L'intelligence artificielle (IA) est désormais au cœur des préoccupations des conseils d'administration et des directions d'entreprise. De l'apprentissage automatique (ML) traditionnel à l'IA générative en passant par les nouvelles approches basées sur des agents, l'IA devrait transformer le mode de fonctionnement et la compétitivité des entreprises.
Dans le même temps, les attentes dépassent les résultats. Une étude réalisée en 2024 par la RAND Corporation a révélé qu'environ 80 % des projets d'IA échouent, citant plusieurs causes profondes, notamment le manque de « données nécessaires pour former correctement un modèle d'IA efficace ».[1]
Cette constatation met en évidence un défi fondamental que de nombreuses entreprises sous-estiment : obtenir les bonnes données, provenant des bons endroits, pour soutenir les systèmes et les opérations basés sur l'IA. Ce défi se manifeste sous deux formes : la disponibilité (les données existent-elles ?) et la connectivité (les données sont-elles accessibles et partageables ?). Sans cette base, les initiatives en matière d'IA stagnent, ne donnent pas les résultats escomptés ou ne parviennent pas à se développer.
En tant que directeur adjoint de l'IA, je constate régulièrement ce phénomène. Le problème ne réside pas dans un manque d'ambition ou d'investissement dans l'IA, mais dans une attention insuffisante accordée à la mise en place des bases de données et de l'infrastructure nécessaires pour la soutenir. Ce défi est complexe, dépasse les limites organisationnelles et nécessite l'attention des dirigeants. Les organisations qui tardent à s'attaquer à ces questions fondamentales constatent souvent que leurs concurrents qui ont pris les devants sont capables de développer plus rapidement l'IA, de s'assurer des avantages opérationnels et d'augmenter leurs performances d'une manière difficile à rattraper.
Ce blog explore les raisons pour lesquelles les données et la connectivité sont essentielles à la réussite de l'IA en entreprise et présente les mesures pratiques que les dirigeants devraient envisager. Il s'agit du premier article d'une série consacrée à ce que signifie pour les entreprises d'être prêtes pour l'avenir dans un monde de plus en plus axé sur l'IA.
[1] J. Ryseff, B. De Bruhl et S. Newberry. « Les causes profondes de l'échec des projets d'intelligence artificielle et comment les mener à bien », rapport de recherche, Rand Corporation. 13 août 2024.
L'IA est une capacité clé pour les entreprises
L'IA est déjà intégrée dans de nombreuses fonctions de l'entreprise. L'apprentissage automatique est couramment utilisé pour détecter les fraudes, optimiser les opérations, prévoir les besoins de maintenance et améliorer la qualité des produits. Le traitement du langage naturel facilite les opérations d'assistance technique et de service à la clientèle à grande échelle.
L'IA générative a encore élargi ces capacités en combinant les données des capteurs, les journaux opérationnels et les contributions humaines pour diagnostiquer les anomalies, planifier des stratégies d'optimisation et recommander des actions. Les nouvelles approches d'IA agentique visent à aller au-delà des recommandations pour orchestrer et exécuter des flux de travail opérationnels.
Les données et la connectivité sont des catalyseurs stratégiques pour l'IA
Les capacités d'une entreprise en matière d'IA dépendent d'un élément bien plus fondamental que les modèles avancés : la disponibilité et l'accès fiables aux données opérationnelles et aux systèmes connectés. Les systèmes d'IA ont besoin d'un accès constant aux données appropriées pour former et reformer les modèles. Une fois déployées, ces mêmes données fournissent les signaux réels que les systèmes d'IA interprètent et sur lesquels ils agissent.
La connectivité est ce qui rend cela possible à l'échelle de l'entreprise. Elle permet d'accéder aux données, de les partager et de les intégrer entre les systèmes, les environnements et les applications d'IA. Sans connectivité, les données restent fragmentées, retardées ou inaccessibles. Cela limite la capacité de l'IA à soutenir les décisions, l'automatisation et l'exécution.
