Pourquoi les projets d'IA échouent et pourquoi les données en sont la véritable cause
Plus de 80 % des projets d'IA au sein des organisations n'atteignent pas la phase de production. Il ne s'agit pas d'un échec marginal, mais d'un échec structurel dont personne ne veut assumer la responsabilité.
Les investissements dans l'IA ne cessent d'augmenter. Des budgets sont débloqués, des outils sont achetés, des expériences sont lancées. Et puis, tout s'enlise. Non pas parce que l'IA ne fonctionne pas. Non pas parce que la technologie est trop complexe. Mais parce que la plupart des organisations partent du mauvais pied : elles achètent l’outil avant d’avoir correctement posé les fondations sur lesquelles cet outil doit fonctionner.
Tout repose sur les données. Or, dans la plupart des organisations, cette base n'est tout simplement pas encore en place.
La promesse face à la réalité
Les outils d'IA sont très prometteurs. Des recommandations personnalisées basées sur le comportement des clients. Des analyses prédictives qui identifient les commandes susceptibles d'être retardées avant même que le problème ne survienne. Des rapports automatisés disponibles chaque matin sans aucune intervention manuelle. Des chatbots qui répondent aux questions des clients en s'appuyant sur votre catalogue de produits et l'historique des commandes.
Ces promesses sont réalistes, mais uniquement si les données sous-jacentes sont correctes. Les modèles d’IA sont entraînés à partir de données. Ils apprennent à reconnaître des schémas dans les données historiques. Ils font des prévisions sur la base des données actuelles. Ils fournissent des réponses en s’appuyant sur les données qu’ils ont indexées. Ce qui entre détermine ce qui sort. Aucun modèle d’IA ne peut compenser des données fragmentées, incohérentes ou obsolètes. Cela ne fait qu’accélérer les erreurs et les amplifier à plus grande échelle.
« Il existe un malentendu : on pense que les modèles d’IA s’en sortent très bien avec des données imparfaites, car ils sont suffisamment intelligents pour filtrer le bruit. Ce n’est pas le cas. »
Les modèles d'IA sont des outils statistiques : ils reconnaissent des schémas dans les données qui leur sont fournies. Si ces données sont désordonnées, incomplètes ou incohérentes, ils reconnaîtront des schémas dans le désordre que vous leur fournissez.
Voici ce dont l'IA a réellement besoin :
- Des données centralisées : toutes les informations pertinentes réunies en un seul endroit, et non dispersées dans des systèmes isolés qui ne communiquent pas entre eux.
- Des définitions univoques : une seule façon de définir un client, une seule façon de calculer le chiffre d'affaires, une seule façon de classer une commande, appliquées de manière cohérente à toutes les sources.
- Des données propres et complètes : aucun champ manquant dans les colonnes critiques, aucun doublon, aucune information contradictoire entre les systèmes.
- Profondeur historique : suffisamment de données historiques pour l'entraînement, soit au minimum un à trois ans selon l'application.
- Des données à jour : une infrastructure qui actualise les données suffisamment souvent.
Gartner a prédit que d’ici fin 2026, les organisations ne disposant pas de données prêtes pour l’IA verront plus de soixante pour cent de leurs initiatives d’IA échouer.
Conclusion
La tentation est grande de se lancer dans l’IA parce que la concurrence s’y met, parce que le sujet est abordé lors des réunions de direction ou parce que les outils sont désormais disponibles pour une fraction de ce qu’ils auraient coûté il y a dix ans.
Mais un outil d'IA alimenté par des données de mauvaise qualité, c'est comme une voiture de Formule 1 roulant sur un terrain non goudronné. Ce n'est pas le véhicule qui pose problème. C'est le circuit.
Les organisations qui investissent dès aujourd’hui dans une base de données solide – interconnexions, ingénierie des données, qualité des données – seront, d’ici deux ans, celles qui tireront pleinement parti de l’IA.
La question n’est donc certainement pas de savoir si l’IA est utile pour votre organisation. La question est de savoir si vos données sont prêtes à offrir un rendement maximal dans les outils que vous souhaitez utiliser.
Articles connexes
Les agents IA ne vous recommandent pas de produits ? Voici comment améliorer la visibilité de votre boutique en ligne Magento
Vous craignez qu’une mise à jour ne mette votre boutique Magento hors service ? Voici comment mettre à jour vos extensions Magento en toute sécurité
Ce qu’implique réellement la création d’un configurateur de produits au sein d’une organisation
Trois devis, trois montants très différents : combien coûte une boutique en ligne Magento B2B ?
Vous en avez assez de votre agence actuelle : voici comment se déroule la reprise de la gestion de votre site Magento
Quel système a raison : la question derrière l’interfaçage entre AFAS et Magento
La licence est gratuite, mais la migration ne l'est pas : ce que Hyvä apporte à votre boutique en ligne Magento
Un prix différent pour chaque client : ce que cela implique pour votre boutique en ligne Magento B2B
Copiées en quelques heures : le nombre de copies de boutiques en ligne générées par l'IA ne cesse d'augmenter
Digital Product Passport (DPP) : qu'est-ce que cela signifie pour vos données produit et votre PIM ?
Un an après l'EAA : aucune grande boutique en ligne n'est entièrement accessible
