Principaux points à retenir

• La préparation des données est la principale distinction entre les meneurs et les retardataires
• Des environnements de données unifiés favorisent une adoption plus rapide de l’AI
• Les normes et l’interopérabilité sont aussi importantes que l’infrastructure
• Le succès de l’AI dépend des bases établies bien avant l’arrivée de l’AI

Dans les sciences de la vie et la santé, AI échoue rarement par manque d’ambition. Plus souvent, cela stagne parce que les données sous-jacentes sont fragmentées, incohérentes ou difficiles à valider.

C’est pourquoi, lorsque les organisations se demandent pourquoi certains programmes AI passent à l’échelle et d’autres non, la réponse est souvent simple : regardez les données.

Partout dans le secteur, l’écart entre les meneurs et les retardataires est de plus en plus un écart lié aux données. Les organisations qui avancent plus rapidement avec l’AI sont généralement celles qui ont déjà fait le travail plus difficile et moins visible de nettoyage, connexion et gouvernance de leurs données. Dans bien des cas, ces bases n’ont pas été construites spécifiquement pour l’AI. Elles l’ont été parce que la qualité des données a toujours compté pour l’analytique, la performance opérationnelle, la conformité et la prise de décision. Maintenant, alors que l’AI passe de l’expérimentation à l’exécution d’entreprise, elles en voient les bénéfices.

Le marché raconte la même histoire. Selon l’étude 2026 Life Sciences Outlook de Deloitte, près de la moitié des leaders s’attendent à ce que l’accélération de la transformation numérique façonne de manière significative la stratégie cette année, mais seulement 22 % affirment avoir réussi à déployer l’AI à grande échelle et seulement 9 % rapportent des retours importants. Gartner a averti que jusqu’en 2026, les organisations abandonneront 60 % des projets AI qui ne sont pas soutenus par des données prêtes pour l’AI. Et des recherches récentes dans le domaine de la santé vont dans le même sens : l’interopérabilité devient rapidement une priorité dans les conseils d’administration parce que les meneurs reconnaissent de plus en plus que la fragmentation des données est ce qui empêche l’AI d’aller au-delà de projets pilotes isolés.

C’est pourquoi la préparation des données n’est plus une question de fond. Elle devient le véritable élément distinctif.

La donnée unifiée : là où l’AI commence à fonctionner

L’AI devient utile à l’échelle de l’entreprise uniquement lorsqu’elle peut fonctionner avec des données connectées, fiables et accessibles.

Les organisations qui prennent de l’avance sont celles qui ont commencé à éliminer les silos entre les données d’essais cliniques, les données réelles, les données de la chaîne d’approvisionnement, du laboratoire et d’autres sources. Une fois ces environnements connectés, l’AI peut faire bien plus que générer des résultats isolés. Elle peut produire des analyses plus solides, soutenir de meilleures décisions et contribuer à des actions plus cohérentes à travers l’organisation.

La même base connectée façonne aussi l’expérience des patients recevant des soins. Lorsque les données démographiques des patients, les données de planification, du centre de contact et les données cliniques fonctionnent ensemble, les organisations peuvent utiliser l’AI pour faciliter l’accès, offrir des communications plus personnalisées et réaliser des interventions proactives, au lieu de créer une interaction supplémentaire et déconnectée.

À l’inverse, des environnements fragmentés rendent l’AI moins fiable et plus difficile à déployer à l’échelle. Les équipes peuvent encore lancer des projets pilotes locaux. Elles peuvent toujours démontrer des cas d’usage limités. Mais il leur est difficile de transformer ces réussites en capacité organisationnelle.

Sans cette interopérabilité, l’AI peut réussir dans un flux de travail individuel, mais restera limitée pour soutenir une transformation coordonnée à l’échelle de l’entreprise.

Lorsque les données cliniques, opérationnelles et d’imagerie restent fragmentées, il devient difficile de déployer l’innovation à grande échelle, de favoriser la collaboration fluide et de maximiser la valeur de l’AI. 

Dans le secteur des sciences de la vie et de la santé, ce défi est d’autant plus prononcé que les données ne sont pas seulement volumineuses et complexes : elles sont aussi très réglementées, très sensibles et souvent dispersées dans des systèmes patrimoniaux, laboratoires, appareils et partenaires d’écosystème. C’est pourquoi l’interopérabilité n’est pas un simple détail technique. C’est une exigence stratégique pour le passage à l’échelle.