Dans la pratique, obtenir les données dont l'IA a besoin est un défi de longue date. Les données d'entreprise sont réparties entre des applications internes, des systèmes opérationnels et un large éventail d'actifs physiques (équipements et appareils) répartis dans plusieurs installations et zones géographiques. Bon nombre de ces actifs et systèmes fonctionnent dans des environnements autonomes ou des réseaux propriétaires hérités, en dehors des domaines informatiques traditionnels.
Les conséquences d'une mauvaise qualité des données et d'une connectivité insuffisante comprennent, sans s'y limiter :
- Les projets pilotes d'IA ne parviennent pas à dépasser le stade de la validation de principe, car les données opérationnelles essentielles sont manquantes, inaccessibles ou peu fiables à grande échelle.
- Les initiatives d'automatisation et basées sur des agents sont bloquées lorsque les informations générées par l'IA ne peuvent pas être exploitées en raison de systèmes non connectés ou non gérés.
- Les décisions prises par l'IA sur la base de données incomplètes augmentent le risque d'obtenir des résultats dangereux et peu fiables, ce qui expose l'entreprise à des risques opérationnels, financiers et juridiques élevés.
- Les cas d'utilisation « éprouvés » de l'IA (par exemple, la maintenance prédictive, la détection des anomalies et l'optimisation des opérations) sont moins performants sans une visibilité en temps réel sur les actifs.
- Les investissements dans l'IA peinent à démontrer leur retour sur investissement, car les problèmes fondamentaux liés aux données et à la connectivité n'ont jamais été traités dès le départ.
Les défis liés aux données pour l'IA se répartissent en trois catégories
Les défis liés aux données d'IA d'une entreprise se présentent sous deux formes fondamentales : la disponibilité des données et la connectivité des systèmes permettant d'accéder aux données et de les communiquer. Si les données constituent la matière première dont dépend l'IA, la connectivité les rend accessibles, opportunes et utilisables.
Dans ces deux formes, les défis liés aux données d'IA se répartissent généralement en trois catégories :
- Les données n'existent pas. Il s'agit d'un défi lié à la disponibilité. Les actifs de l'entreprise ne sont peut-être pas équipés des capteurs nécessaires pour collecter les données requises par les modèles d'IA. Ces « actifs cachés » sont courants dans de nombreux environnements industriels. Dans d'autres cas, les données sont disponibles, mais elles ne sont pas accompagnées des informations contextuelles (métadonnées) nécessaires pour être utilisables par l'IA. Une enquête sur l'état de préparation à l'IA en 2025 a révélé que 54 % des 272 personnes interrogées ont déclaré que la « qualité et la disponibilité des données » constituaient leur principal défi dans l'adoption de l'IA dans un environnement industriel.[2]
- Les données sont cloisonnées et difficilement accessibles. Il s'agit là d'un défi en matière de connectivité. Les actifs existants dans les installations industrielles et manufacturières ont été conçus pour un environnement pré-connectivité. Les données restent bloquées sur l'actif lui-même ou dans des réseaux OT (Operations Technology) propriétaires distincts. D'autres données résident dans des applications d'entreprise (par exemple, ERP, MES, CMMS, LIMS, BMS) qui utilisent des schémas et des normes différents, ce qui rend l'intégration et la communication difficiles. L'intégration avec les systèmes existants et les silos de données est le deuxième défi le plus important, signalé par 48 % des 272 répondants à une enquête sur la préparation à l'IA en 2025.[3] Au-delà de l'accessibilité des données, la connectivité revêt une importance et une urgence renouvelées à mesure que les organisations s'orientent vers l'automatisation et l'exécution pilotée par des agents. Les systèmes déconnectés ne sont plus des inefficacités tolérables, car ils deviennent des obstacles majeurs à l'action.
- Les données sont soumises à des restrictions en matière de droits et de gouvernance. Il s'agit là d'un défi lié à la disponibilité. Certaines données sont détenues ou contrôlées par des tiers, tels que des équipementiers, des fournisseurs ou des partenaires. Dans d'autres cas, les exigences en matière de cybersécurité, de sécurité ou de réglementation limitent la manière dont les données peuvent être utilisées et les domaines dans lesquels elles peuvent l'être.
