L’investissement des entreprises dans l’AI a augmenté de façon spectaculaire, mais les organisations ont toujours du mal à transformer les projets pilotes en valeur mesurable à grande échelle. Les recherches AI Impact Imperatives de HCLTech relèvent le même écart entre l’adoption et les résultats d’affaires. Les défis liés au passage à l’échelle sont complexes et multiples. La qualité des données sous-jacentes demeure une priorité clé et les organisations ont investi de manière significative pour l’améliorer. Ces investissements sont nécessaires, mais ils n’ont pas toujours permis d’obtenir les résultats transformationnels attendus.

Les organisations qui déploient l’AI à l’échelle concentrent souvent leurs efforts sur la transformation de leur modèle opérationnel plutôt que sur la simple adoption de nouvelles technologies. L’attention se déplace donc au-delà de l’accès à des données et des modèles de haute qualité, pour englober le contexte dont l’AI a besoin pour interpréter le fonctionnement réel de l’organisation. Comme le souligne Lenin Gali dans CIO.com, les données ne suffisent pas quand l’AI n’a pas une connaissance des personnes, des processus, des politiques et des conditions opérationnelles.

Les données indiquent ce qui s’est passé ; le contexte explique ce qui est important

Les données seules sont inertes, car un fait sans contexte a une signification limitée. Un système d’AI peut établir qu’un représentant commercial a reçu 10 nouveaux courriels. Le contexte permet d’identifier qu’un message provient d’un client stratégique, concerne une opportunité sur le point de se conclure, fait référence à des engagements pris lors d’une réunion de direction et exige une réponse avant une revue du conseil. Neuf messages peuvent attendre ; un seul nécessite une action immédiate. La valeur réside dans l’identification des informations qui demandent une action, par opposition à celles qui peuvent attendre.

Ce modèle s’applique à tous les secteurs. Une hausse de la température d’un équipement constitue une donnée. Savoir que l’équipement soutient une ligne de production critique, présente des antécédents de problèmes de maintenance et fait partie d’une chaîne d’approvisionnement sous contrainte apporte le contexte. Une transaction client est une donnée. L’historique du client, ses demandes de service en attente et sa valeur commerciale apportent le contexte nécessaire à son interprétation. Les décisions dépendent des relations, des priorités et de l’intention, pas de faits isolés.

Le contexte doit rester actuel

Le contexte ne peut être capté une seule fois et traité comme statique. Les projets progressent, les personnes changent de rôle, les politiques sont révisées, les transactions réalisées, les risques évoluent et les réunions redéfinissent les priorités. Chaque événement modifie l’environnement dans lequel l’AI opère. Tout système d’AI doit donc comprendre l’organisation telle qu’elle existe actuellement, et non telle qu’elle était décrite dans un document ou une instruction précédente. Les données consignent ce qui s’est produit ; le contexte décrit ce qui est pertinent aujourd’hui ; l’intelligence aide à déterminer la prochaine étape à prendre.

Comme le contexte évolue, les entreprises doivent le gérer avec la même rigueur que les données et les logiciels. Les définitions d’affaires, les politiques, les règles et les exceptions nécessitent une responsabilité, des approbations, une représentation lisible par machine, des tests, des publications, un historique des versions et un retrait éventuel. Sans cycle de vie, un sens périmé peut rester enfoui dans des instructions, des applications ou des agents après que l’entreprise ait évolué. Le contexte doit devenir un actif d’entreprise encadré : suffisamment à jour pour orienter l’action, suffisamment traçable pour expliquer un résultat et réutilisable à travers différents systèmes d’AI.

L’alignement sémantique transforme le contexte en pratique

Le problème du contexte est souvent manifeste sous forme de désalignement sémantique. Les données peuvent être exactes, mais leur signification d’affaires demeure contestée. Les équipes de vente, de finances et de service peuvent utiliser différentes définitions des revenus, d’un client actif ou d’un compte à risque. Les humains règlent ces différences grâce à l’expérience et la communication. Un agent peut choisir une interprétation et s’y tenir avec assurance.

Une couche sémantique partagée relie les données techniques aux termes d’affaires convenus, aux relations, aux calculs et aux sources faisant autorité. Cela rend la signification d’affaires accessible aux machines, et non plus dépendante du savoir tacite. Les organisations n’ont pas besoin de tout modéliser avant de créer de la valeur. Elles devraient d’abord encadrer les concepts et décisions qui ne peuvent souffrir d’erreur, puis élargir le modèle à partir de cas d’usage concrets.

