Au cours de la dernière décennie, les entreprises ont été témoins d’une augmentation substantielle du nombre et de la variété des outils de données. Cette poussée résulte principalement de la transition des organisations des solutions sur site vers les solutions cloud. Le concept de « pile de données moderne » (MDS) s’est développé, promettant des systèmes plus flexibles et plus fiables. Les entreprises ont désormais accès à des outils qui prennent en charge l’entreposage de données, les processus ETL, l’analyse en temps réel et l’apprentissage automatique, offrant ainsi une suite complète de solutions pour gérer les divers besoins en matière de données. Par exemple, rien qu’en 2021, la taille du marché mondial des entrepôts de données a atteint 21 milliards de dollars, ce qui montre l’ampleur et l’importance de ces outils dans les opérations des entreprises modernes.
Big data (avant 2013)
À l’époque du big data, les entreprises partaient du principe qu’une plus grande quantité de données était synonyme d’une plus grande valeur. Ils ont investi massivement dans des technologies permettant de traiter et d’analyser de grandes quantités de données, à la recherche d’informations susceptibles de transformer leurs activités. Malgré ces efforts, elles ont souvent constaté qu’il était beaucoup plus simple de stocker et de gérer de gros volumes de données que d’en tirer des informations exploitables. Par exemple, au début des années 2010, une entreprise typique pouvait traiter des pétaoctets de données, mais avait du mal à trouver des modèles significatifs sans outils d’analyse avancés.
Pile de données moderne (après 2013)
Après la période du big data, les entreprises ont reconnu la nécessité de mettre à jour leurs infrastructures de données, ce qui a conduit à une prolifération de nouveaux outils de données. Les fournisseurs ont inondé le marché, chacun affirmant que sa solution était la clé de la compréhension de l’entreprise. L’ère de la pile de données moderne a vu naître des plateformes capables d’intégrer plusieurs sources et types de données, offrant des outils d’analyse et de visualisation avancés. Par exemple, l’adoption de plateformes telles que Snowflake et Databricks illustre la manière dont les entreprises ont adopté ces outils intégrés pour améliorer les processus de prise de décision.
Défis liés à la surabondance d’outils de données
L’essor des outils de traitement des données s’est accompagné de nouveaux défis, notamment en ce qui concerne la complexité des systèmes. Les entreprises ont éprouvé des difficultés à intégrer divers outils disparates, ce qui a conduit à un écosystème de données fragmenté. La complexité de la gestion d’outils multiples augmentait les coûts opérationnels et prolongeait le délai d’obtention d’informations. Par exemple, de nombreuses enquêtes ont révélé que près de 47 % des entreprises déclarent que les silos de données et les problèmes d’intégration entravent considérablement leurs capacités d’analyse.
Les grandes entreprises ont depuis lors réalisé des investissements considérables dans l’infrastructure de données, souvent sans stratégie claire pour en extraire la valeur. Cette approche a entraîné des coûts disproportionnés pour un retour sur investissement minimal. Il était courant de constater que différentes équipes au sein d’une même organisation utilisaient des outils qui se chevauchaient à des fins similaires, ce qui triplait les coûts sans tripler les avantages. Les grandes entreprises peuvent gaspiller jusqu’à 35 % de leur budget technologique en outils redondants et en solutions sous-utilisées.
Malgré les défis existants dans la pile de données moderne, l’intérêt pour l’IA s’est accru, entraînant une nouvelle vague d’outils de données. Cette transition a commencé avant même la consolidation complète du marché des MDS, ce qui illustre l’évolution rapide du secteur vers les capacités d’IA. Les entreprises adoptent de plus en plus d’outils pilotés par l’IA pour affiner leurs stratégies en matière de données et améliorer leur efficacité opérationnelle.
Différences dans la pile d’IA
Les outils d’IA diffèrent fondamentalement des technologies de données précédentes, car ils traitent principalement des volumes massifs de données non structurées. Ces outils utilisent des modèles génératifs non déterministes, ce qui signifie que leurs résultats peuvent varier avec la même entrée, remettant en cause les paradigmes traditionnels de test et d’évaluation. Le besoin de nouveaux cadres pour tester, évaluer et contrôler les systèmes d’IA est évident, car ces modèles s’adaptent et apprennent d’une manière que les modèles structurés et déterministes ne peuvent pas faire. Par exemple, les modèles d’IA générative tels que le GPT-3 ont fait preuve d’une polyvalence remarquable, mais aussi d’une imprévisibilité qui nécessite une gouvernance globale et des cadres de contrôle éthique pour gérer leur utilisation dans les applications commerciales.
Domaines à explorer
L’expansion de la pile d’IA ouvre de nombreuses voies à l’innovation et à l’optimisation, en particulier dans les environnements commerciaux complexes. Un domaine notable est l’orchestration d’agents, qui implique que plusieurs modèles d’IA communiquent et coopèrent pour accomplir des tâches. Dans des secteurs tels que la logistique et la gestion de la chaîne d’approvisionnement, l’orchestration d’agents permet d’optimiser les itinéraires et les horaires en temps réel, en s’adaptant aux conditions changeantes sans intervention humaine.
Les modèles conçus pour des industries spécifiques constituent un autre domaine de croissance. Ces modèles sont adaptés aux besoins spécifiques du secteur et offrent des prévisions et des informations plus précises que les modèles généraux. Par exemple, dans le domaine des soins de santé, l’IA peut prédire les risques et les résultats pour les patients sur la base de données personnalisées, ce qui peut permettre d’améliorer les soins et de réduire les coûts. Les services financiers utilisent des modèles similaires pour évaluer le risque de crédit ou détecter les transactions frauduleuses avec une plus grande précision.
