L’IA est la récompense de la discipline opérationnelle, mais elle ne la crée pas
Défis de l’IA: Les dirigeants sont souvent induits en erreur sur les capacités de l’IA, ignorant les enjeux organisationnels fondamentaux qui affectent le déploiement.
Problèmes de données: Les principaux freins à une intégration efficace de l’IA sont l’adhésion des dirigeants, la qualité des données et la maturité organisationnelle.
Besoins d’infrastructure: Les applications d’IA performantes nécessitent une infrastructure solide, qui demande souvent une feuille de route de 12 à 18 mois pour la mise en œuvre.
Alignement du leadership: La collaboration au niveau de la direction est essentielle pour traiter des problèmes communs au lieu de multiplier des stratégies isolées par département.
Discipline opérationnelle: Le succès réel et durable de l’IA provient d’opérations disciplinées, pas seulement de nouvelles technologies ou d’outils.
Quelque part au cours des deux dernières années, la plupart des dirigeants du C-suite se sont convaincus qu'ils avaient un problème d'IA. Le conseil d'administration attend une stratégie. Les concurrents annoncent des projets pilotes. Le directeur financier demande quels sont les délais de retour sur investissement (ROI). Ils ont donc embauché un Chief AI Officer, monté un groupe de travail et commencé à démarcher des fournisseurs.
Aucune de ces démarches ne répond au véritable problème.
Eric Gonzalez a passé des années au sein d'organisations en tant que Chief Data Officer fractionnaire, aidant les entreprises à démêler l'écart entre ce que les dirigeants croient que l'IA accomplira et ce que leurs opérations peuvent réellement soutenir.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Les trois mêmes réponses
Il raconte une anecdote au sujet d'un panel qu’il a animé il y a quelques années, où l’audience — une salle de dirigeants data et technologies — devait identifier les principaux obstacles bloquant une infrastructure de données saine. Les résultats ont été présentés sous forme de nuage de mots. Les trois mêmes éléments revenaient systématiquement : l’adhésion des dirigeants, la qualité des données et la culture des données.
« Si vous aviez posé cette question en 2005, dit Gonzalez à l’Optimized AI Conference à Atlanta, ce sont les mêmes causes qui auraient paralysé les organisations. »
Il a raison. Et les implications sont plus gênantes que ce que la plupart des dirigeants veulent admettre.
La dette organisationnelle qui complique tant le déploiement de l’IA n’a pas été créée par l’IA. Elle découle d’années de systèmes fragmentés, de questions non résolues sur la gouvernance, d’équipes cloisonnées et d’intérêts mal alignés que personne n’a corrigés parce que le coût d’y remédier paraissait toujours supérieur au coût de les contourner.
Puis l’IA générative est arrivée, et soudain, ces mêmes problèmes sont devenus très coûteux à ignorer.
Le schéma que décrit Gonzalez se retrouve dans tous les secteurs et à tous les niveaux de direction. Participez à des conférences sur l’IA, les opérations ou les RH, et vous entendrez sûrement une variation de ceci : les organisations courent après une nouvelle technologie dans l’espoir qu’elle résolve des problèmes qui sont fondamentalement liés aux personnes et aux processus.
C’est le cas avec l’ingénierie de données. On l’a vu quand la data science a été désignée comme le métier le plus sexy des États-Unis. Cela recommence aujourd’hui. La technologie évolue. Les dysfonctionnements profonds demeurent.
Le défi de l’IA
Ce qui différencie cette période, c’est l’ampleur du pari. Les investissements en IA sont plus conséquents, plus rapides et plus visibles que tout ce qui a précédé.
Lorsque qu’un pilote échoue, c’est trop souvent parce que les données qui l’alimentent sont peu fiables, ou parce que personne n’a défini clairement la responsabilité des modèles déployés, ou encore parce que deux départements partaient de présupposés totalement différents sur la finalité de l’outil.
Gonzalez cite un exemple révélateur. Un assureur santé avec plus de 25 millions d’adhérents a déployé l’IA générative non pas pour l’évaluation des sinistres mais pour rédiger les lettres de refus — une exigence réglementaire qui nécessitait auparavant un effort manuel colossal. Le résultat : une réduction de 80 à 90 % des frais généraux liés à ce processus. Pas d’agent multimodal, pas de système autonome à l’échelle de l’entreprise. Un problème ciblé, bien défini, et des données suffisamment propres pour permettre une vraie solution.
Le travail ingrat a été fait en amont. C’est presque toujours ainsi que naissent les véritables réussites.
Les conditions pour générer de la valeur
Les dirigeants qui réalisent de réels progrès partagent une discipline particulière : ils ont cessé de se demander où l’IA pourrait être utilisée et se posent la question suivante : qu’est-ce qui doit être en place pour que l’IA crée réellement de la valeur ici ? La nuance paraît subtile. Elle ne l’est pas.
La première question conduit à la multiplication de pilotes qui ne dépassent jamais la phase de preuve de concept. La seconde exige un vrai constat sur l’état des fondamentaux : qualité des données, gouvernance, alignement transversal, responsabilités claires — tout cela est-il effectivement en place ?
La plupart du temps, ce n'est pas le cas. Et la réponse sincère à « qu’est-ce qui doit être en place » est une feuille de route de 12 à 18 mois qui commence par des infrastructures que personne ne veut financer parce qu’elles ne sont pas visibles dans une démo.
C’est là que l’alignement du C-suite importe plus que la stratégie d’une fonction isolée. La DRH qui s’inquiète des disruptions dans la gestion des ressources humaines, le DSI qui doit gérer la dette technique, le COO qui réorganise les flux de travail, le CFO qui évalue le retour sur investissement — ils ne regardent pas des problèmes différents. Ils observent le même problème sous différents angles.
Quand ces perspectives ne convergent pas, les investissements IA sont souvent mal priorisés, la responsabilité se dilue, et l’écart entre les attentes et les résultats se creuse jusqu’à ce que le budget de quelqu’un soit coupé.
Gonzalez exprime clairement la contrainte fondamentale.
« La technologie est rarement ce qui freine les organisations », a-t-il déclaré. « Ce sont la structure politique, la propriété compartimentée, les priorités concurrentes et les incitations mal alignées qui les freinent. Ce sont des problèmes de leadership. Ils nécessitent des solutions de leadership, pas un nouveau prestataire, pas un meilleur modèle, pas un outil plus brillant. »
Les progrès durables paraissent ennuyeux de l'extérieur. Il s'agit de réarchitecturer les plateformes, de résoudre des questions de gouvernance des données qui traînent depuis des années, de faire les choix difficiles qui accompagnent la centralisation de la propriété du développement et du déploiement de l'IA. Rien de tout cela ne se présente bien lors d'un bilan trimestriel. Mais chacun de ces éléments s'additionne au fil du temps.
Mais l'IA récompense la discipline opérationnelle. Elle ne la crée pas.
