Principaux points à retenir

• La préparation des données est le principal facteur qui distingue les meneurs des 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 du travail préparatoire réalisé bien avant l'arrivée de l'AI

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

C’est pourquoi, lorsque les organisations se demandent pourquoi certains programmes d’AI évoluent et d’autres non, la réponse est souvent simple : examinez les données.

Dans l’industrie, l’écart entre les meneurs et les retardataires devient de plus en plus un écart de données. Les organisations qui avancent le plus vite avec l’AI sont généralement celles qui ont déjà fait le travail difficile et moins visible de nettoyage, de connexion et de gouvernance de leurs données. Dans bien des cas, elles n’ont pas bâti ces fondations spécifiquement pour l’AI. Elles l’ont fait parce que la qualité des données a toujours compté pour l’analytique, la performance opérationnelle, la conformité et la prise de décision. Maintenant que l’AI passe de l’expérimentation à l’exécution à l’échelle de l’entreprise, elles en récoltent les fruits.

Le marché raconte la même histoire. Le rapport Life Sciences Outlook 2026 de Deloitte a révélé que près de la moitié des dirigeants s’attendent à ce qu'une transformation numérique accélérée influence fortement la stratégie cette année, mais seulement 22 % disent avoir réussi à étendre l’AI à grande échelle et seulement 9 % déclarent des retours significatifs. Gartner a prévenu que d’ici 2026, les organisations abandonneront 60 % des projets d’AI non soutenus par des données prêtes pour l’AI. Et des recherches récentes dans le secteur de la santé vont dans le même sens : l’interopérabilité devient rapidement une priorité pour les conseils d’administration, car les dirigeants reconnaissent de plus en plus que la fragmentation des données est ce qui empêche l’AI d’aller au-delà des pilotes isolés.

C’est pourquoi la préparation des données n’est plus une question de second plan. Elle devient le véritable facteur différenciateur.

Les données unifiées, là où l'AI commence à fonctionner

L’AI ne devient utile à l’échelle de l’entreprise que lorsqu’elle peut opérer sur des données connectées, fiables et accessibles.

Les organisations en avance sont celles qui ont commencé à briser les silos entre les données d’essais cliniques, les preuves du monde réel, les données de la chaîne d’approvisionnement, de laboratoire et d’autres sources d’entreprise. Une fois que ces environnements sont connectés, l’AI peut faire bien plus que produire des résultats isolés. Elle peut générer des inférences plus solides, soutenir de meilleures décisions et aider à favoriser une action plus cohérente à l’échelle organisationnelle.

La même base connectée façonne également l’expérience des patients avec les soins. Lorsque les données démographiques, de planification, du centre de contact et cliniques fonctionnent ensemble, les organisations peuvent utiliser l’AI pour faciliter l’accès, personnaliser la communication et offrir une approche proactive plutôt que de créer une interaction déconnectée de plus.

À l’inverse, des environnements fragmentés rendent l’AI plus difficile à fiabiliser et à déployer à grande échelle. Les équipes peuvent encore lancer des pilotes locaux. Elles peuvent démontrer certains cas d’utilisation limités. Mais elles ont du mal à transformer ces succès en capacités à l’échelle de l’entreprise.

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

Lorsque les données cliniques, opérationnelles et d’imagerie demeurent fragmentées, il devient difficile de faire grandir l’innovation, d’assurer une collaboration harmonieuse et de réaliser tout le potentiel de l’AI. 

Dans les sciences de la vie et la santé, ce défi est encore plus marqué parce que les données ne sont pas seulement volumineuses et complexes; elles sont aussi hautement réglementées, très sensibles et souvent disséminées dans des systèmes existants, des laboratoires, des appareils et auprès de partenaires de l’écosystème. C’est pourquoi l’interopérabilité n’est pas un simple détail technique. C’est une exigence stratégique pour la mise à l’échelle.

