Depuis le 2 février 2025, la loi sur l'intelligence artificielle (AI Act) interdit le déploiement de systèmes d'IA jugés présenter des « risques inacceptables ». Les organisations reconnues coupables d'infraction s'exposent à de lourdes sanctions, pouvant aller jusqu'à 7 % de leur chiffre d'affaires annuel mondial ou 35 millions d'euros. La conformité n'exige pas de réinventer la roue, mais demande plutôt un alignement entre les équipes sur l'intégrité des données, une utilisation responsable de l'IA (y compris les modèles de formation de l'IA) et une évolution vers une culture plus axée sur les données.
Une telle ressource doit présenter les données dans un langage clair et opérationnel, afin de soutenir la prise de décision à tous les niveaux de l’organisation. L’AI Act repose directement sur les données, car les systèmes dépendent de leur qualité, de leur origine et de leur gouvernance. La conformité ne nécessite pas de créer de nouvelles structures à partir de zéro. Il s’agit plutôt de renforcer les pratiques de gestion de données existantes, en s’appuyant sur des cadres déjà en place, comme ceux pilotés par les Chief Data Officers (CDO). Une base de connaissances orientée métier, où les données sont documentées de manière claire et opérationnelle, peut accompagner cette démarche. Elle permet de garantir que les projets IA restent conformes à la réglementation tout en apportant une réelle valeur à l’organisation.
Construire une base de données solide pour une IA performante
L'intégrité des données garantit l'exactitude, la cohérence et la fiabilité des données tout au long de leur cycle de vie, préservant ainsi leur fiabilité. Sans elle, les résultats de l'IA risquent d'être peu fiables, car les modèles peuvent se baser sur des données historiques altérées ou corrompues. Elle est également essentielle pour préserver l'exactitude historique, garantir la traçabilité et l'auditabilité, prévenir les manipulations ou attaques adverses, soutenir l'apprentissage continu et assurer la reproductibilité des recherches en IA. En somme, l'intégrité des données permet de bâtir un écosystème cohérent, fiable et résilient, indispensable à des solutions d'IA efficaces et éthiques.
Dans un paysage hautement concurrentiel où les fournisseurs se bousculent pour fournir des capacités d'IA agentique, les entreprises sont confrontées à une pression croissante pour adopter l'IA. Cependant, malgré des investissements croissants, la plupart d’entre elles n’ont pas les équipements suffisants pour exploiter pleinement son potentiel. Nos recherches récentes mettent en évidence un défi de taille : seulement 12 % des organisations pensent que leurs données sont prêtes pour l'IA. Ce manque de préparation des données, associé à une gouvernance faible ou à un désalignement entre l'entreprise et l'informatique, contribue à l'échec de 85 % des projets d'IA. Ainsi, la préparation à l'IA ne concerne pas seulement la maturité des données, mais aussi la création d'un cadre reproductible pour l'innovation.
Établir les piliers pour une IA fiable et responsable
Être « prêt pour l'IA » est un parcours multifacette qui exige une planification et une exécution méticuleuses dans plusieurs domaines critiques. Il ne s'agit pas seulement d'adopter des outils d'IA, mais plutôt de favoriser un écosystème où l'IA peut prospérer, apporter une valeur tangible et être intégrée de manière responsable. L'étape fondamentale de ce parcours est une évaluation complète de la maturité des données. Il s'agit d'une analyse approfondie du paysage des données d'une organisation pour identifier les principales lacunes. L'évaluation examine rigoureusement plusieurs aspects clés de la fiabilité des données telles que la disponibilité, l'accessibilité, la qualité, l'enrichissement, l'observabilité et la gouvernance. Chaque aspect est essentiel. En ce sens, la disponibilité assure l’accès aux données, l’accessibilité facilite leur récupération et leur usage, la qualité garantit leur fiabilité, l’enrichissement en augmente la valeur, l’observabilité permet leur suivi, et la gouvernance encadre leur gestion tout au long du cycle de vie.
Après une évaluation rigoureuse des données, la phase suivante implique l'alignement de l'IA et la validation des cas d'utilisation. Cette étape permet de s'assurer que les initiatives d'IA ne sont pas poursuivies de manière isolée, mais qu'elles sont intrinsèquement liées aux objectifs métiers fondamentaux. Il s'agit d'identifier et de valider stratégiquement les cas d'utilisation de l'IA qui promettent d'apporter une valeur démontrable. Ceci comprend généralement l'identification des priorités de l’entreprise, le brainstorming sur les applications potentielles de l'IA, la validation de la faisabilité et de l'impact, la hiérarchisation des priorités en fonction de l'importance stratégique et de la faisabilité, et l'engagement des parties prenantes pour favoriser l'adhésion.
La gouvernance de l'IA joue également un rôle majeur. Il ne s'agit pas seulement de conformité, mais de mettre en place un cadre solide pour un déploiement éthique, responsable et évolutif de l'IA. Cela suppose d’adopter de bonnes pratiques alliant conformité, équité, adaptabilité et transparence pour instaurer la confiance auprès de toutes les parties prenantes.
Enfin, le quatrième pilier concerne la gestion du changement organisationnel. L'adoption de l'IA représente une transformation significative au sein d'une organisation, nécessitant une navigation prudente des facteurs humains. Cela permet de s’assurer que les équipes sont non seulement alignées sur les initiatives d'IA, mais qu'elles sont également responsabilisées et responsables de leur réussite. Les aspects clés incluent une communication claire sur les raisons de l’adoption de l’IA, la formation et le développement des employés, l’adhésion des partenaires, ainsi que la redéfinition des rôles, notamment l’intégration des fonctions liées aux données dans les initiatives d’IA. Ils couvrent également la gestion des performances alignée sur les objectifs de l’IA et la mise en place de programmes permettant un déploiement itératif et l’amélioration continue des modèles et des données critiques.
En somme, ces efforts aboutissent à l’élaboration d’une feuille de route claire pour la stratégie de données, condition essentielle à la réussite de l’IA. Ce plan détaillé inclut généralement une mise en œuvre progressive, l’allocation des ressources humaines, technologiques et financières, des indicateurs clés pour suivre les progrès, des stratégies de gestion des risques et un cadre d’amélioration continue. En renforçant chacun de ces piliers, les organisations peuvent non seulement se préparer efficacement à l’IA, mais aussi consolider un avantage concurrentiel durable dans un paysage en constante évolution.
By Jean-Paul Otte, EMEA Data Strategy Lead chez Precisely
