Changer de logiciel ou brancher l'IA sur les systèmes de l'entreprise ressemble à une décision technologique. Le résultat dépend pourtant de trois choses qu'aucun outil n'apporte avec lui : un processus clair, des données fiables et des règles sur la façon dont ces données sont traitées. Cela vaut pour une entreprise de 15 personnes comme pour un groupe de 5 000.
La question qui vient souvent en premier est la mauvaise
Quand les fichiers se multiplient, que l'information est saisie deux fois et que personne ne sait exactement où en est une demande, la réaction naturelle est de chercher un meilleur outil. Avec l'IA, la tentation est la même, en plus rapide : un assistant, un agent, une intégration.
Un outil accélère ce qui existe déjà. Si le processus est clair et les données fiables, il accélère un bon travail. Sinon, il accélère la confusion, avec plus de volume et une confiance apparente plus grande.
Au lieu deQuel outil devons-nous acheter ?
DemandezQuelle décision ou quelle tâche voulons-nous améliorer, avec quelles données, et qui répond de ces données ?
Le problème vient rarement de l'outil
BCG a interrogé 1 000 dirigeants en 2024 et a séparé les entreprises qui tirent déjà de la valeur de l'IA des autres. Les leaders répartissent leurs ressources selon une règle simple : 10 % pour les algorithmes, 20 % pour la technologie et les données, 70 % pour les personnes et les processus.
C'est un principe d'allocation des ressources observé chez les entreprises leaders de l'étude, pas une règle universelle. Il sert à montrer où se situe l'essentiel du travail.
Voir les données en tableau
| Composante | Part des ressources |
|---|---|
| Algorithmes | 10 % |
| Technologie et données | 20 % |
| Personnes et processus | 70 % |
La même logique s'applique à un changement d'ERP, de CRM ou d'outil de gestion de projet. La licence et la configuration sont la partie visible. Le travail qui décide du résultat consiste à définir le processus, nettoyer et organiser les données et préparer ceux qui vont utiliser l'outil.
IBM observe le même schéma du côté des CEO : la moitié reconnaît que le rythme des investissements a laissé l'entreprise avec une technologie déconnectée et fragmentée, et 68 % jugent critique une architecture de données intégrée à l'échelle de l'entreprise.
À l'ère de l'IA, le contexte est l'actif
Un modèle d'IA répond à partir de ce qu'il reçoit. Sans contexte, il produit une réponse générique et plausible. Avec un mauvais contexte, il produit une réponse fausse et convaincante. Ce qui distingue une entreprise d'une autre n'est pas le modèle, accessible à tous, mais le contexte qu'elle sait lui donner : ses données, ses définitions, ses règles.
Ce contexte s'organise en couches. Chaque couche ne fonctionne que si celle du dessous est résolue.
-
Question de contrôle : quelle décision concrète change si l'outil fonctionne ?
Symptôme en cas de défaillance : le projet avance sans critère de réussite et personne ne peut dire s'il s'est bien passé.
-
Question de contrôle : l'outil lit-il les données de référence ou une copie ?
Symptôme en cas de défaillance : le nouvel outil cohabite avec les anciennes feuilles de calcul, et personne ne sait laquelle est juste.
-
Question de contrôle : deux personnes décrivent-elles le processus de la même façon ?
Symptôme en cas de défaillance : le travail reste en attente d'une personne, et l'outil ne montre le retard que par une notification.
-
Question de contrôle : « ventes du mois » inclut-il les commandes non facturées ? Et les retours ?
Symptôme en cas de défaillance : deux rapports donnent deux valeurs différentes et la réunion débat du chiffre plutôt que de la décision.
-
Question de contrôle : pour chaque donnée, où se trouve la version de référence et qui la maintient ?
Symptôme en cas de défaillance : la même adresse client existe à trois endroits, avec trois valeurs.
La définition des « données prêtes pour l'IA » de Gartner va dans le même sens : des données représentatives du cas d'usage concret, y compris les erreurs, les exceptions et les situations inattendues. Il n'existe pas de données prêtes dans l'abstrait. Elles sont prêtes, ou non, pour un usage précis.
La confiance dans les données baisse
L'enquête annuelle de Precisely et de la Drexel University (LeBow College of Business) auprès de plus de 565 professionnels de la donnée montre une évolution défavorable entre 2023 et 2024 sur trois indicateurs.
- 2023
- 2024
Voir les données en tableau
| Indicateur | 2023 | 2024 |
|---|---|---|
| La qualité des données est le principal défi d'intégrité | 50 % | 64 % |
| Évaluent la qualité de leurs données comme moyenne ou pire | 66 % | 77 % |
| Ne font pas entièrement confiance aux données utilisées pour décider | 55 % | 67 % |
Dans la même étude, seuls 12 % disent que leurs données ont une qualité et une accessibilité suffisantes pour une utilisation efficace de l'IA. Du côté de Gartner, 63 % des organisations n'ont pas, ou ne savent pas si elles ont, les pratiques de gestion des données adaptées à l'IA.
