Aperçu
Le paysage des entreprises est en effervescence avec les agents IA, qui sont rapidement déployés comme copilotes, assistants et exécuteurs de tâches autonomes. Le dernier rapport de McKinsey sur l’IA révèle une augmentation de l’adoption : près des deux tiers des entreprises expérimentaient les agents IA fin 2025, et 88 % utilisaient l’IA dans au moins une fonction commerciale – un bond significatif par rapport aux 78 % de 2024. Pourtant, sous cet enthousiasme se cache un défi crucial : seule une entreprise sur dix parvient à étendre ses initiatives d’agents IA au-delà des premiers pilotes. Le problème fondamental n’est pas la sophistication des modèles d’IA eux-mêmes, mais plutôt l’infrastructure de données sous-jacente qui les soutient.
Des experts comme Irfan Khan, président et directeur des produits de SAP Data & Analytics, soulignent que les retards dans la mise en œuvre de l’IA proviennent d’un manque d’architectures de données conçues pour fournir un contexte métier fiable aux humains et aux agents IA. Dans un monde de l’IA en évolution rapide, Khan insiste sur l’urgence : « La seule prédiction que l’on puisse faire de manière fiable est que nous ne savons pas ce qui va se passer dans les années, les mois – ou même les semaines – à venir avec l’IA. » Pour obtenir des victoires immédiates, les entreprises doivent cultiver un « état d’esprit IA » et, surtout, ancrer leurs modèles d’IA avec des données fiables et riches en contexte. Les prochains mois, ou au maximum quelques années, seront décisifs pour établir cette fondation critique.
Impact sur le Paysage de l’IA
Ce changement d’orientation – de la supériorité des modèles à l’architecture des données – a un impact profond sur le paysage de l’IA. Si les données ont toujours été vitales, leur rôle à l’ère des agents IA est élevé à une importance sans précédent. Les véritables capacités et l’évolutivité de l’IA agentique seront de plus en plus définies par la solidité de l’architecture et de la gouvernance des données d’une entreprise, plutôt que uniquement par l’évolution continue des modèles eux-mêmes. Pour véritablement faire évoluer cette technologie transformative, les entreprises doivent adopter une infrastructure de données moderne qui fournit non seulement des données brutes, mais des données imprégnées d’un contexte métier significatif.
Les vues traditionnelles des données catégorisent souvent les données structurées comme intrinsèquement de grande valeur et les données non structurées comme moins précieuses. Cependant, les agents IA compliquent cette distinction. Pour les agents, les données de grande valeur concernent moins leur format que la profondeur de leur contexte métier. Les données critiques pour des fonctions comme les opérations de la chaîne d’approvisionnement ou la planification financière tirent leur véritable valeur du contexte. Même les données granulaires et volumineuses provenant des appareils IoT, des journaux et de la télémétrie, bien que semblant riches, ne produisent une valeur significative que lorsqu’elles sont fournies avec un contexte métier pertinent. Comme le souligne Khan, le véritable risque pour l’IA agentique n’est pas une rareté des données, mais un manque d’ancrage approprié. Ce déficit contribue à ce que l’Institute for Data and Enterprise AI (IDEA) appelle la « dette de confiance », deux tiers des dirigeants d’entreprise ne faisant pas entièrement confiance à leurs données.
Application Pratique
Pour les entreprises souhaitant opérationnaliser efficacement les agents IA, la voie à suivre est claire : privilégier le contexte plutôt que le simple volume de données. « Tout ce qui est contextuel au métier vous apportera, par définition, une plus grande valeur et des niveaux de fiabilité plus élevés pour les résultats commerciaux », affirme Khan. Cela signifie aller au-delà des classifications simplistes de la valeur des données. Les données transactionnelles structurées et les données non structurées répétitives peuvent toutes deux avoir une immense valeur lorsqu’elles sont correctement contextualisées pour les agents IA.
La dérivation de ce contexte essentiel implique plusieurs approches pratiques : une intégration transparente avec les systèmes logiciels existants, des processus d’analyse et d’enrichissement sur site, et des pipelines de gouvernance robustes. Ces méthodes transforment les données brutes en informations intelligentes et exploitables que les agents IA peuvent interpréter et utiliser de manière fiable. Les données qui manquent de ces qualités seront inévitablement non fiables, entravant les performances des agents et les résultats commerciaux. Il est primordial de s’attaquer à cette « dette de confiance ». En investissant dans une infrastructure de données moderne qui met l’accent sur le contexte, les entreprises peuvent s’assurer que leurs agents IA ne sont pas seulement déployés, mais qu’ils sont également efficaces, fiables et évolutifs, libérant ainsi tout le potentiel de leurs investissements en IA. Le moment est venu de construire cette fondation de données intelligente.
Original source: View original article
