Alors que la course vers une IA générale mobilise des ressources considérables, les entreprises sont confrontées à des enjeux beaucoup plus concrets. Loin des effets d’annonce, il est impératif de recentrer le débat sur la valeur réelle que peut apporter l’IA dans les organisations. À l’occasion de Dataquitaine 2025, j’ai partagé ma vision des priorités à adresser pour mettre l’intelligence artificielle au service de la performance et de la transformation des entreprises.
IA générative : entre promesses et réalités
Le décalage entre les besoins métiers et le discours dominant autour de l’IA est flagrant. La surexposition médiatique de certains outils ne reflète pas les attentes opérationnelles des entreprises. Celles-ci attendent des solutions fiables, contextualisées, sécurisées, et non des démonstrateurs à la mode. Le contexte géopolitique s’ajoute à cette complexité : aux États-Unis, la régulation est fragmentée par État ; l’Europe avance avec le RGPD et l’IA Act ; la Chine développe son propre cadre. Pour les entreprises européennes, cela génère un environnement incertain, difficile à naviguer.
Malgré les annonces spectaculaires des grands acteurs technologiques, l’industrialisation de l’IA et de la Data rencontre encore des défis majeurs en entreprise.
Du ROI à l’IA : comprendre la chaîne de valeur de la donnée
De nombreuses entreprises s’interrogent : comment générer un retour sur investissement avec l’IA ? Il faut comprendre que la donnée brute n’est qu’un point de départ. La donnée, c’est de l’observation. L’information en est une structuration. La connaissance, elle, n’émerge que lorsqu’un humain comprend cette information. Et cette connaissance ne devient précieuse que si elle est partagée.
Pour passer de la donnée au ROI, il est donc nécessaire de franchir toutes ces étapes. Par ailleurs, la donnée brute n’est pas une monnaie : elle est un carburant. Comme pour un moteur, il faut la raffiner avant usage. Injecter de la donnée brute dans un modèle d’IA est inefficace : la transformation de la donnée est une condition de succès.
Matinée IA & Cloud de Confiance
Des systèmes de gestion de données à l’ère du Data Mesh
Historiquement, les entreprises ont évolué d’un “data chaos” (bases silotées par application) à une volonté de centralisation portée par les DSI. Cette centralisation a montré ses limites en créant des goulets d’étranglement. Aujourd’hui, les approches de type Data Mesh permettent de réconcilier gouvernance et agilité : la DSI assure un socle technique commun, mais la responsabilité de la donnée est dévolue aux métiers. Cette approche fédérée redonne du sens à la donnée et crée les conditions favorables au développement d’IA contextualisées.
Revenir à une définition rigoureuse de l’intelligence artificielle
La définition encore présente dans de nombreux dictionnaires est obsolète. L’IA doit être comprise comme une discipline qui conçoit des assistants et/ou agents (logiciels ou matériels) capables d’interagir avec leur environnement, d’apprendre à partir des données, et de réaliser des fonctions dans un contexte donné, avec un certain degré d’autonomie. Cette définition, désormais reprise partiellement dans l’IA Act européen, distingue deux grandes familles : l’IA traditionnelle, focalisée sur l’analyse de données structurées (tabulaires), et l’IA générative, qui traite des données non structurées et rend l’information interactive.
Des cas d’usage concrets, mais une vigilance nécessaire
Selon les études récentes, 70 % des décideurs considèrent que l’IA générative présente plus de bénéfices que de risques. Les cas d’usage se multiplient : vérification de conformité contractuelle, génération de fiches produits, création de fiches de poste.
Toutefois, certaines pratiques, comme l’analyse automatisée de CV, sont classées à haut risque par l’IA Act. Ces usages doivent donc être déployés avec discernement. Nous observons par ailleurs une généralisation des chatbots métiers, notamment dans les services publics. Ces outils, lorsqu’ils sont bien conçus, améliorent considérablement l’accès à l’information.
des décideurs
considèrent que l’IA générative présente plus de bénéfices que de risques.
des entreprises européennes
ont initié des projets d'IA (selon AWS 2023)
seulement des entreprises
génèrent de la valeur commerciale avec l’IA générative.
Qualité et quantité des données : fondations de l’IA
L’efficacité d’un modèle repose toujours sur trois piliers :
- la quantité de données disponibles,
- la qualité et la pertinence des algorithmes,
- l’infrastructure technique qui permet l’entraînement et le déploiement.
Sans ces trois composantes, il est impossible de construire une IA robuste, fiable et utile. Et sans données bien préparées, l’IA générative ne peut produire que des résultats superficiels ou biaisés.
L’émergence de l’IA agentique
Nous assistons à une nouvelle phase : l’IA générative est capable de dialoguer, mais ne sait pas encore agir. L’IA agentique, elle, donne à l’IA la capacité d’agir en autonomie : planifier, déclencher des actions, s’adapter à un contexte. C’est cette convergence entre LLM, RAG et agents autonomes qui ouvre la voie à des cas d’usage puissants : optimisation logistique, prévision des ventes, automatisation de processus complexes.
Éthique, sécurité, gouvernance : des conditions non négociables
Aucune innovation en IA ne peut se faire sans un cadre éthique solide. Les défis sont nombreux : respect des droits d’auteur, protection des données, explicabilité des modèles. Ces exigences doivent être intégrées dès la conception des solutions IA. La gouvernance, la traçabilité et la sécurité sont des pré-requis pour toute initiative responsable.
De l’acculturation à l’industrialisation
Les 4 leviers pour un projet d’IA réussi
1. Acculturer les dirigeants et les métiers
2. Faire émerger des cas d’usage à forte valeur
3. Expérimenter dans un cadre maîtrisé
4. Industrialiser avec méthode et robustesse
Un projet d’intelligence artificielle réussi repose sur quatre leviers : acculturer les dirigeants et les métiers, faire émerger des cas d’usage à forte valeur, expérimenter dans un cadre maîtrisé, et industrialiser avec méthode et robustesse.
Chez Orange Business, nous avons structuré des approches permettant d’industrialiser efficacement des solutions IA. Ces méthodes, centrées sur la donnée et les usages, sont éprouvées sur le terrain. Si vous souhaitez avancer sur ces sujets, nous sommes disponibles pour en discuter.
👉 Retrouvez toute notre actu en temps réel en nous suivant sur LinkedIn 👈
Votre adresse de messagerie est uniquement utilisée par Business & Decision, responsable de traitement, aux fins de traitement de votre demande et d’envoi de toute communication de Business & Decision en relation avec votre demande uniquement. En savoir plus sur la gestion de vos données et vos droits.