Comment douter que l’IA soit un accélérateur d’innovation ? Il faut cependant admettre une vérité essentielle : sa performance dépend fondamentalement des données qui l’alimentent.
Les défis de l’adoption de l’IA en entreprise
Partout dans l’entreprise, on discute des nouvelles pratiques et de l’adoption de l’IA, et on comprend aisément pourquoi. Déjà, ses différents cas d’usage créent un avantage concurrentiel sans précédent pour ceux qui les déploient, augmentant ainsi la productivité et l’efficacité. Demain, des agents seront même capables de faire tourner l’entreprise et de générer de nouvelles opportunités. Cependant, force est de constater que les entreprises n’en tirent pas toutes les mêmes bénéfices. Certaines prennent une avance considérable, tandis que d’autres restent bloquées à l’étape de la planification, soulignant le fossé qui peut exister dans la mise en œuvre concrète de l’IA.
Une évolution rapide vers l’Intelligence Agentique
En quelques mois, nous sommes passés des fondations des grands modèles de langage (LLM) et des processus d’optimisation de leurs résultats (appelés RAG) à l’avènement des agents IA spécialisés. Pour comprendre cette évolution, il faut admettre que la performance de l’IA dépend fondamentalement des données qui l’alimentent. Cela s’applique autant aux modèles d’IA qu’aux agents IA. Pour atteindre le niveau de valeur critique que les entreprises attendent, connu sous le nom d’Intelligence Agentique, les agents IA doivent accéder à des données contextuelles de qualité couvrant l’ensemble de l’organisation.
Vers de nouvelles architectures d’entreprise
Pendant des années, le modèle SaaS a réussi à combler l’écart entre les besoins humains et ceux des systèmes de données. Pour beaucoup, l’expérience quotidienne des données de l’entreprise passe encore par ces applications SaaS. Cependant, l’IA redéfinit complètement la manière dont les humains accèdent et gouvernent leurs données pour collaborer. L’avenir réside dans le recours à des agents IA agnostiques vis-à-vis des fournisseurs, opérant sur des architectures centrées sur les données et menées par l’Intelligence Agentique.
Les données sur site : un atout majeur
Contrairement à l’idée que le cloud rendrait obsolètes les données sur site, ces dernières alimentent certaines des applications les plus critiques au monde. Selon Arthur Lewis, président de Dell Technologies Infrastructure Solutions Group, « 83 % des données mondiales sont stockées sur site. » Ces données ne disparaîtront pas, même si leur volume augmente. C’est un fait à considérer pour aider les entreprises à adopter l’IA. Les secteurs tels que les services financiers et la santé fonctionnent souvent sur site pour répondre à des exigences réglementaires et opérationnelles.
La gouvernance des données à l’ère de l’IA
L’IA apporte des opportunités, ainsi que de nouvelles règles et risques. Ces enjeux ne sont pas nouveaux pour les professionnels de la donnée, mais l’IA les amplifie. La sécurité et la gouvernance des données deviennent cruciales alors que l’IA s’impose. La capacité à interroger des sources multiples sans devoir déplacer ou cloner les données devient essentielle pour garantir une gouvernance efficace.
Vers une architecture lakehouse
Nombre d’entreprises n’ont pas encore su comment amener l’IA à leurs données. Toutefois, un modèle se dessine pour l’analytique : le lakehouse, qui combine les avantages d’un entrepôt de données et d’un lac de données, permettant à l’IA de s’y arrimer naturellement. Cela nécessite une stratégie d’entreprise préparant l’IA de demain sur des fondations solides, centrées sur les données, la gouvernance et l’interopérabilité. Adopter une approche lakehouse est un choix stratégique, pas seulement technique.
Conclusion
L’IA utile ne viendra pas par magie. Mettre en place une architecture adaptée est essentiel pour garantir une IA pertinente, sécurisée et réellement transformative.