L’IA d’entreprise dans la région EMEA se heurte à un problème de systèmes

L’ambition en IA se heurte à la réalité des entreprises

Le dernier message d’IDC aux DSI en Europe, au Moyen-Orient et en Afrique est sans détour : si les déploiements d’IA sont au point mort, la solution commence par un audit agressif des systèmes existants. Ce cadrage déplace l’attention du battage autour des modèles vers une question opérationnelle plus difficile : les piles technologiques des entreprises sont-elles réellement prêtes à soutenir une utilisation durable de l’IA ?

L’argument central du rapport, tel que résumé dans les éléments de candidature, est que les déploiements d’IA en Europe ont beaucoup plus progressé au cours des 18 derniers mois que les systèmes sous-jacents de nombreuses organisations. Ce décalage ralentit désormais la mise en œuvre. En pratique, les entreprises peuvent disposer de pilotes, de mandats de la direction et de relations avec des fournisseurs, tout en peinant encore à faire passer les projets à un usage quotidien fiable.

Le goulot d’étranglement ne se limite plus à l’expérimentation

Pour de nombreuses entreprises, la première phase de l’adoption de l’IA consistait à identifier des cas d’usage et à obtenir l’attention des dirigeants. Cette phase récompensait la rapidité et la volonté de tester des outils. La phase suivante est moins indulgente. Dès lors que les organisations veulent une valeur reproductible, les questions de qualité des données, d’intégration, de gouvernance, d’infrastructure et de conception des processus deviennent décisives.

L’accent mis par IDC sur les audits suggère que ces enjeux sont désormais suffisamment importants pour être traités comme des contraintes de premier ordre. Un déploiement à l’arrêt n’est pas nécessairement la preuve que le cas d’usage de l’IA était faible. Cela peut simplement signifier que l’organisation a tenté d’ajouter de nouvelles capacités sur des systèmes fragmentés qui n’avaient jamais été préparés pour cela.

Pourquoi un audit des systèmes est important

Un audit agressif est essentiellement un inventaire de la vérité opérationnelle. Il oblige les dirigeants à examiner où se trouvent les données, leur degré d’accessibilité, quels systèmes sont fragiles, où se situent les contraintes de sécurité et de conformité, et quel niveau d’interopérabilité existe dans l’ensemble de la pile. Pour les projets d’IA, ces questions ne sont pas des détails de mise en œuvre. Elles déterminent si un déploiement peut, ou non, passer à l’échelle.

Cela est particulièrement pertinent dans la région EMEA, où les environnements d’entreprise couvrent souvent des systèmes sur site plus anciens, des exigences réglementaires régionales, des écosystèmes fournisseurs complexes et des niveaux variables de maturité cloud. Dans cet environnement, une application d’IA peut être techniquement impressionnante tout en restant difficile à opérationnaliser si elle dépend de pipelines de données incohérents ou de systèmes difficiles à connecter de manière sûre.

Ce que signifient vraiment les déploiements à l’arrêt

Lorsque l’élan de mise en production faiblit, les organisations blâment souvent le modèle, le fournisseur ou les équipes. Le cadrage d’IDC pointe vers une explication plus fondamentale : de nombreux déploiements révèlent des faiblesses non résolues qui existaient déjà dans l’architecture d’entreprise. L’IA rend simplement ces faiblesses plus difficiles à ignorer.

C’est parce que les systèmes d’IA dépendent de manière inhabituelle d’entrées fiables, d’une gouvernance claire et d’une intégration avec les processus métier. Un transfert défaillant, une mauvaise traçabilité des données ou un modèle d’accès incertain peuvent rapidement dégrader les résultats. Dans des projets logiciels plus classiques, ces problèmes peuvent être gênants. Dans les projets d’IA, ils peuvent miner la confiance dans le résultat lui-même.

Le changement pratique pour les DSI

La recommandation du rapport implique une évolution de ce qu’est un leadership IA réussi. Il ne suffit pas de soutenir des programmes d’innovation ou d’acheter de nouveaux outils. Les DSI doivent décider quelles contraintes héritées bloquent la livraison et quelles parties du patrimoine doivent être modernisées, simplifiées ou retirées pour rendre l’IA utile à grande échelle.

Cela ne signifie pas que chaque organisation doit tout reconstruire. Cela signifie en revanche que les dirigeants ont besoin d’une cartographie plus précise des zones de friction. Certains projets peuvent nécessiter une meilleure ingénierie des données. D’autres peuvent exiger une gouvernance plus stricte ou des frontières système plus nettes. Un audit aide à distinguer les problèmes de préparation des problèmes de stratégie.

Pourquoi c’est une correction utile du récit du marché

La couverture de l’IA d’entreprise se concentre souvent sur les percées en matière de modèles, de puces et d’applications. Cela compte, mais l’argument d’IDC est précieux parce qu’il replace le goulot d’étranglement à l’intérieur même de l’organisation. L’adoption ne dépend pas seulement de ce que les modèles de pointe peuvent faire. Elle dépend aussi de la capacité des entreprises à relier ces capacités à des environnements opérationnels stables, conformes et compréhensibles.

C’est un message moins glamour que l’annonce d’un nouveau modèle, mais c’est souvent celui qui décide si l’IA créera une valeur mesurable. Si les déploiements s’arrêtent, la cause n’est peut-être pas un manque d’ambition. Il se peut plutôt que le socle sous cette ambition n’ait jamais été prêt.

L’implication à court terme

Les gagnants les plus probables de la prochaine phase d’adoption de l’IA d’entreprise seront les organisations qui considèrent la préparation des systèmes comme un enjeu stratégique plutôt que comme une réflexion technique secondaire. La recommandation d’IDC en faveur d’audits agressifs résume directement cette logique. Avant d’étendre l’IA, les entreprises doivent savoir ce que leur infrastructure peut réellement prendre en charge.

Dans la région EMEA, où de nombreuses entreprises jonglent entre contrôle réglementaire, complexité héritée et pression concurrentielle, cela peut faire la différence entre un portefeuille de pilotes et un véritable déploiement opérationnel.

Cet article s’appuie sur un reportage d’AI News. Lire l’article original.