Construire une infrastructure de données solide pour le succès des agents IA

Construire une infrastructure de données solide pour le succès des agents IA

Dans la course à l'adoption et à la démonstration de la valeur de l'IA, les entreprises se déplacent plus rapidement que jamais pour déployer des agents IA en tant que copilotes, assistants et exécutants de tâches autonomes. Fin 2025, près des deux tiers des entreprises expérimentaient avec des agents IA, tandis que 88 % utilisaient l'IA dans au moins une fonction commerciale, en hausse par rapport à 78 % en 2024, selon le rapport annuel sur l'IA de McKinsey. Cependant, bien que les premiers pilotes réussissent souvent, une entreprise sur dix parvient réellement à faire évoluer ses agents IA.

Un problème majeur : les agents IA ne sont efficaces que si les fondations de données qui les soutiennent sont solides. Les experts soutiennent que la plupart des entreprises rencontrent des retards dans la mise en œuvre de l'IA, non pas en raison de lacunes dans les modèles, mais parce qu'elles manquent d'architectures de données qui fournissent un contexte commercial pouvant être utilisé de manière fiable par les humains et les agents. Les entreprises doivent être prêtes avec la bonne architecture de données, et les mois à venir — au maximum les années — seront critiques, déclare Irfan Khan, président et directeur produit de SAP Data & Analytics.

L'importance croissante des données à l'ère de l'IA

Les capacités de l'IA agentique seront davantage déterminées par la solidité de l'architecture et de la gouvernance des données de l'entreprise, et moins par l'évolution des modèles. Pour faire évoluer la technologie, les entreprises doivent adopter une infrastructure de données moderne qui fournit du contexte en plus des données.

Plus de contexte commercial, pas nécessairement plus de données

Les vues traditionnelles confondent souvent les données structurées avec une grande valeur et les données non structurées avec moins de valeur. Cependant, l'IA complique cette distinction. Les données à forte valeur pour les agents sont définies moins par leur format et plus par leur contexte commercial. Les données pour des fonctions commerciales critiques — telles que les opérations de chaîne d'approvisionnement et la planification financière — dépendent du contexte. Bien que des données détaillées et en grande quantité, comme celles provenant de l'IoT, des journaux et de la télémétrie, puissent générer de la valeur, cela ne se produit que lorsqu'elles sont fournies avec un contexte commercial.

Pour cette raison, le véritable risque pour l'IA agentique n'est pas le manque de données, mais le manque de fondement, déclare Khan.

• "Tout ce qui est contextuel au niveau commercial vous donnera, par définition, une plus grande valeur et des niveaux de fiabilité supérieurs dans les résultats commerciaux," dit-il.
• "Ce n'est pas aussi simple que de dire que les données à haute valeur sont des données structurées et que les données à faible valeur sont celles où il y a beaucoup de répétition — les deux peuvent avoir une énorme valeur entre de bonnes mains, et c'est ce qui est différent avec l'IA."

Le contexte peut être dérivé par l'intégration avec des logiciels, l'analyse et l'enrichissement sur site, ou à travers le pipeline de gouvernance. Les données manquant de ces qualités seront probablement considérées comme non fiables — une des raisons pour lesquelles deux tiers des dirigeants d'entreprise ne font pas entièrement confiance à leurs données, selon l'Institute for Data and Enterprise AI (IDEA). La "dette de confiance" qui en résulte a freiné les entreprises dans leur quête de préparation à l'IA. Surmonter ce manque de confiance nécessite des définitions partagées, une cohérence sémantique et un contexte opérationnel fiable pour aligner les données avec la signification commerciale.

La prolifération des données exige une couche sémantique consciente des affaires

Au cours de la dernière décennie, le changement le plus important dans l'architecture des données d'entreprise a été la séparation du calcul et du stockage, ainsi que la flexibilité à l'échelle du cloud, déclare Khan. Cependant, cette séparation et ce passage au cloud ont également créé une prolifération, avec des données hébergées dans plusieurs clouds, lacs de données, entrepôts et une multitude d'applications SaaS.

Alors que les entreprises se tournent vers l'IA, cette prolifération ne disparaît pas. En fait, le problème s'aggrave, plus des deux tiers des entreprises citant les silos de données comme un défi majeur dans l'adoption de l'IA, et plus de la moitié des entreprises luttant avec 1 000 sources de données ou plus. Alors que la dernière ère était axée sur la création des bases nécessaires pour construire des logiciels en tant que service — séparant le calcul et le stockage et construisant des lacs — la prochaine ère consiste à fournir les bonnes données aux agents IA autonomes chargés de diverses fonctions commerciales.