Une lecture possible : plus les entreprises essaient d'utiliser les données pour décider ou alimenter l'IA, plus elles en découvrent les limites. La qualité ne s'est pas forcément dégradée ; elle est devenue visible.
Les données sortent déjà de l'entreprise, avec ou sans stratégie
La question du traitement des données n'attend pas la décision d'adopter l'IA. Les collaborateurs utilisent déjà des outils de leur propre initiative, et des informations de l'entreprise y circulent.
Voir les données en tableau
| Indicateur | Valeur | Étude et population |
|---|---|---|
| Utilisateurs d'IA qui apportent leurs propres outils au travail | 78 % (80 % dans les PME) | Microsoft et LinkedIn, 2024. 31 000 personnes dans 31 pays |
| Ont saisi des informations non publiques de l'entreprise dans une IA générative | 48 % | Cisco, 2024. 2 600 professionnels de la confidentialité et de la sécurité, 12 pays |
| Ont saisi des informations sur des collaborateurs | 45 % | Cisco, 2024. Même population |
| Organisations sans politique de gouvernance de l'IA | 63 % | IBM, 2025. 600 organisations ayant subi une violation de données |
| Utilisateurs d'IA ayant reçu une formation de leur entreprise | 39 % | Microsoft et LinkedIn, 2024 |
Le coût a lui aussi été mesuré. Dans son rapport 2025 sur les violations de données, IBM estime que l'usage d'outils d'IA non approuvés a ajouté 670 000 dollars au coût moyen d'une violation. Parmi les organisations ayant connu un incident de sécurité lié à l'IA, 97 % n'avaient pas de contrôles d'accès adéquats.
Interdire est une réponse possible : 27 % des organisations de l'étude de Cisco ont interdit l'IA générative, au moins temporairement. L'interdiction ne supprime pas le besoin qui a conduit à l'usage. Sans alternative approuvée et sans règles claires, le risque tend à se déplacer plutôt qu'à disparaître.
Une cartographie minimale des données
Avant de migrer des données, de brancher un outil ou de donner accès à un assistant d'IA, un simple tableau répond à la plupart des questions. L'exemple ci-dessous utilise des catégories génériques.
Cartographie des données (exemple)| Donnée | Version de référence | Responsable | Définition écrite ? | Sensibilité | Peut-elle entrer dans un outil d'IA ? |
|---|---|---|---|---|---|
| Clients (contacts, adresses) | CRM | Commercial | Oui | Données personnelles (RGPD) | Uniquement dans un outil approuvé, avec un contrat de sous-traitance |
| Commandes et factures | Logiciel de facturation | Finances | Oui | Confidentiel commercial | Agrégées ou anonymisées |
| Marge par projet | Feuille de calcul partagée | À définir | Non | Stratégique | Non, tant qu'il n'y a pas de responsable ni de définition |
| Données des collaborateurs | Système RH | Ressources humaines | Oui | Données personnelles, certaines sensibles | Non, sauf cas validé juridiquement |
| Procédures internes | Dossier partagé | Opérations | Partielle | Interne | Oui, dans un outil approuvé |
Les lignes avec « à définir » ou « non » dans la colonne de la définition sont le premier travail à faire. Un nouvel outil ne les résout pas : il en hérite.
Informations générales, sans valeur de conseil juridique. Les règles de protection des données et les obligations du règlement européen sur l'IA s'appliquent au cas par cas. Sur l'AI Act, voir aussi ce qui a changé en 2026.
5 questions avant de changer d'outil ou d'adopter l'IA
Chaque question correspond à un signe fréquent que le problème se trouve dans le contexte et non dans l'outil.
Le processus est-il décrit de la même façon par ceux qui l'exécutent ?
Si deux personnes décrivent des parcours différents pour la même demande, il manque une règle commune. Pour l'IA : un processus ambigu donne des instructions ambiguës et des résultats incohérents.
Chaque donnée a-t-elle une version de référence ?
Une même information saisie à plusieurs endroits finit par diverger. Pour l'IA : avec trois versions de la même donnée, le modèle utilise celle qu'il trouve, pas la bonne.
Les indicateurs ont-ils une définition unique et écrite ?
Deux valeurs pour les ventes du mois sont généralement deux définitions, pas une erreur de calcul. Pour l'IA : sans définition, une analyse automatique calcule avec rigueur la mauvaise chose.
Y a-t-il un responsable et un critère de décision ?
Quand le travail attend une personne, ce qui manque, c'est de l'autorité ou de l'information, pas un logiciel. Pour l'IA : sans quelqu'un pour valider, rien de ce que l'outil prépare ne doit sortir de l'entreprise.