Pour un important fournisseur de radiologie américain, HCLTech a mis en place un environnement opérationnel connecté couvrant plus de 300 applications, plateformes d’imagerie et systèmes d’interopérabilité sur un réseau national. Le résultat : amélioration de la performance opérationnelle, réduction du délai moyen de résolution de 16 à 4 heures, taux de résolution au premier contact porté à 92 %, meilleure visibilité sur les systèmes, expérience clinicien plus uniforme ainsi qu’une base évolutive pour soutenir la croissance future, l’augmentation des volumes d’imagerie et l’évolution des besoins en prestation de soins.

La préparation des données n’est pas théorique. Elle est opérationnelle

Cela devient beaucoup plus évident lorsqu’on observe des programmes de transformation à grande échelle, en pratique.

L’un des exemples les plus remarquables est la collaboration entre HCLTech et un chef de file pharmaceutique mondial pour développer une solution de distribution précise de médicaments et une plateforme de recherche oncologique de nouvelle génération. L’objectif n’était pas simplement de moderniser l’infrastructure du laboratoire. Il s’agissait de créer un écosystème de recherche complet pouvant connecter 34 laboratoires pharmaceutiques et diagnostiques à l’échelle mondiale, intégrer plus de 140 applications, relier les environnements LIMS et ELN et soutenir la collaboration mondiale sur la recherche sur le cancer.

Le défi était de taille. Les flux de travail étaient fragmentés entre 34 laboratoires et plus de 600 expériences en oncologie. Les données ne pouvaient être recueillies ni partagées efficacement entre les régions. Les environnements de laboratoire étaient numérisés de façon inégale. Cette fragmentation ralentissait le développement de thérapies ciblées pour des cancers comme la leucémie, le lymphome et le sarcome.

La solution exigeait plus qu’une infrastructure. Elle supposait la catégorisation des instruments, le développement de connecteurs adaptés pour les environnements existants, la cartographie des flux de travail, la validation pilote et des capacités intelligentes de planification et de prévention des erreurs pour éviter qu’une expérience ne commence si des équipements tombaient en panne ou si des réactifs étaient manquants. Le résultat : un écosystème nettement plus connecté et axé sur les données, offrant un gain de productivité d’environ 20 % dès la première année, favorisant la collecte de données et la collaboration à l’échelle mondiale, et créant une base plus solide pour la médecine de précision.

Voilà ce qu’est la préparation des données, en pratique. Ce n’est pas un simple travail de nettoyage en coulisse, c’est la condition qui permet d’accélérer la recherche scientifique.

L’interopérabilité génère une valeur cumulative

Une autre raison pour laquelle cela est important : la préparation des données soutient l’AI et améliore l’ensemble de l’entreprise.

Les organismes de santé font face à un défi comparable, avec des données cliniques, opérationnelles, d’imagerie et d’engagement patient souvent dispersées dans des systèmes isolés et des environnements de soins variés. Connecter ces écosystèmes de données permettrait aux équipes de soins d’obtenir une vue unifiée du patient, d’améliorer l’efficacité en réduisant la réconciliation manuelle des données et d’activer des capacités AI pour l’accès des patients, la coordination des soins et la prise de décisions cliniques éclairées.

Pour les équipes de soins, la préparation des données signifie mettre en place une vision longitudinale permettant de suivre le patient à travers les milieux hospitaliers, ambulatoires, virtuels, à domicile ou en communauté. Cela facilite l’identification des lacunes dans les soins, la priorisation des patients à risque élevé et la coordination des interventions avant que ne surviennent des complications évitables.

Dans une étude de cas auprès d’un des principaux fournisseurs mondiaux de services diagnostiques, HCLTech a contribué à moderniser les plateformes d’engagement patient et clinicien, d’essais cliniques, d’analytique, de centres de contact et liées à l’IoT sur des architectures infonuagiques natives. Le travail a inclus le développement d’applications, l’intégration et l’interopérabilité, l’analyse d’affaires et la création d’un centre d’excellence en tests. L’enjeu dépassait la simple modernisation : il s’agissait d’améliorer le jumelage patient, la fidélisation grâce à un meilleur contact et l’adhésion réglementaire et de conformité.

