Faut-il se lancer dans l'IA *avant d'avoir posé sa stratégie data* ?

Non, mais il faut des données disponibles, fiables et accessibles au quotidien pour le cas d'usage visé. Un modèle ne produit rien sans elles. L'erreur courante consiste à juger une idée d'IA sur sa seule valeur métier, sans vérifier si les données qu'elle suppose existent vraiment.

• La qualité exigée dépend du cas d'usage, elle n'a pas à être uniforme sur tout le patrimoine.
• Une grille de maturité mesure la disponibilité, la fiabilité et l'accessibilité des données.
• Les cas d'usage dont les données sont prêtes se lancent immédiatement.
• Les autres attendent les chantiers de socle qui les rendront possibles.
• Ce tri évite de financer des prototypes qui ne franchiront jamais la production.

Dans la plupart des cas, le modèle n'est pas en cause : ce sont les données qui ne sont ni fiables ni accessibles en dehors de la démonstration. Un prototype fonctionne sur un extrait préparé à la main, alors que la production exige un flux quotidien, tenu dans le temps.

• La démonstration s'appuie sur des données nettoyées pour l'occasion.
• Le passage à l'échelle suppose un accès régulier, automatisé et documenté.
• Les données éparpillées entre caisse, commerce en ligne, CRM et ERP n'ont pas de socle commun.
• Sans ce socle, chaque nouveau prototype rencontre le même mur.
• Traiter le socle avant les modèles évite de répéter l'échec.

Chaque idée est jugée sur deux axes : la valeur qu'elle apporte à une décision ou à une opération, et la disponibilité réelle des données qu'elle exige. Le croisement des deux donne un verdict simple : maintenant, plus tard, ou jamais.

• L'ambition est clarifiée en amont, au delà du mot IA, sur la décision à améliorer.
• La valeur attendue est estimée avec les métiers concernés, pas seulement avec la technique.
• La disponibilité des données est vérifiée cas par cas, grille à l'appui.
• Les cas non finançables sont écartés explicitement, avec les raisons d'attendre.
• Les critères sont écrits pour que le comité les réutilise seul par la suite.

Une grille de maturité data est un état des lieux qui distingue ce qui est exploitable tout de suite de ce qui doit encore être consolidé. Elle mesure trois choses : la disponibilité des données, leur fiabilité et leur accessibilité au quotidien.

• Elle s'applique aux données réellement utiles aux cas d'usage envisagés.
• Elle sert de base objective aux arbitrages du comité de direction.
• Elle identifie les chantiers de socle à mener en priorité.
• Elle évite les débats d'opinion entre partisans et sceptiques de l'IA.

Environ deux mois, avec un consultant stratégie data. Ce format court suffit à clarifier l'ambition, évaluer le socle, qualifier les cas d'usage et construire une feuille de route en deux temps.

• La clarification de l'ambition ouvre la mission avec le comité de direction.
• L'évaluation du socle mesure ce que valent réellement les données disponibles.
• La qualification des cas d'usage écarte les pistes non finançables.
• La feuille de route place les chantiers de socle avant les cas d'usage qu'ils rendent possibles.

En rendant l'arbitrage visible plutôt qu'en opposant des convictions. Une note de cadrage et une grille de décision montrent ce qui est finançable maintenant, et pour quelles raisons précises le reste attend. La discussion porte alors sur des faits, pas sur des postures.

• Le portefeuille de cas d'usage donne un verdict argumenté pour chaque piste.
• Les raisons d'attendre sont documentées, ce qui désamorce le sentiment de blocage.
• Trois cas retenus valent mieux qu'une douzaine de promesses ouvertes.
• Partisans et sceptiques suivent la même trajectoire, arbitrée sur des critères écrits.
• La crédibilité de la démarche se construit sur ce qui est livré, pas sur ce qui est annoncé.