• "Probablement la plus grande innovation survenue dans la gestion des données a été la séparation du calcul et du stockage," dit Khan.
• "Mais ce qui fait vraiment la distinction maintenant, c'est la manière dont nous harmonisons les données et récoltons la valeur des données à partir de multiples sources de contenu."

Pour ce faire, il faut une couche sémantique ou de connaissance qui supporte plusieurs plateformes, encode les règles et relations commerciales, fournit une vue des données contextualisée et gouvernée, et permet aux humains et aux agents d'accéder aux données de manière appropriée. Mais les architectures de données héritées ne peuvent pas alimenter les systèmes IA autonomes de demain, a déclaré le cabinet de conseil Deloitte dans son rapport sur l'état de l'IA dans l'entreprise. Seules quatre entreprises sur dix estiment que leur processus de gestion des données est prêt pour l'IA, et ce chiffre est en baisse par rapport à 43 % l'année précédente, suggérant qu'à mesure que les entreprises explorent le déploiement de l'IA, elles réalisent les lacunes de leur infrastructure.

L'IA agentique ne remplace pas le SaaS

Certains investisseurs et technologues spéculent que les agents IA rendront les applications SaaS obsolètes. Khan n'est pas d'accord. Au cours des 15 dernières années, la valeur a progressivement migré vers le haut de la pile, de l'infrastructure sur site à l'infrastructure en tant que service (IaaS), à la plateforme en tant que service (PaaS) et au SaaS. L'IA agentique est simplement la prochaine couche. L'IA agentique aura sa propre couche pour accéder aux données et interagir avec la logique commerciale. La valeur monte dans la pile, mais rien en dessous ne disparaît, dit-il.

• "Le SaaS ne disparaît pas," dit-il.
• "Cela signifie simplement que le SaaS et ces agents vont coopérer les uns avec les autres. Les entreprises ne vont pas jeter leur livre de comptes général et le remplacer par un agent. Que va faire l'agent ? Il ne sait rien sans contexte commercial et traitement commercial."

Dans ce modèle émergent, la pile logicielle est redéfinie de manière à ce que les applications et les données fournissent un contexte gouverné dans lequel l'IA peut agir efficacement. Les applications SaaS restent les systèmes d'enregistrement, tandis que la couche sémantique devient la source de vérité contextuelle commerciale. Les agents IA deviennent une nouvelle couche d'engagement, orchestrant à travers les systèmes, et les humains ainsi que les agents deviennent des "citoyens de première classe" dans la manière dont ils accèdent à la logique commerciale, dit-il.

Il est crucial que les agents ne puissent pas se connecter directement à chaque système opérationnel. "Si nous disons que les agents vont prendre le contrôle du monde ... vous ne pouvez pas avoir un agent parlant à chaque système backend opérationnel," avertit Khan. "Cela ne fonctionne tout simplement pas de cette manière."

Cela souligne encore l'importance d'une couche sémantique ou d'un tissu commercial.

Où commencer

La plupart des entreprises doivent commencer là où leurs données résident déjà — dans des plateformes comme Snowflake, Databricks, Google BigQuery, ou un environnement SAP existant. Khan dit que c'est normal, mais met en garde contre la reconstruction de vieux schémas de verrouillage des fournisseurs.

Il suggère que les entreprises priorisent les données qui comptent le plus en se concentrant sur la préservation et la fourniture de contexte commercial aux données opérationnelles et d'application. Les entreprises devraient également investir tôt dans la gouvernance et la sémantique en définissant des politiques partagées, des règles d'accès et des modèles sémantiques avant de faire évoluer les pilotes. Enfin, les entreprises devraient privilégier l'ouverture et l'interopérabilité de style tissu plutôt que de forcer toutes les données dans une seule pile.

Khan met en garde contre l'objectif d'une automatisation complète trop tôt. "Il y a une nouvelle opportunité audacieuse de vraiment s'engager dans le monde agentique et IA," dit Khan, "Automatiser complètement [les processus commerciaux critiques] est peut-être un défi, car il y aura beaucoup de supervision supplémentaire nécessaire." Les premiers succès viendront probablement de processus moins critiques et d'agents qui fonctionnent à partir de données fraîches et dynamiques plutôt que de tableaux de bord obsolètes, ajoute-t-il. À mesure que l'IA commence à délivrer de la valeur et que l'adoption augmente, les dirigeants devront décider comment réinvestir ces gains pour améliorer l'efficacité ou entrer sur de nouveaux marchés.