Pour les patients, cela peut se traduire par une planification accélérée, des interactions plus personnalisées et une meilleure continuité alors que l’information les suit tout au long de leur parcours de soins, limitant ainsi retards et doublons évitables. Par exemple, lorsque les données cliniques et opérationnelles sont connectées, un patient ayant reçu un congé après un traitement cardiaque peut recevoir des rappels coordonnés, des alertes de surveillance à distance, un soutien médicamenteux et des conseils de navigation dans le système, dans le cadre d’une expérience plus continue.

C’est le point essentiel reconnu par de nombreuses organisations aujourd’hui. Des données propres, connectées et interopérables ne servent pas qu’à faire fonctionner des modèles. Elles renforcent l’engagement patient, la coordination des soins, la productivité de la recherche et la performance en matière de conformité. L’AI amplifie alors la valeur de ces fondations robustes.

Pour les médecins, la même base permet de limiter la recherche d’information dans des systèmes déconnectés en rassemblant historique clinique, résultats de laboratoire, imagerie, médicaments et perspectives sur les lacunes de soins dans un flux de travail plus unifié, favorisant des décisions plus rapides et mieux renseignées.

Cela correspond aussi aux tendances du marché. Des recherches récentes en santé montrent que les meneurs priorisent l’interopérabilité non seulement pour l’efficacité du partage de données, mais parce qu’ils y voient une condition essentielle pour intégrer l’AI dans les processus critiques et en tirer une valeur opérationnelle mesurable.

Les normes favorisent l’accélération

L’un des leviers sous-estimés de l’accélération de l’AI est l’adoption de normes.

Quand les organisations adoptent des structures communes et une interopérabilité renforcée dans les environnements cliniques, opérationnels et de recherche, elles rendent les données plus faciles à partager, interpréter et utiliser. Cela compte au sein de l’entreprise, mais aussi dans l’ensemble de l’écosystème, où la collaboration entre promoteurs, prestataires, fabricants et organismes de réglementation façonne de plus en plus les résultats.

Des normes telles que FHIR peuvent contribuer à établir un écosystème plus unifié, dans lequel l’information circule de façon sécuritaire et efficace entre organisations, applications et environnements de soins, rendant les données plus exploitables à la fois pour les soins coordonnés et l’AI à l’échelle.

Ce n’est pas un travail valorisé, mais c’est un travail stratégique. C’est aussi là où bon nombre d’organisations ont encore des progrès à faire. Le rapport d’insights sur les sciences de la vie et la santé 2026 de Deloitte souligne que 48 % des répondants estiment que leur conseil d’administration manque de représentation dans des domaines comme l’AI et la science des données. Il ne s’agit pas seulement d’une question de leadership. C’est le signe que beaucoup d’organisations sont encore en train de bâtir la gouvernance et les capacités stratégiques nécessaires pour faire des données un véritable atout d’entreprise. 

La donnée comme élément différenciateur

L’AI n’éliminera pas le besoin de discipline en matière de données. Elle en augmentera l’importance.

C’est pourquoi je crois que la prochaine vague d’avantage compétitif dans les sciences de la vie et la santé viendra des organisations qui considèrent les données comme un actif stratégique, et non comme une question technique accessoire. Plus l’environnement de données sera unifié, standardisé et gouverné, plus vite l’AI passera de l’expérimentation à la création de valeur à l’échelle de l’entreprise.

Quand ce contexte fiable est intégré aux flux de travail cliniques, l’AI peut aussi faciliter la documentation, la synthèse et les tâches courantes, réduisant les transferts manuels et permettant aux cliniciens de consacrer plus d’attention aux soins.

Et lorsque cela se produit, l’impact dépasse la simple productivité interne : il améliore la collaboration entre réseaux de recherche, optimise les décisions opérationnelles, renforce la conformité et accélère la prestation de soins plus personnalisés et plus efficaces. Dans les années à venir, les organisations qui seront en tête avec l’AI seront très souvent celles qui l’auront été d’abord avec les données.

FAQ

Pourquoi la préparation des données est-elle si importante pour l’AI ?
L’AI est aussi solide que les données qui la sous-tendent. Des données de mauvaise qualité, fragmentées ou mal gouvernées limitent la performance, la confiance et l’extensibilité des modèles.

Qu’est-ce qui distingue les organisations qui prennent de l’avance ?
Les meneurs sont généralement ceux qui ont déjà unifié les sources de données critiques, amélioré l’interopérabilité et mis en place la gouvernance nécessaire pour soutenir l’utilisation à l’échelle de l’entreprise.