L’investissement des entreprises dans l’AI a augmenté de façon spectaculaire, mais les organisations peinent encore à transformer les projets pilotes en valeur mesurable à grande échelle. Une recherche menée par HCLTech, intitulée AI Impact Imperatives, met en lumière ce même écart entre l’adoption et les résultats d’affaires. Les défis liés à la montée en échelle sont complexes et nombreux. La qualité des données sous-jacentes demeure une priorité, et les organisations ont investi massivement pour l’améliorer. Ces investissements sont nécessaires, mais n’ont pas toujours permis d’obtenir les retombées de transformation escomptées.

Les organisations qui déploient l’AI à grande échelle s’attachent souvent à transformer leur modèle d’exploitation plutôt qu’à simplement déployer une nouvelle technologie. L’attention se porte donc au-delà de l’accès à des données et des modèles de grande qualité, vers le contexte dont l’AI a besoin pour interpréter le fonctionnement réel d’une organisation. Comme le souligne Lenin Gali dans CIO.com, les données ne suffisent pas lorsque l’AI n’a pas une compréhension des personnes, des processus, des politiques et des conditions d’exploitation.

Les données révèlent ce qui s’est passé ; le contexte explique ce qui importe

Les données, livrées sans contexte, sont inertes, car un fait sans contexte a une signification limitée. Un système d’AI peut établir qu’un directeur des ventes a reçu dix nouveaux courriels. Le contexte permettra d’identifier qu’un message provient d’un client stratégique, porte sur une occasion d’affaires presque conclue, 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 se trouve dans l’identification des informations qui requièrent une intervention et celles qui n’en nécessitent pas.

Ce schéma s’applique à tous les secteurs. Une hausse de la température d’un équipement, c’est une donnée. Savoir que cet équipement alimente une chaîne de production critique, présente des antécédents de problèmes d’entretien et fait partie d’une chaîne logistique restreinte constitue le contexte nécessaire. Une transaction client, c’est une donnée. L’historique du client, les demandes de service en cours et la valeur commerciale ajoutent le contexte essentiel à son interprétation. Les décisions se fondent sur des relations, des priorités et des intentions, et non sur des faits isolés.

Le contexte doit rester à jour

Le contexte ne peut être capté une seule fois et considéré comme immuable. Les projets avancent, les personnes changent de rôle, les politiques sont modifiées, les transactions se complètent, les risques évoluent et les réunions redéfinissent les priorités. Chacun de ces événements modifie l’environnement dans lequel l’AI agit. Tout système d’AI doit donc comprendre l’organisation telle qu’elle existe maintenant, et non selon des documents ou des instructions antérieurs. Les données consignent ce qui s’est passé ; le contexte décrit ce qui est pertinent à l’instant ; l’intelligence permet de déterminer la prochaine étape.

Puisque le contexte évolue, les entreprises doivent le gérer aussi rigoureusement que les données et les logiciels. Les définitions d’affaires, politiques, règles et exceptions requièrent des responsables, des approbations, une représentation lisible par machine, des tests, de la publication, un historique des versions et une mise hors service au besoin. Sans gestion du cycle de vie, des significations désuètes peuvent demeurer dans les instructions, les applications et les agents, même après que l’entreprise a évolué. Le contexte doit devenir un actif organisationnel gouverné, suffisamment à jour pour guider les actions, suffisamment traçable pour justifier un résultat et réutilisable dans divers systèmes d’AI.

L’alignement sémantique concrétise le contexte

Le défi du contexte se manifeste souvent par un désalignement sémantique. Les données peuvent être exactes, mais leur signification d’affaires peut faire l’objet de débats. Les équipes des ventes, des finances et du service peuvent utiliser différentes définitions de revenus, de client actif ou de compte à risque. Les personnes règlent ces différends grâce à leur expérience et à la discussion. Un agent peut choisir une interprétation et l’appliquer avec assurance.

Une couche sémantique partagée relie les données techniques aux termes d’affaires acceptés, aux relations, aux calculs et aux sources autorisées. Elle rend la signification d’affaires accessible aux machines plutôt que de la confiner à la mémoire de quelques employés. Les organisations n’ont pas à tout modéliser pour créer de la valeur. Elles devraient d’abord gouverner les concepts et décisions critiques, puis élargir le modèle à des cas d’utilisation concrets.

