Le dernier rapport Data Readiness Index de Cloudera met en lumière une « illusion de préparation à l’IA » de plus en plus forte, alors que l’adoption se généralise plus rapidement que la création de socles de données nécessaires pour générer un réel impact métier.
Selon les conclusions de cette étude menée auprès d’environ 1 300 DSI au niveau mondial, même si l’adoption de l’IA se généralise, la plupart des entreprises ne disposent toujours pas du socle de données requis pour permettre la réussite de leurs projets.
Les résultats mettent en lumière un paradoxe: alors que 96 % des entreprises déclarent avoir intégré l’IA au sein de leurs processus fondamentaux et que 85 % d’entre elles affirment être dotées d’une stratégie de données claire, près de quatre répondants sur cinq (environ 80 %) reconnaissent que leurs projets d’IA et de données sont toujours freinés par un accès limité aux données sur l’ensemble de leurs environnements.
Cette lacune met en avant un phénomène émergent : l’« illusion de préparation à l’IA ». Celle-ci correspond à la croyance selon laquelle les entreprises seraient prêtes à mettre l’IA à l’échelle alors même qu’elles n’ont pas encore résolu des problèmes cruciaux concernant leurs données.
« Le défi auquel font face les entreprises n’est pas l’adoption de l’IA, mais son opérationnalisation au-delà de la phase d’expérimentation », précise Sergio Gago, Chief Technology Officer de Cloudera. « L’efficacité de la technologie dépend de la qualité des données qui l’alimentent. Sans un accès fluide à l’ensemble de leurs données, les entreprises ne peuvent bénéficier pleinement de la précision, de la fiabilité et de la valeur métier apportées par l’IA. Elle ne peut fonctionner sans les données. »
Un taux d’adoption élevé, mais un retour sur investissement incertain
L’IA est désormais intégrée sur l’ensemble du périmètre de l’entreprise, mais les retours sur investissement (ROI) demeurent irréguliers. Pour expliquer les manquements des projets d’IA, les répondants citent plusieurs obstacles essentiels :
– la qualité des données (22 %),
– les dépassements de coûts (16 %) ,
– une mauvaise intégration au sein des workflows existants (15 %).
Ces obstacles mettent en exergue la difficulté croissante à convertir des investissements d’AI en résultats mesurables pour les entreprises.
Les limites de l’infrastructure ne font qu’ajouter au problème. En effet, près de trois répondants sur quatre (73 %) expliquent que les contraintes liées à la performance freinent les projets opérationnels, mettant en lumière la difficulté d’intégrer l’IA à grande échelle au sein d’environnements fragmentés.
Les lacunes en matière de données : accès, gouvernance et visibilité
Selon l’étude, le cœur du problème réside dans l’absence d’accès fluide ou de contrôle sur l’ensemble des données. Ainsi, 84 % des répondants se disent confiants quant à la précision, à l’exhaustivité et à l’alignement de leurs données d’entreprise. Toutefois, cet optimisme masque des problèmes plus profonds : des silos persistants, une qualité des données inégale et une accessibilité limitée. Des données qui semblent fiables lorsqu’elles sont isolées se délitent souvent lorsqu’elles sont exploitées par plusieurs équipes, systèmes ou applications d’IA, mettant en évidence des failles de gouvernance et de cohérence sur l’ensemble de l’entreprise.
Moins d’un manager sur cinq (18 %) affirme disposer de données entièrement gouvernées, mettant au jour un décalage entre la confiance affichée et la réalité. Si 71 % des répondants déclarent que la plupart de leurs données sont gouvernées, les projets qui s’appuient véritablement sur les données requièrent une source de vérité cohérente sur l’ensemble de l’organisation.
Selon les auteurs de l’étude, « sans une gouvernance exhaustive permettant d’unifier les données et d’appliquer des normes claires, les entreprises risquent de manquer des opportunités, de prendre de mauvaises décisions et d’obtenir des outputs qui ne correspondent pas à leur plein potentiel. »
Les obstacles qui empêchent les entreprises d’obtenir un ROI à partir de leurs investissements d’IA varient en fonction des secteurs. La qualité des données est le principal problème cité par l’ensemble des répondants, tandis que les dépassements de coûts sont davantage mis en avant par le secteur de l’énergie et des infrastructures de services essentiels (25 %). En comparaison, les répondants issus des secteurs de la santé, de l’industrie et des services financiers évoquent davantage une mauvaise intégration de la technologie au sein des workflows (20 %).