Vous êtes plus proche de l’AI Analytics que vous ne le pensez, et plus loin que vous ne l’imaginez

Le sujet désormais incontournable de tous les comités de direction

La question inscrite aujourd’hui à l’ordre du jour de presque tous les comités de direction n’est plus de savoir s’il faut appliquer l’IA aux données de l’entreprise. Ce débat est clos.

Toutes les organisations le veulent, et la plupart formulent déjà leur ambition avec précision : interroger leurs données en langage naturel et obtenir immédiatement une réponse exploitable. Cette ambition porte un nom : l’AI Analytics.

La question porte désormais sur la stratégie à suivre pour y parvenir de manière fiable.

Derrière cette ambition s’en cache une autre, plus déterminante encore : pouvons-nous faire confiance aux réponses produites par ces systèmes, et combien de temps faudra-t-il pour obtenir des résultats sur lesquels il est réellement possible de prendre une décision ?

Deux routes mènent à l’AI Analytics. La première consiste à s’appuyer sur les systèmes qui permettent déjà aux métiers de prendre des décisions : tableaux de bord, rapports, modèles sémantiques et indicateurs qui structurent le quotidien de l’entreprise. La seconde consiste à connecter l’IA directement à la donnée. En pratique, cela suppose de reconstruire progressivement la logique de restitution, le contexte métier, la couche sémantique et les définitions nécessaires à l’interprétation des indicateurs.

Prenez un instant pour réfléchir à votre stratégie AI Analytics. Votre organisation a passé des années à construire des tableaux de bord, des modèles sémantiques et des définitions de KPI. Ce patrimoine contient une somme considérable de savoir institutionnel, inscrite précisément là où la donnée guide la décision : la manière dont un indicateur est calculé, les filtres appliqués à chaque entité ou encore ce que « chiffre d’affaires » signifie réellement dans votre contexte.

Êtes-vous certain de vouloir reconstruire ce qui existe déjà ?

Je ne crois pas à la magie. Je crois à la confiance. Ce point de vue porte sur la route à emprunter, mais surtout sur les raisons pour lesquelles ce choix se joue maintenant.

Un modèle ne vaut que ce que vaut son contexte

Derrière le discours de chaque éditeur se trouve une vérité que beaucoup préfèrent taire : un système d’IA ne crée pas de vérité. Il exploite le contexte qu’on lui donne. Si vos indicateurs sont incohérents, si vos tableaux de bord ne sont fiables qu’à moitié ou si vos transformations ne sont pas maîtrisées, l’IA ne corrigera rien. Elle amplifiera le problème et présentera le résultat avec l’assurance de la certitude.

Le risque n’a jamais été simplement que l’IA se trompe. Le véritable risque, c’est qu’elle se trompe avec conviction, à grande échelle, sans que personne ne s’en aperçoive.

Les chiffres sont là. Selon le rapport State of Data and Analytics de Salesforce, publié en novembre 2025 à partir des réponses de 3 800 décideurs Data, Analytics et IT dans 18 pays, 89 % des responsables Data & Analytics ayant déjà déployé l’IA en production déclarent avoir obtenu des résultats inexacts ou trompeurs.

Près de neuf sur dix. Ce n’est pas l’avertissement d’un sceptique. C’est le retour d’expérience de ceux qui ont déjà mis l’IA en production. Anthropic, qui automatise 95 % de sa propre activité analytique avec ses modèles Claude, l’exprime également sans détour : le problème principal n’est ni le code ni le modèle, mais le contexte et la vérification. Brancher une IA sur un entrepôt de données revient, selon ses équipes, à créer un « faux sentiment de précision » si les réponses ne sont pas correctement contextualisées et contrôlées.

Quand les pionniers de l’IA désignent eux-mêmes la confiance comme l’obstacle central, il est temps d’écouter.

Une constante relie toutes les générations de la BI

L’histoire de la Business Intelligence est rythmée par des vagues successives d’innovation : le reporting, puis les tableaux de bord, ensuite le self-service analytics, et aujourd’hui l’AI Analytics. À chaque étape, certains ont annoncé la disparition de la génération précédente. Cela n’est jamais arrivé. Le self-service n’a pas tué le reporting opérationnel. L’IA ne tuera pas la BI. Ces vagues ne se remplacent pas. Elles s’additionnent. Chacune élargit le cercle des utilisateurs, multiplie les usages et augmente la valeur potentielle des données.

Mais chacune amplifie aussi les risques : davantage de contenus, d’indicateurs, d’utilisateurs, de coûts et d’exposition à la réglementation. L’AI Analytics pousse cette logique encore plus loin. Pour la première fois, les consommateurs de l’analytique ne sont plus seulement humains. Ce sont aussi des systèmes et des agents capables d’interpréter un insight, de le recombiner et, dans certains cas, d’agir à partir de lui. Une constante demeure pourtant inchangée depuis les débuts de la BI : le besoin de confiance. L’IA ne l’efface pas. Elle le rend vital.

