dans la création de modèles mais également dans la traduction des activités et des processus de l’entreprise en composants compréhensibles. Ainsi, recourir à une « data fabric » logique permet d’établir une couche sémantique unifiée au-dessus des sources de données, qui traduit automatiquement toutes les données dans le langage de l’entreprise. Il est ainsi possible de fournir aux chercheurs en IA et aux utilisateurs métier des modèles de données d’entreprise cohérents, même si l’environnement de l’entreprise évolue. La couche d’abstraction permet de gérer et de fournir des données à la demande. Cette couche isole des changements dans les systèmes sous-jacents des processus métier, ce qui donne de l’agilité tout en garantissant la cohérence et la stabilité nécessaires à la recherche sur l’IA. L’utilisation d’une data fabric logique comme couche d’abstraction permet de maintenir un accès aux données en temps réel et à la demande dans le langage de l’entreprise, malgré la nature dynamique des sources de données. En effet de nombreux projets d’IA échouent par manque des données nécessaires pour entraîner efficacement un modèle d’IA performant.
Les processus métier jouent un rôle déterminant sur la qualité des données
La qualité des données est directement induite par la qualité des processus métiers qui les gèrent : si ces processus sont incohérents ou contournés par des solutions de fortune, les données en porteront les traces. Corriger les problèmes de qualité des données en aval, que ce soit dans les pipelines de données, les tâches d’extraction, de transformation et de chargement (ETL) ou d’autres mécanismes de traitement, est souvent coûteux et chronophage. Il est bien plus efficace d’agir à la source en amont plutôt que de tenter de corriger les données a posteriori. C’est là que le recours à la data fabric logique prend tout son sens : elle offre une visibilité en temps réel sur la qualité des données, permettant aux entreprises d’identifier et d’adapter rapidement les processus.
Par ailleurs, elle permet aussi une meilleure gouvernance des métadonnées et une amélioration de leurs processus d’enrichissement, qui sont au-delà des données tout aussi fondamentales dans des projets d’Intelligence Artificielle. La data fabric logique permet aux utilisateurs de travailler avec les données d’une manière plus naturelle pour eux, en utilisant leur propre langage et leurs propres flux métiers. Ils peuvent ainsi prendre des décisions éclairées sur les ajustements à apporter. Cela améliore considérablement la qualité des données et des métadonnées alimentant les modèles d’IA, dont des résultats plus précis en découlent directement.
En résumé, la data fabric logique ne se contente pas de fournir des données ; elle apporte des informations directement exploitables sur les processus opérationnels, ce qui permet une amélioration continue et un alignement sur les opérations de l’entreprise. Cette capacité représente un facteur structurant de la réussite des projets d’IA.
L’agilité est la clé
Par ailleurs, le temps est presque toujours compté, que l’on utilise des ressources internes ou externes. La capacité à s’adapter rapidement réduit ainsi les coûts et les délais de création de valeur. Les données et leurs métadonnées sont au cœur des projets d’IA. Une gestion efficace permettant de les identifier, les valider et d’intégrer rapidement de nouvelles sources quels que soient leur emplacement ou leur mode de stockage, est essentielle pour permettre aux data scientists de les intégrer aux modèles qu’ils développent. L’abstraction des données via une data fabric logique favorise une expérimentation rapide et efficace. En outre, structurer les données en produits réutilisables établis par des contrats d’interfaçage, permet de soutenir plusieurs projets et de maximiser les investissements.
Lorsqu’il est nécessaire d’intégrer des sources de données externes, une data fabric logique permet l’évaluation rapide des différentes options possibles. Cela permet également de croiser efficacement des informations externes avec les données internes et de les transformer rapidement en data products immédiatement exploitables. De plus, il est possible de prototyper de nouveaux concepts et de les tester dans les modèles avant de les déployer en production. Cette souplesse dans la gestion des données favorise les expérimentations et des itérations plus rapides.
Ainsi de nombreux data products peuvent être créés à souhait par le biais de la data fabric logique sans avoir à répliquer ou déplacer les données physiquement. Par ailleurs ces data products ne sont pas réservés uniquement aux projets d’IA, mais peuvent aussi servir à d’autres projets, d’analytique et d’intégration de données. Cela permet ainsi de gagner en efficacité sur tous les projets nécessitant des données.
Un projet IA a vocation à évoluer avec le temps. L’IA devient presque un nouveau “collaborateur” permettant de découvrir de nouvelles routes non encore explorées et d’apporter des idées innovantes, contribuant ainsi à réduire les cycles de développement. L’IA devient un véritable levier de croissance.
Êtes-vous prêt pour l’IA ? Probablement pas complètement, mais quelle que soit la réponse, l’essentiel est de se lancer, de se préparer aux défis, d’accueillir l’innovation et se concentrer sur la création de valeur. Adopter une data fabric logique apportera l’agilité, la cohérence et la résilience nécessaires pour faire face aux exigences d’un projet d’IA. La réussite en IA ne repose pas sur le fait d’avoir toutes les réponses dès le départ, mais sur la construction d’une base solide et la capacité à s’adapter en cours de route.
____________________________
Par Vincent Fages-Gouyou, Sr Director of Product Management EMEA chez Denodo
puis