Existe-t-il une mesure de réussite avec un point de départ ?
« Moderniser » est une intention. Le temps de réponse, les reprises ou les heures de reporting sont des objectifs. Pour l'IA : sans mesure au départ, impossible de prouver le gain ensuite.
Petite, moyenne ou grande entreprise : l'échelle change, pas la question
La taille change l'endroit où se trouvent les données, qui décide et quels risques pèsent le plus. Elle ne change pas l'ordre du travail.
Ce qui change avec la taille, et ce qui ne change pas| Petite (10 à 49) | Moyenne (50 à 249) | Grande (250 ou plus) | |
|---|---|---|---|
| Où se trouvent les données | Feuilles de calcul, e-mail, un logiciel de facturation | Plusieurs systèmes par département, reliés à la main | ERP, CRM et des dizaines d'applications, avec des copies locales |
| Risque typique | Connaissance concentrée chez quelques personnes | Îlots de données entre départements | Outils parallèles hors du contrôle central |
| Qui décide | La direction, directement | La direction et les responsables de service | Comités, DSI, service juridique, protection des données |
| Premier pas réaliste | Un processus et un responsable par donnée | Des définitions communes entre services | Gouvernance des données et alternatives approuvées |
| Ce qui ne change pas | Processus clair, données de référence, règles de traitement, mesure de réussite. Dans cet ordre, avant l'outil. | ||
Auto-évaluation de préparation
Choisissez un processus concret, par exemple le traitement d'une demande client ou la clôture mensuelle, et répondez aux neuf affirmations. Le résultat est donné par le pilier le plus faible : un outil ne compense pas une base défaillante. Rien n'est enregistré ni envoyé.
Cinq étapes, dans cet ordre
-
1
Reconstituer un cas réel du début à la fin Choisir une demande ou une clôture récente et noter où elle est entrée, par quelles étapes elle est passée, où il y a eu attente, doute ou répétition, et quelle information manquait à chaque moment.
-
2
Cartographier les données que ce processus utilise Version de référence, responsable, définition et sensibilité de chaque donnée, comme dans la cartographie ci-dessus. Les lacunes deviennent des tâches avec un responsable.
-
3
Convenir des définitions et des règles de traitement Ce que signifie chaque indicateur, quelles données peuvent sortir vers des outils externes, quel outil est l'alternative approuvée et qui valide le résultat.
-
4
Tester sur un petit périmètre, avec une mesure avant et après Un processus, une équipe, une période définie. Comparer le temps, les reprises, les erreurs et l'adhésion avec le point de départ.
-
5
Décider : adopter, ajuster ou arrêter Ce n'est qu'avec le résultat mesuré qu'il est pertinent de choisir l'outil définitif ou d'élargir l'usage. Arrêter est aussi un résultat valable, et cela coûte moins cher tôt que tard.
Conclusion
Les modèles d'IA et les outils de gestion sont à la portée de toute entreprise. Ce qui ne s'achète pas, c'est le contexte : un processus que tous décrivent de la même façon, des données avec un responsable et une définition, et des règles claires sur ce qui peut sortir de l'entreprise.
La question utile avant toute démonstration ou tout abonnement est celle-ci :
Si l'outil arrivait demain, l'entreprise saurait-elle quelles données lui donner, avec quelles règles, et pour améliorer quelle décision ?
Sources
- Gartner, "Lack of AI-Ready Data Puts AI Projects at Risk" (26 février 2025) : prévision de 60 % d'abandon, 63 % sans pratiques adéquates, définition des données prêtes pour l'IA.
- BCG, "AI Adoption in 2024: 74 % of Companies Struggle to Achieve and Scale Value" (24 octobre 2024) et rapport « Where's the Value in AI? » : 74 %, principe 10/20/70.
- IBM Institute for Business Value, "CEOs Double Down on AI While Navigating Enterprise Hurdles" (6 mai 2025) : 2 000 CEO, 25 % avec le retour attendu, 50 % avec une technologie fragmentée, 68 % sur l'architecture de données.
- Precisely et Drexel University LeBow College of Business, "Data Integrity Trends and Insights" (18 septembre 2024) et rapport complet.
- Microsoft et LinkedIn, 2024 Work Trend Index (8 mai 2024) et "AI at Work Is Here. Now Comes the Hard Part" : 78 % et 80 % dans les PME, 39 % avec formation.
- Cisco, 2024 Data Privacy Benchmark Study (25 janvier 2024) : 27 %, 48 % et 45 %.
- IBM, "2025 Cost of a Data Breach Report: Navigating the AI rush without sidelining security" (30 juillet 2025), étude du Ponemon Institute : 670 000 dollars, 97 %, 63 %.
Données vérifiées le 6 octobre 2026. Les études citées utilisent des échantillons et des méthodes différents ; leurs valeurs ne doivent pas être comparées entre elles.