Les défis liés aux données d'IA ne sont pas uniformes. Différentes stratégies et tactiques sont nécessaires pour relever pleinement ces défis. Il n'existe pas d'approche unique qui fonctionne dans tous les cas.
[2] « Accélération des cas d'utilisation de l'IA en 2026 : rapport d'enquête sur les données industrielles, l'intelligence et la préparation à l'IA », rapport HiveMQ, 2025. L'enquête 2026 Industrial Data, Intelligence & AI Readiness Survey a été réalisée par IIoT World et a recueilli les avis de 272 professionnels issus des secteurs de la fabrication, de l'énergie, de la logistique, des transports, des villes intelligentes, de la santé et d'autres secteurs industriels.
[3] ibid.
Ces défis nécessitent une attention stratégique et exécutive
L'IA n'est plus une initiative technologique, mais un ensemble d'initiatives commerciales et opérationnelles qui ont une incidence sur la croissance des revenus, la structure des coûts, l'expérience client et les risques d'entreprise. Lorsque les initiatives en matière d'IA échouent ou ne donnent pas les résultats escomptés, les conséquences vont au-delà des étapes techniques manquées et comprennent des retards dans le retour sur investissement, une augmentation des coûts d'exploitation due à des solutions manuelles et une exposition accrue aux risques financiers, réputationnels ou sécuritaires.
Compte tenu de l'ampleur de ces implications, les défis liés aux données et à la connectivité de l'IA ne peuvent être traités comme des problèmes informatiques ou opérationnels isolés. Ils représentent une priorité stratégique pour l'entreprise qui nécessite l'implication des dirigeants, une responsabilité claire et des décisions d'investissement mûrement réfléchies. Tant que ces questions ne seront pas inscrites à l'ordre du jour des dirigeants et traitées comme des responsabilités communes de l'entreprise, les équipes chargées de l'IA continueront d'être tenues responsables de résultats qu'elles ne peuvent pas entièrement contrôler.
Ce qui rend ces défis particulièrement complexes, c'est leur nature à l'échelle de l'entreprise. Le problème n'est pas que les problèmes liés aux données et à la connectivité soient nouveaux, mais plutôt que, à mesure que l'IA s'intègre dans la prise de décision et l'exécution, les lacunes qui étaient autrefois gérables limitent désormais directement les performances de l'entreprise et augmentent les risques. Pour y remédier, il faut souvent coordonner les investissements entre les services informatiques, les opérations, l'ingénierie, la sécurité, les services juridiques et les partenaires externes afin de moderniser l'accès aux données, la connectivité et la gouvernance de manière durable. Un financement fragmentaire par le biais de projets individuels peut permettre d'obtenir des progrès à court terme, mais il crée rarement les bases durables dont l'IA a besoin et augmente souvent les coûts et la complexité à long terme. Une amélioration durable passe par le traitement des données et de la connectivité comme des actifs communs à l'entreprise, soutenu par le parrainage de la direction, des incitations alignées et une feuille de route qui équilibre les gains à court terme et l'évolutivité à long terme.
Cinq prochaines étapes à envisager pour les dirigeants d'entreprise
Pour relever les défis liés aux données et à la connectivité dans le domaine de l'IA, il faut faire preuve d'une attention particulière et faire preuve de leadership. Les cadres supérieurs et les dirigeants devraient envisager les mesures suivantes :
- Réexaminez vos initiatives actives en matière d'IA sous l'angle des données et de la connectivité. Passez en revue les projets et les pilotes actuels dans le domaine de l'IA et identifiez ceux dont le manque de données, d'accessibilité et de connectivité entrave les progrès et les performances.