Le risque augmente à mesure que les organisations déploient des agents. Un agent compétent travaillant avec un contexte incomplet ou incohérent peut produire des résultats plausibles mais peu fiables. Une population d’agents opérant à partir de définitions divergentes génère des décisions inégales et affaiblit la gouvernance. Un contexte partagé offre le cadre commun nécessaire à l’interprétation de l’intention, à la coordination entre systèmes et à la réalisation fiable de tâches à étapes multiples. La capacité d’un agent isolé ne se traduit pas en capacité d’entreprise sans cette fondation.

Des plateformes de données à l’intelligence d’entreprise

Le marché va au-delà des plateformes de données, se dirigeant vers des plateformes d’intelligence. Le modèle émergent fonctionne comme un système d’exploitation pour l’entreprise, où l’AI devient une couche permettant de comprendre, coordonner et exécuter le travail. Le contexte agit comme plan de contrôle entre l’information fragmentée de l’entreprise et les copilotes et agents qui l’utilisent. Il détermine ce qui est pertinent, ce qui est permis et quelle signification d’affaires s’applique. Différents fournisseurs emploient des termes comme couche de contexte, couche sémantique, ontologie, connaissance organisationnelle et mémoire d’entreprise. La terminologie varie, mais la direction reste la même : l’AI a besoin de plus que d’un accès aux données. Il lui faut une représentation partagée, encadrée et actuelle du fonctionnement de l’entreprise.

La réponse de Microsoft prend forme avec Microsoft IQ. Il offre une base d’intelligence partagée qui peut être réutilisée à travers Copilot, des agents et des applications. Microsoft décrit quatre capacités interconnectées :

• Work IQ pour la collaboration et le travail des personnes
• Fabric IQ pour les opérations d’affaires, les entités et les relations
• Foundry IQ pour la connaissance institutionnelle, les politiques et l’information faisant autorité
• Web IQ pour le contexte externe pertinent
   

Microsoft IQ agit comme fondation d’intelligence à travers Copilot, des agents et des applications. Sa valeur stratégique dépend d’offrir aux différentes expériences AI une vue cohérente de l’organisation.

Ce que les leaders d’entreprise devraient faire

Les leaders devraient déplacer leur attention du simple déploiement de l’AI vers l’amélioration du contexte dont elle dépend. Cela signifie identifier les décisions et flux de travail à forte valeur ajoutée, s’entendre sur les définitions nécessaires, établir les sources d’information faisant autorité, attribuer la responsabilité et contrôler les changements. Le succès doit se mesurer par la capacité de l’AI à refléter la signification d’affaires convenue, à fonctionner dans le cadre des politiques et à soutenir une décision ou une action digne de confiance. Le contexte dépend de données de haute qualité, c’est pourquoi la création d’une couche de données d’entreprise reste nécessaire. En mettant le défi dans la perspective du contexte, on relie directement cette fondation aux exigences opérationnelles.

Le contexte d’entreprise est aussi une source de différenciation. Les modèles et l’infrastructure sont de plus en plus accessibles aux concurrents, mais le modèle opérationnel, la connaissance institutionnelle, les relations clients et les décisions accumulées d’une organisation lui sont propres. L’avantage vient de rendre ces actifs exploitables, bien encadrés et à jour, pas de posséder plus d’information non structurée.

Comment HCLTech aide les clients à bâtir l’intelligence d’entreprise

HCLTech aide ses clients à relier données, processus, connaissances et signaux d’exploitation afin de partager la compréhension du fonctionnement des affaires. Cela comprend la modernisation des fondations de données, la définition de modèles sémantiques, la mise en place de contrôles de responsabilité et de cycle de vie ainsi que l’intégration de processus sectoriels, d’ontologies et de connaissances sélectionnées. L’objectif est de passer d’entrepôts isolés et de déploiements d’AI ponctuels à une fondation d’intelligence supportant copilotes, agents et travail coordonné à grande échelle.

Perspectives d’avenir

Le but n’est pas seulement de mieux informer l’AI, mais d’accroître l’intelligence organisationnelle : être capable de détecter plus tôt les changements importants, de prendre de meilleures décisions plus rapidement, de retenir ce que l’entreprise apprend et d’adapter ses opérations avec confiance. Les organisations qui considèrent le contexte comme une infrastructure partagée, actuelle et encadrée seront mieux placées pour déployer l’AI à l’échelle et en faire un avantage durable.

La question centrale n’est plus de savoir si l’entreprise dispose de suffisamment de données ou de suffisamment d’AI. Il s’agit de savoir si elle possède suffisamment de contexte fiable pour devenir plus intelligente. Cela nécessite une reddition de comptes claire à travers les secteurs d’affaires, données, technologies, risques et opérations.