Quand l’héritage IT freine la mise à l’échelle de l’IA
Deux histoires technologiques
Les entreprises « AI by nature » ont souvent construit leur modèle opérationnel autour de plateformes, de données et de services réutilisables. Leur architecture facilite l’intégration de nouveaux usages et leur permet de faire évoluer rapidement leurs capacités.
Dans une entreprise historique, le système d’information s’est généralement construit par étapes. Chaque application répondait à un besoin précis. Chaque acquisition pouvait apporter son propre ERP ou CRM. Chaque transformation ajoutait de nouveaux flux.
Le résultat est un système qui fonctionne, mais dans lequel la même réalité métier peut être représentée de plusieurs manières.
Un client ou un site n’a pas toujours un identifiant unique. Un produit peut être défini différemment selon les applications. Les données peuvent être transférées vers des data lakes ou des entrepôts dont la qualité, la provenance et la logique sont devenues difficiles à maîtriser.
L’entreprise dispose alors de beaucoup de données, mais pas nécessairement d’une vision cohérente de celles-ci.
Pour l’IA, cette distinction est déterminante. Les modèles s’appuient sur les données de l’entreprise pour produire leurs réponses et leurs analyses. Ils peuvent traiter de grandes quantités d’information, mais ils ne peuvent pas décider seuls quelle donnée contradictoire constitue la référence métier.
Si la donnée source n’est pas fiable, accessible ou suffisamment cohérente, la capacité de l’IA à créer de la valeur reste limitée.
Ne pas repartir de zéro
Face à cette situation, la tentation est de vouloir reconstruire le système d’information sur de nouvelles fondations. Pour une grande entreprise, ce n’est généralement ni réaliste ni souhaitable : trop lourd, trop coûteux et trop risqué.
L’enjeu est plutôt de déterminer ce qui doit évoluer pour permettre à l’IA de passer à l’échelle, sans chercher à moderniser tout le SI simultanément.
Selon le contexte, plusieurs approches peuvent être envisagées : faire évoluer la plateforme data, clarifier les domaines et responsabilités autour des données, moderniser certaines interfaces ou encore renforcer les capacités d’accès et de gouvernance.
Mais aucune de ces réponses n’est universelle.
Ajouter une data platform ne résout pas des données contradictoires. Définir des data domains ne suffit pas si personne n’en assume la responsabilité. Moderniser une interface n’apporte rien si le problème se situe dans le modèle métier sous-jacent.
Le point de départ doit donc être le problème à résoudre, et non la technologie à déployer.
Les cas d’usage IA peuvent justement jouer ce rôle de révélateur. Un assistant commercial, par exemple, peut mettre rapidement en évidence les incohérences entre CRM, contrats et données produits. Ces difficultés permettent ensuite de prioriser les investissements et de construire progressivement les capacités nécessaires.
De la succession de POC à une capacité IA
C’est là que se situe probablement le véritable enjeu.
Le succès d’un premier POC ne garantit pas la capacité à déployer l’IA dans toute l’organisation. Pour passer à l’échelle, les mêmes données, services et capacités doivent pouvoir être réutilisés par plusieurs applications et plusieurs équipes.
La transformation consiste donc moins à devenir soudainement « AI-native » qu’à rendre progressivement le système d’information AI-ready.
Cela suppose d’aligner les choix technologiques avec les besoins métier : quelles données sont réellement critiques ? Qui en est responsable ? Quelles capacités doivent être partagées ? Quels systèmes doivent évoluer et lesquels peuvent rester en place ?
L’objectif n’est pas de supprimer l’héritage IT, mais de décider où il constitue un frein et où il peut continuer à jouer son rôle.
Conclusion
L’IA ne crée pas les problèmes du système d’information. Elle les rend visibles.
Les entreprises historiques ne pourront pas effacer leur passé technologique. En revanche, elles peuvent progressivement transformer leur patrimoine existant pour permettre à la donnée et à l’IA de devenir de véritables capacités d’entreprise.
La question n’est donc pas de savoir comment remplacer le legacy par une architecture parfaite, mais comment faire évoluer le système d’information au rythme des ambitions de l’entreprise.