Le risque s’accroît alors que les entreprises déploient des agents. Un agent efficace travaillant avec un contexte incomplet ou incohérent peut générer des résultats plausibles mais non fiables. Si des agents reposent sur des définitions différentes, les décisions deviennent inégales et la gouvernance s’affaiblit. Un contexte partagé donne le cadre commun nécessaire à l’interprétation de l’intention, à la coordination des systèmes et à l’exécution fiable d’un travail en plusieurs étapes. La capacité d’un agent isolé ne devient une capacité d’entreprise que sur cette base solide.

Des plateformes de données à l’intelligence d’entreprise

Le marché évolue au-delà des plateformes de données vers les plateformes d’intelligence. Le modèle émergent se positionne comme un système d’exploitation pour l’entreprise, où l’AI devient une couche à travers laquelle le travail est compris, coordonné et exécuté. Le contexte agit comme plan de contrôle entre les données fragmentées de l’organisation et les copilotes ou agents qui les utilisent. Il détermine ce qui est pertinent, ce qui est permis et à quelle signification d’affaires se référer. Selon les fournisseurs, on parle de couche de contexte, de couche sémantique, d’ontologie, de savoir d’entreprise ou de mémoire organisationnelle. Les termes varient, mais la tendance est claire : l’AI a besoin de plus que de l’accès aux données. Elle requiert une représentation partagée, gouvernée et actualisée du fonctionnement de l’organisation.

La réponse de Microsoft prend forme avec Microsoft IQ. Cette solution constitue une base d’intelligence commune pouvant être réutilisée à travers Copilot, les agents et les applications. Microsoft décrit quatre capacités interconnectées :

• Work IQ pour la collaboration et le travail des personnes
• Fabric IQ pour les opérations, entités et relations d’affaires
• Foundry IQ pour le savoir institutionnel, les politiques et les sources faisant autorité
• Web IQ concernant le contexte externe pertinent
   

Microsoft IQ sert de fondement en intelligence à travers Copilot, les agents et les applications. Sa valeur stratégique repose sur la capacité de fournir, à différentes expériences AI, une vue unifiée de l’organisation.

Ce que les dirigeants d’entreprise doivent faire

Les dirigeants doivent concentrer leurs efforts non pas sur la multiplication des projets AI, mais sur l’amélioration du contexte dont l’AI dépend. Il s’agit d’identifier les décisions et processus de grande valeur, de s’entendre sur les définitions qui les sous-tendent, d’établir les sources faisant autorité, d’attribuer la responsabilité et de contrôler les changements. Le succès doit se mesurer selon que l’AI reflète la signification d’affaires acceptée, fonctionne selon la politique et appuie une décision ou action fiable. Le contexte repose sur des données de qualité, donc la création d’une couche de données d’entreprise demeure essentielle. Poser le défi en termes de contexte relie cette base directement aux exigences opérationnelles.

Le contexte d’entreprise représente aussi un facteur de différenciation. Les modèles et infrastructures deviennent de plus en plus accessibles à la concurrence, mais le modèle d’exploitation, le savoir institutionnel, les relations clients et les décisions cumulées d’une organisation lui sont propres. L’avantage vient de la capacité à rendre ces actifs utilisables, bien gouvernés et à jour, et non de la quantité d’informations non structurées détenues.

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

HCLTech aide ses clients à relier les données, les processus, le savoir et les signaux opérationnels pour alimenter une compréhension partagée du fonctionnement de leurs activités. Cela comprend la modernisation des bases de données, la définition de modèles sémantiques, la mise en place d’une gouvernance et du cycle de vie, ainsi que l’application de processus, d’ontologies et de savoir sectoriels. L’objectif est de passer de dépôts isolés et de déploiements AI ponctuels à une fondation en intelligence qui soutient les copilotes, les agents et la coordination des travaux à grande échelle.

Perspectives d’avenir

L’objectif ne consiste pas simplement à doter l’AI de plus d’informations, mais à renforcer l’intelligence organisationnelle : détecter les changements majeurs plus tôt, prendre de meilleures décisions plus rapidement, retenir les acquis de l’organisation et adapter les opérations en toute confiance. Les organisations qui traitent le contexte comme une infrastructure partagée, actualisée et gouvernée seront mieux placées pour mettre à l’échelle l’AI et en faire un avantage durable.

La question centrale n’est plus de savoir si l’entreprise possède assez de données ou d’AI, mais si elle dispose d’un contexte fiable suffisant pour devenir plus intelligente. Cela nécessite une reddition de comptes claire entre les secteurs d’affaires, des données, des technologies, des risques et des opérations.