Les outils de flux de travail permettant d’affiner les ensembles de données avec des données privées pour créer des modèles personnalisés apparaissent également comme une opportunité clé. Ces outils permettent aux entreprises d’utiliser au mieux leurs données propriétaires pour affiner les modèles d’IA sans exposer d’informations sensibles. Ces capacités sont essentielles pour préserver la confidentialité et la conformité, en particulier dans le cadre de réglementations telles que le GDPR.
Construire plus intelligemment dans l’IA
Tirer les leçons du passé
Les entreprises d’aujourd’hui doivent se souvenir des leçons tirées des excès précédents en matière d’outils de données, alors qu’elles passent à l’ère de l’IA. Par le passé, de nombreuses organisations se sont empressées d’adopter de nouvelles technologies sans avoir une idée précise de leurs avantages potentiels, ce qui a entraîné un gaspillage de ressources et des résultats décevants. Pendant le boom du big data, les entreprises ont accumulé de grandes quantités de données mais n’avaient souvent pas la capacité ou la stratégie pour en extraire des informations significatives, mettant en évidence le fossé entre la collecte de données et la création de valeur.
Tirant les leçons de ces expériences, les entreprises doivent aborder l’IA avec un état d’esprit stratégique, en se concentrant sur les applications qui contribuent directement à leurs objectifs stratégiques. Elles doivent investir dans l’IA non seulement comme une mise à niveau technologique, mais aussi comme un élément d’une stratégie commerciale globale qui inclut la formation, la gouvernance et les considérations éthiques.
Une stratégie axée sur la création de valeur
Les entreprises apprennent aujourd’hui qu’elles doivent développer une compréhension claire de la valeur spécifique que les données et les outils d’IA apportent à leurs opérations. Les dirigeants constatent qu’une approche ciblée sur des outils qui démontrent clairement le retour sur investissement (ROI) permet une meilleure affectation des ressources et des résultats plus probants.
Un outil d’IA qui réduit le taux d’attrition des clients en prédisant avec précision les clients à risque peut offrir une voie claire vers l’augmentation des revenus et l’amélioration de la satisfaction des clients. De même, les outils de chaîne d’approvisionnement pilotés par l’IA qui réduisent les délais et les coûts de livraison peuvent directement augmenter la rentabilité. Les entreprises sont donc encouragées à quantifier les avantages attendus des initiatives d’IA en termes d’efficacité opérationnelle, de réduction des coûts et de génération de revenus avant de procéder à des investissements significatifs.
Conseils aux fondateurs et aux investisseurs
Les fondateurs doivent aujourd’hui relever le défi de différencier leurs offres sur un marché encombré. Avant de lancer de nouveaux outils, ils doivent déterminer s’ils disposent d’une perspective ou d’une capacité unique permettant de combler une lacune sur le marché actuel. La prolifération d’outils « me too » – des produits qui n’offrent pas d’avantages distincts par rapport aux solutions existantes – peut diluer la valeur de la marque et entraîner une confusion sur le marché.
Les fondateurs doivent se demander s’ils constituent la bonne équipe pour s’attaquer au problème qu’ils ont identifié et si leur solution offre une amélioration notable par rapport aux outils existants. Si l’évaluation du fondateur n’aboutit pas à un « oui » confiant, il doit reconsidérer sa stratégie. Développer un outil uniquement parce qu’il semble rentable ou parce que du capital-risque est disponible peut conduire à des produits qui ne répondent pas aux besoins du marché.
Investisseurs doivent travailler dans un environnement complexe où tous les investissements dans la pile de données et d’outils d’IA ne sont pas forcément rentables. Ils devraient aller au-delà des mesures superficielles telles que le pedigree du fondateur et analyser plutôt où la valeur s’accumule dans la pile d’outils.
Ils doivent rechercher des entreprises qui répondent à des besoins non satisfaits ou qui peuvent s’intégrer à des systèmes existants pour apporter une valeur ajoutée évidente. Avant d’investir, ils doivent évaluer la concurrence, l’exhaustivité technologique de la solution et la capacité de l’équipe à mettre en œuvre leur vision. Un investissement dans une entreprise qui offre une amélioration nuancée et nécessaire dans le traitement des données ou l’application de l’IA a plus de chances de réussir qu’un investissement dans une entreprise dont la proposition de valeur n’est pas claire ou redondante.
Points finaux
L’évolution des données et des outils d’IA au cours de la dernière décennie a influencé la manière dont les entreprises abordent, traitent et tirent parti des données. Avec l’expansion du cloud et la prolifération des outils de données, les entreprises ont navigué de l’ère du big data à une ère où la pile de données moderne et les solutions axées sur l’IA dominent.
Malgré les défis que représentent l’intégration, la complexité et l’inefficacité des coûts, les opportunités abondent dans la nouvelle pile d’IA, en particulier dans l’orchestration d’agents, les modèles spécifiques à l’industrie et les outils de flux de travail pour l’affinage des ensembles de données. Alors que les organisations continuent à construire une IA plus intelligente, elles doivent tirer les leçons des excès passés en matière d’outillage et se concentrer sur la génération de valeur stratégique.
Les fondateurs et les investisseurs doivent évaluer le marché de manière critique et éviter les outils redondants, tandis que les entreprises doivent établir des cadres pour quantifier la valeur précise de leurs initiatives en matière de données. Ce faisant, ils peuvent s’assurer que leur investissement dans les données et l’IA soutient et stimule leurs objectifs commerciaux stratégiques.