Votre couche analytique existante est votre meilleur atout

Le chemin le plus court vers l’AI Analytics ne passe pas nécessairement par la reconstruction. Il commence par la maîtrise de ce que vous possédez déjà. L’alternative est séduisante : connecter l’IA directement à la donnée en s’appuyant sur des plateformes comme Databricks ou Snowflake, ou créer une nouvelle couche sémantique pensée dès l’origine pour l’IA. Cette voie est réelle et elle comptera. Mais reconstruire l’ensemble en amont revient souvent à ignorer l’existant plutôt qu’à le valoriser. Cela engage l’entreprise dans un programme long et coûteux, susceptible de creuser l’écart entre la théorie architecturale et la manière dont les équipes travaillent réellement. Votre comité de direction ne demande pas de l’IA dans trois ans. Il la demande maintenant.

Dans la plupart des organisations, les usages métier reposent déjà massivement sur des tableaux de bord, des rapports, des modèles sémantiques et des indicateurs affinés pendant des années. Or ce sont précisément les environnements sur lesquels l’IA arrive aujourd’hui : Copilot dans Power BI, les agents dans Tableau ou Gemini dans Looker. Vivante, distribuée et proche des utilisateurs métier, cette couche constitue la réalité opérationnelle de l’entreprise. Elle peut alimenter de nouveaux cas d’usage IA parce qu’elle encode déjà une grande partie de ce que les données signifient pour ceux qui les consomment.

Le problème n’a donc jamais résidé uniquement dans la donnée. Il se trouve également dans la manière dont cette donnée est transformée, matérialisée, interprétée et présentée. C’est à cet endroit que se gagne ou se perd la crédibilité d’une initiative d’AI Analytics. Maîtrisez cette couche décisionnelle, et elle devient le point d’entrée le plus rapide et le plus fiable vers l’IA. L’IA adossée à un environnement analytique maîtrisé peut créer rapidement de la valeur, accélérer l’adoption et construire l’infrastructure de confiance dont l’entreprise aura besoin pour aller plus loin. Cela ne signifie pas qu’il faille renoncer aux initiatives d’IA directement connectées à la donnée, comme Cortex ou Genie. Cela signifie qu’en commençant par son patrimoine analytique existant, l’entreprise gagne du temps, limite les risques et construit une trajectoire d’adoption éprouvée pendant que ces fondations plus profondes arrivent à maturité.

Gouvernance des données et gouvernance analytique ne sont pas la même chose

Cette distinction est au cœur du sujet, mais elle reste fréquemment négligée.

Gouverner l’analytique ne consiste pas à ralentir les équipes. Il s’agit de garantir que les contenus sur lesquels l’entreprise fonde ses décisions sont validés, fiables, traçables, surveillés en continu et certifiés. Il s’agit de sécuriser ce que nous appelons le dernier kilomètre du parcours de la donnée : le point précis où une donnée devient un indicateur, un insight, puis une décision.

La gouvernance des données est indispensable, mais elle s’arrête trop tôt. Elle vise notamment à garantir une donnée fiable à la source. Or une donnée fiable ne garantit pas, à elle seule, une décision juste. La première chose que fait un utilisateur dans un rapport ou un tableau de bord, c’est transformer la donnée. Il fusionne des sources, code des filtres en dur, ajoute des calculs, des variables ou des paramètres. Chacune de ces opérations introduit un risque que la gouvernance des données ne maîtrise pas nécessairement. Un jeu de données parfaitement gouverné peut donc produire un chiffre erroné sur l’écran consulté par votre directeur financier.

La fiabilité de la couche décisionnelle reste ainsi le grand angle mort de nombreuses organisations. Le combler est précisément la mission de la gouvernance analytique, qui prolonge la gouvernance des données jusqu’au point de décision.

Pourquoi c’est un avantage décisif

Pour un CDAO ou un responsable Data & Analytics, le choix ne se résume pas à une question d’architecture. Il s’agit d’un arbitrage entre vitesse, risque, adoption et coûts. La reconstruction complète promet une architecture idéale, mais elle exige du temps, des investissements importants et une transformation profonde des usages. Or les attentes existent déjà. Les utilisateurs ne demandent pas une démonstration technologique dans trois ans. Ils veulent des réponses fiables aujourd’hui.

La gouvernance analytique offre une autre trajectoire. Elle travaille avec les usages existants, et non contre eux. Elle valorise les investissements déjà réalisés tout en améliorant progressivement la confiance dans les contenus utilisés au quotidien. Les équipes métier conservent leurs outils. L’entreprise, de son côté, gagne en qualité, en cohérence, en traçabilité et en maîtrise des coûts. La confiance ne repose plus sur des conventions implicites ou sur la connaissance de quelques experts. Elle s’appuie sur des mécanismes observables et reproductibles. C’est ainsi que la gouvernance passe du statut de fonction support à celui de levier stratégique. Elle ne remplace pas la gouvernance des données. Elle la prolonge en fermant l’angle mort qui déterminera si l’AI Analytics sera digne de confiance en production ou seulement impressionnante en démonstration.