Pour un important fournisseur américain de radiologie, HCLTech a mis en place un environnement opérationnel connecté couvrant plus de 300 applications, plateformes d’imagerie et systèmes d’interopérabilité dans un réseau national. Le résultat a été non seulement une amélioration des performances opérationnelles, avec des temps de résolution réduits de 16 à 4 heures et une résolution au premier contact portée à 92 %, mais aussi une meilleure visibilité sur les systèmes, une expérience clinicien plus cohérente et une base évolutive apte à soutenir la croissance future, l'augmentation des volumes d’imagerie et les besoins changeants en prestation de soins.

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

Cela devient beaucoup plus clair lorsqu’on examine des programmes de transformation à grande échelle dans la pratique.

L’un des meilleurs exemples est la collaboration de HCLTech avec un leader pharmaceutique mondial pour développer une solution de distribution de médicaments de précision et une plateforme de recherche oncologique de nouvelle génération. L’objectif n’était pas simplement de moderniser l’infrastructure des laboratoires. Il s’agissait de créer un écosystème de recherche complet capable de connecter 34 laboratoires pharmaceutiques et de diagnostic à travers le monde, d'intégrer plus de 140 applications, de connecter des environnements LIMS et ELN et de soutenir la collaboration mondiale en recherche sur le cancer.

Le défi était de taille. Les flux de travail étaient fragmentés entre 34 laboratoires et plus de 600 expériences oncologiques. Les données ne pouvaient pas être recueillies ou partagées efficacement entre les régions. Les environnements de laboratoire étaient numérisés de façon incohérente. Cette fragmentation ralentissait le développement de traitements ciblés pour des cancers comme la leucémie, le lymphome et le sarcome.

La solution nécessitait plus que de l’infrastructure. Il a fallu catégoriser les instruments, développer des connecteurs personnalisés pour les environnements existants, cartographier les flux de travail, valider les pilotes et inclure des capacités d’ordonnancement intelligent et de prévention des erreurs pour que les expériences ne démarrent pas en cas de défaillance d’un équipement ou d’absence de réactifs. Le résultat a été un écosystème beaucoup plus connecté et axé sur les données, qui a permis une augmentation de productivité d’environ 20 % dès la première année, une collecte et une collaboration mondiales des données et une base renforcée pour la médecine de précision.

C’est ce à quoi ressemble la préparation des données en pratique. Ce n’est pas un simple exercice de nettoyage administratif. C’est la condition qui rend possible l’accélération scientifique.

L’interopérabilité crée de la valeur cumulative

Une autre raison pour laquelle cela compte est que la préparation des données ne sert pas qu’à l’AI. Elle améliore l’ensemble de l’entreprise.

Les organisations de santé font face à un défi comparable, avec des données cliniques, opérationnelles, d’imagerie et d’engagement des patients souvent dispersées dans des systèmes cloisonnés et des environnements de soins distincts. Connecter ces écosystèmes de données peut offrir aux équipes de soins une vue unifiée du patient, améliorer l’efficacité en minimisant la réconciliation manuelle des données et permettre des capacités activées par l’AI pour l’accès des patients, la coordination des soins et des décisions cliniques éclairées.

Pour les équipes de soins, la préparation des données signifie bâtir une vue longitudinale permettant de suivre le patient dans des contextes hospitaliers, ambulatoires, virtuels, à domicile et communautaires. Cela rend plus facile l’identification des lacunes dans les soins, la priorisation des patients à risque élevé et la coordination d’interventions avant qu’apparaissent des complications évitables.

Dans le cadre d’une étude de cas avec l’un des principaux fournisseurs mondiaux de services diagnostiques, HCLTech a contribué à moderniser l’engagement des patients et des cliniciens, les essais cliniques, l’analytique, le centre de contact et les plateformes liées à l’IoT sur des architectures orientées cloud. Le travail incluait le développement applicatif, l’intégration et l’interopérabilité, l’analyse d’affaires et la création d’un centre d’excellence en tests. L’impact global n’a pas été qu’une modernisation. Il s’est traduit par un meilleur appariement patient, une meilleure rétention grâce à une communication améliorée et une conformité réglementaire accrue.