- Identifiez les endroits où les données opérationnelles critiques sont isolées ou bloquées. Procédez à un examen ciblé des principaux sites opérationnels afin de repérer les actifs, les appareils ou les systèmes qui fonctionnent en dehors de l'environnement informatique central. Dressez l'inventaire des éléments instrumentés, connectés, des endroits où les données sont extraites manuellement et où les droits de propriété ou d'accès ne sont pas clairement définis. Donnez la priorité aux sites où l'IA est prévue ou déjà utilisée.
- Faites des données et de la connectivité les piliers explicites de votre stratégie en matière d'IA. Mettez à jour votre stratégie et vos feuilles de route en matière d'IA afin d'indiquer clairement comment la disponibilité des données et la connectivité seront abordées. Considérez ces fondements comme des priorités pluriannuelles au niveau du conseil d'administration, nécessaires pour déployer l'IA à l'échelle de l'entreprise.
- Attribuez clairement les responsabilités exécutives. Désignez des dirigeants responsables de la disponibilité et de la connectivité des données d'entreprise dans les services informatiques, opérationnels et commerciaux. Veillez à ce que ces personnes disposent de l'autorité, de la visibilité et de l'influence budgétaire nécessaires.
- Intégrez les considérations relatives aux données et à la connectivité dans votre plan de gestion des risques d'entreprise. Évaluez dans quelle mesure les lacunes en matière de données et de connectivité augmentent l'exposition aux risques liés à la cybersécurité, à la sécurité, à la conformité et à la continuité des activités.
Conclusions et recommandations finales
À mesure que l'IA s'intègre dans les opérations fondamentales, les faiblesses en matière de disponibilité des données et de connectivité des systèmes déterminent de plus en plus les résultats. Ces défis ne peuvent être résolus par des solutions techniques isolées ou une délégation de responsabilités. Ils nécessitent l'attention des dirigeants, une responsabilité claire et des investissements délibérés dans les fondements des données et de la connectivité dont dépend l'IA.
Avant d'approuver la prochaine initiative en matière d'IA, les dirigeants devraient se poser une question simple : les systèmes qui génèrent des données opérationnelles critiques sont-ils réellement accessibles, connectés et gérables à l'échelle de l'entreprise ? Les organisations qui agissent de manière décisive dès maintenant seront mieux placées pour transformer leurs ambitions en matière d'IA en valeur commerciale durable et pour bâtir une entreprise plus résiliente et prête pour l'avenir.
Si vos initiatives en matière d'IA dépendent de données opérationnelles, d'actifs distants ou d'infrastructures existantes, ne les laissez pas échouer. Contactez-nous pour découvrir comment les solutions de gestion des infrastructures Digi fournissent la connectivité, la visibilité et le niveau de contrôle qui rendent l'IA possible.
FAQ
Pourquoi trouve-t-on autant d'équipements hérités non connectés dans de nombreux sites industriels et installations d'exploitation ?
La plupart des installations industrielles et opérationnelles ont été construites au cours de plusieurs décennies, et beaucoup d'entre elles sont antérieures à l'environnement moderne « connecté aux technologies de l'information ». Ces environnements opérationnels ont été conçus pour remplir des fonctions spécifiques, être fiables et sûrs. Les actifs industriels ont été conçus pour avoir un long cycle de vie, mais pas pour le partage de données ou la connectivité d'entreprise. Les actifs de production et industriels fonctionnent souvent pendant des décennies, et les remplacer simplement pour gagner en connectivité est rarement rentable. Par conséquent, de nombreuses machines, systèmes de contrôle industriels et appareils de terrain fonctionnent encore avec des protocoles propriétaires, des réseaux isolés et propriétaires, ou des architectures plus anciennes qui n'ont jamais été conçues pour s'intégrer aux systèmes informatiques modernes. Ces environnements ont été construits pour assurer le fonctionnement des opérations, et non pour alimenter des plateformes d'analyse ou d'IA en données.