L’argument est aussi économique. Chaque question posée en langage naturel à une infrastructure cloud peut déclencher de nouvelles requêtes et de nouveaux calculs. À mesure que l’adoption progresse, les coûts augmentent mécaniquement avec le volume d’interactions. Une couche analytique maîtrisée peut jouer un rôle de tampon grâce à des contenus validés, réutilisables et maintenus dans le temps. Elle évite de reconstruire et de recalculer la même logique à chaque nouvelle question. Gouverner l’existant n’est donc pas seulement l’un des chemins les plus rapides et les plus sûrs vers l’AI Analytics. C’est aussi l’un des plus économiquement soutenables.

Ce n’est pas une idée abstraite. À la Tableau Conference 2026, Jeff Quinn, Sr Manager R&D Business Technology chez Pfizer, a résumé ce que peut produire un partenariat fondé sur la gouvernance :

La gouvernance des données constitue le premier niveau. Elle vise à garantir que les données sont accessibles, documentées, sécurisées et fiables à la source. Largement engagée dans les grandes organisations, elle forme une fondation indispensable. Mais elle ne constitue pas un aboutissement. Le deuxième niveau est celui de la gouvernance analytique. Il permet de contrôler ce qui entre en production avant d’atteindre les utilisateurs, puis de surveiller en continu les rapports, modèles, indicateurs et autres contenus déjà déployés. Le troisième niveau consiste à gouverner l’AI Analytics elle-même. Il s’agit alors de déterminer si les réponses générées par une IA ou un agent à partir de l’analytique de l’entreprise sont fiables, explicables, traçables et suffisamment sûres pour guider une décision ou déclencher une action. Ces niveaux sont séquentiels. Une organisation ne peut pas gouverner durablement les réponses d’une IA si elle ne maîtrise pas d’abord les contenus analytiques sur lesquels cette IA s’appuie.

La question n’est pas seulement de savoir quels outils vous avez déployés. Elle est de déterminer quel niveau de confiance votre organisation est réellement capable de garantir. Vos données sont-elles gouvernées à la source ? Les rapports, modèles sémantiques et indicateurs qui alimentent les décisions sont-ils validés avant leur mise en production, puis surveillés en continu ? Les réponses produites par vos systèmes d’IA sont-elles explicables et traçables ? Pouvez-vous identifier les contenus et les règles sur lesquels elles reposent ? Pouvez-vous contrôler ce qu’un agent est autorisé à faire à partir de ces réponses ? Franchir les deux premiers niveaux, gouvernance des données et gouvernance analytique, ne vous donne pas encore la gouvernance de l’AI Analytics. Cela vous donne les fondations qu’elle exige.

L’étape finale consiste à gouverner la couche IA elle-même afin de déterminer si les réponses produites sont suffisamment fiables, traçables et sûres pour guider une action. La plupart des organisations savent approximativement où elles se situent. La question plus difficile est de savoir si elles considèrent leur niveau actuel comme une destination ou comme un point de départ.

La décision

Nous entrons dans une époque où chacun, dans l’entreprise, peut devenir analyste. C’est une promesse remarquable. Mais sans gouvernance analytique, l’IA ne démocratise pas l’analytique. Elle démocratise l’approximation, à une vitesse et à une échelle jamais atteintes.

Les organisations qui réussiront ne seront pas nécessairement celles qui auront construit la stack la plus sophistiquée. Ce seront celles qui auront rendu leur analytique suffisamment fiable et gouvernée pour être réutilisée en confiance par les consommateurs de données comme par les agents.

La vraie rareté n’est plus l’accès à la donnée. C’est la confiance dans la décision.

La gouvernance cesse donc d’être une fonction support. Elle devient un avantage stratégique. Et à l’ère des agents, elle ne peut plus se contenter d’observer. Elle doit être capable d’alerter, de recommander et, lorsque l’entreprise l’autorise, d’agir.

L’AI Analytics ne suivra pas une trajectoire unique. Certaines organisations partiront de leur couche analytique existante. D’autres investiront directement dans des architectures centrées sur la donnée. Les deux approches coexisteront et finiront probablement par se rejoindre. Pour la majorité des entreprises, la question n’est cependant pas de choisir définitivement entre ces deux routes. Elle est de savoir laquelle emprunter en premier pour créer de la valeur dès aujourd’hui, sans compromettre la confiance nécessaire pour demain. Notre réponse est claire : la couche analytique existante constitue le point de départ le plus rapide, le plus sûr et le plus économique. La voie de l’IA directement connectée à la donnée est réelle et elle comptera. Nous innovons pour être au rendez-vous lorsque ces deux routes convergeront.

La vraie question pour votre organisation n’est pas de savoir si vous adopterez l’AI Analytics. C’est de savoir si vous la gouvernerez avant ou après le premier incident.