Pour les patients, cela peut se traduire par une planification plus rapide, des interactions plus personnalisées et une continuité accrue puisqu’ils sont suivis par l’information tout au long de leur parcours, ce qui réduit les délais et les doublons inutiles. Par exemple, lorsque les données cliniques et opérationnelles sont connectées, un patient qui sort après traitement cardiaque peut recevoir des rappels de suivi coordonnés, des alertes de surveillance à distance, du soutien pour sa médication et de l’aide à la navigation dans les soins, dans le cadre d’une expérience plus continue.

C’est le point fondamental que de nombreuses organisations reconnaissent aujourd’hui. Des données propres, connectées et interopérables n’aident pas seulement les modèles à fonctionner. Elles renforcent l’engagement du patient, la coordination des soins, la productivité de la recherche et la performance en matière de conformité. L’AI amplifie ensuite la valeur de ces fondations solides.

Pour les médecins, cette même base peut réduire le besoin de chercher dans des systèmes déconnectés en réunissant les antécédents cliniques, les résultats de laboratoire, l’imagerie, les médicaments et les renseignements sur les lacunes dans les soins au sein d’un flux de travail plus unifié, appuyant ainsi des décisions plus rapides et mieux informées.

Cela concorde aussi avec les tendances du marché. Des recherches récentes dans le secteur de la santé ont constaté que les dirigeants priorisent l’interopérabilité non seulement pour l’efficacité du partage de données, mais parce qu’ils la considèrent essentielle pour faire évoluer l’AI dans les flux de travail critiques et générer une valeur opérationnelle mesurable.

Les normes accélèrent le progrès

L’un des accélérateurs de l’AI les plus sous-estimés est l’adoption de normes.

Lorsque les organisations adoptent des structures communes et une interopérabilité renforcée dans leurs environnements cliniques, opérationnels et de recherche, elles facilitent le partage, l’interprétation et l’utilisation des données. Cela est important au sein de l’entreprise, mais aussi à l’échelle de l’écosystème, où la collaboration entre bailleurs de fonds, fournisseurs, fabricants et régulateurs façonne de plus en plus les résultats.

Des normes comme FHIR peuvent aider à établir un écosystème plus unifié où l’information circule de façon sécurisée et efficace entre organisations, applications et milieux de soins, rendant les données plus exploitables pour les soins coordonnés et l’AI à grande échelle.

Ce n’est pas un travail glamour, mais c’est un travail stratégique. C’est aussi là où de nombreuses organisations ont encore à progresser. Le rapport plus vaste de Deloitte sur les perspectives 2026 des sciences de la vie et des soins de santé a révélé que 48 % des répondants indiquaient que leur conseil d’administration manquait de représentation dans des domaines comme l’AI et la science des données. Ce n’est pas qu’une question de leadership. C’est un signal que de nombreuses organisations sont encore en train de bâtir la gouvernance et la capacité stratégique nécessaires pour faire des données un véritable actif à l’échelle de l’entreprise. 

Les données comme facteur différenciateur

L’AI n’éliminera pas la nécessité d’une discipline des données. Au contraire, elle l’intensifiera.

C’est pour cela que je crois que la prochaine vague d’avantage concurrentiel dans les sciences de la vie et les soins de santé viendra des organisations qui considèrent les données comme un atout stratégique, et non comme un aspect technique secondaire. Plus l’environnement de données sera unifié, normalisé et gouverné, plus vite l’AI pourra passer de l’expérimentation à la création de valeur d’entreprise.

Lorsque ce contexte de confiance est accessible dans les flux de travail cliniques, l’AI peut aussi soutenir la documentation, la synthèse et les tâches routinières, en réduisant les transferts manuels et en permettant aux cliniciens de consacrer plus d’attention aux soins.

Et quand cela se produit, l’impact dépasse la simple productivité interne. Cela améliore la collaboration dans les réseaux de recherche, affine les décisions opérationnelles, renforce la conformité et contribue à accélérer la prestation de soins plus personnalisés et efficaces. Dans les prochaines années, les organisations qui seront des chefs de file en AI seront très souvent celles qui ont d’abord été en tête pour les données.

FAQs

Pourquoi la préparation des données est-elle si importante pour l’AI ?
L’AI est aussi performante que les données sur lesquelles elle repose. Des données de mauvaise qualité, fragmentées ou mal gouvernées limitent la performance des modèles, la confiance et l'évolutivité.

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