Au fil du temps, ces environnements d'exploitation sont devenus un patchwork de systèmes connectés et non connectés. Si certains actifs et équipements plus récents prennent en charge les réseaux modernes et la surveillance à distance, une partie importante des technologies opérationnelles reste difficile à accéder, à intégrer ou à gérer de manière centralisée. Ce « déficit de connectivité » est le résultat naturel des longs cycles de vie des actifs, des mises à niveau progressives et de la séparation historique entre les technologies opérationnelles et l'informatique d'entreprise.
Ne pouvons-nous pas simplement remplacer les équipements existants par des systèmes connectés modernes ?
Dans la plupart des environnements industriels, le remplacement complet des équipements existants n'est ni pratique ni viable sur le plan économique. De nombreux actifs opérationnels sont conçus pour fonctionner pendant des décennies et, tant qu'ils fonctionnent comme prévu, sont sûrs, fiables et répondent aux exigences de production, il est difficile de justifier leur remplacement uniquement pour des raisons de connectivité. Les coûts d'investissement, les perturbations opérationnelles, les risques d'indisponibilité et les besoins de formation associés au remplacement à grande échelle des équipements l'emportent souvent largement sur les avantages immédiats.
Si de nombreux sites se lancent dans la modernisation, ils le font par étapes, sur plusieurs années, en se concentrant d'abord sur l'allongement de la durée de vie utile et la visibilité des actifs existants plutôt que sur leur remplacement pur et simple. Par exemple, connecter les équipements existants au réseau informatique ou entre eux est une stratégie plus réaliste et moins risquée. En permettant un accès sécurisé aux données et aux systèmes déjà en place, de nombreuses entreprises commencent à améliorer la visibilité, l'analyse et la prise de décision opérationnelle sans perturber la production. Cette approche permet aux entreprises d'ajouter de nouvelles fonctionnalités, d'éclairer la planification future des investissements grâce à de meilleures données et de se moderniser de manière plus stratégique.
Comment les systèmes non connectés ou hérités affectent-ils réellement les initiatives en matière d'IA ?
Les systèmes d'IA dépendent de données fiables et actualisées provenant de l'ensemble de l'entreprise pour générer des informations précises et faciliter la prise de décision. Lorsque les actifs et les systèmes opérationnels importants ne sont pas connectés, les données sur lesquelles s'appuie l'IA deviennent incomplètes, obsolètes ou incohérentes. Cela limite les performances des modèles, augmente le besoin de préparation manuelle des données et réduit la confiance dans les résultats générés par l'IA. Dans de nombreux cas, les initiatives d'IA échouent non pas parce que les modèles sont inefficaces, mais parce qu'ils ne permettent pas d'avoir une vue d'ensemble de ce qui se passe dans les opérations réelles.
À mesure que les organisations passent de l'utilisation de l'IA à des fins d'analyse et de compréhension à l'automatisation et à une prise de décision plus autonome, l'impact devient encore plus significatif. Les systèmes d'IA qui ne peuvent pas interagir de manière fiable avec les environnements opérationnels restent des outils de conseil ou d'analyse plutôt que des moteurs d'action et d'exécution. Les systèmes non connectés créent des angles morts qui entravent à la fois la compréhension et l'exécution, rendant les données et la connectivité fondamentales pour tirer parti de la valeur commerciale et opérationnelle réelle de l'IA.
Prochaines étapes
A propos de l'auteur
Benson Chan est directeur des opérations chez Strategy of Things, une entreprise basée dans la Silicon Valley qui aide les gouvernements et les entreprises à innover grâce à l'intelligence artificielle et à l'Internet des objets. Il possède plus de 30 ans d'expérience dans le domaine des technologies innovantes au sein d'entreprises du classement Fortune 500, de start-ups et d'organisations gouvernementales. Il a été président du comité IoT NIST IoT , chargé de conseiller le gouvernement fédéral sur l'Internet des objets, coprésident du comité IoT CompTIA et GTIA IoT Advisor, et mentor industriel dans le cadre du programme IMPEL du Bureau des technologies du bâtiment du département américain de l'Énergie, qui associe des industriels à des chercheurs des laboratoires nationaux afin de favoriser l'esprit d'entreprise.