Intelligence Artificielle en France : une mauvaise qualité des données entraîne des pertes de 722 millions de dollars
Par Virginie Brard, Regional Leader France & Benelux de Fivetran
Des modèles d’IA sous performants, formés sur des données inexactes, incomplètes et de faible qualité, ont entraîné des pertes s’élevant à 8 % du chiffre d'affaires annuel global des entreprises françaises, selon une récente étude menée par Vanson Bourne et Fivetran. Cela équivaut à 722 millions de dollars en moyenne, sur la base des répondants d'entreprises ayant un revenu annuel global moyen de 5,6 milliards de dollars.
Cette étude a été menée auprès de 550 répondants au sein d'entreprises dont le chiffre d'affaires annuel mondial est compris entre 25 millions et plus de 50 milliards de dollars américains, aux États-Unis, au Royaume-Uni, en Irlande, en France et en Allemagne. Elle a effectué une analyse des derniers niveaux de maturité, les succès et les défis en matière d’IA.
Elle révèle qu'en dépit d'un grand optimisme et d'une grande confiance dans les technologies reposant sur l'IA, la mauvaise qualité des données dévalorise les initiatives des entreprises, selon 47 % d’entre elles en France.
L'engouement pour l'IA n'a jamais été aussi fort dans les conseils d'administration et les directions générales dans le monde. L’ensemble des personnes interrogées en France reconnaissent que leurs entreprises investiront dans l'IA générative dans les deux prochaines années. Cependant, l'étude montre également que les modèles formés à partir de données inexactes, incomplètes et de mauvaise qualité ont conduit à des décisions commerciales mal informées.
La maturité des données organisationnelles menace les progrès de l'IA
Pour que les modèles d'IA puissent fournir des décisions et des prévisions dignes de confiance, les données utilisées pour les construire doivent être complètes, exactes et à jour.
Elles doivent circuler à travers et entre les systèmes pour vraiment capturer toute l'intelligence nécessaire à la prise de décision fondée sur les données, qui génère de nouvelles idées et donc un avantage concurrentiel.
Néanmoins, plus des trois quarts affirment qu'ils peinent à utiliser pleinement l'IA, en grande partie parce que les données silotées, de faible qualité et périmées entraînent une sous-performance des modèles.
L'impossibilité d'accéder aux bonnes informations est une entrave au bon fonctionnement d’un modèle d'IA. Mais les pertes mesurables qui surviennent lorsqu'il fournit de mauvaises informations sont encore plus alarmantes.
Optimiser l’IA : focus sur la data et l’expertise
Selon 51 % des décideurs seniors, le principal obstacle à la construction de modèles d'IA efficaces est le fait que le personnel compétent sur le sujet se concentre sur d'autres projets. Les entreprises admettent que leurs data scientists passent le plus clair de leur temps à préparer les données, plutôt qu'à construire et affiner des modèles d'IA.
C’est pourquoi 59 % des entreprises françaises prévoient d’investir dans des outils tels que Fivetran, pour renforcer le mouvement, la gouvernance et la sécurité des données. Ainsi, les data scientists auront suffisamment de temps pour utiliser pleinement leurs compétences, au service de la satisfaction au travail et de la fidélisation des talents, nécessaires au soutien des initiatives en matière d'IA.
En se dotant de tels outils, les entreprises construisent un socle de données et de gouvernance solide pour se préparer au mieux à l’IA générative.
L'intégration des données assure un socle solide pour l'IA
Lorsque les pipelines de données fonctionnent au mieux, l’entreprise déplace les données au bon endroit pour répondre à ses nombreux objectifs. Elle a ainsi les clés pour construire des modèles et des applications d'IA de haute qualité.
De nombreuses entreprises sont submergées par le volume de données provenant de sources disparates. En l'absence d'un outil d’intégration de données, celles-ci sont silotées et dispersées sur plusieurs clouds, sites, data stores, etc.
Les entreprises se doivent donc de centraliser de manière transparente et sécurisée les données provenant de tous les systèmes. Pour obtenir des informations issues de l’IA, il faut réduire l'intervention humaine dans la collecte, le traitement et la compréhension des données. Moins les collaborateurs passent de temps à préparer les données, plus ils peuvent en consacrer à la construction de nouveaux modèles, à l'entraînement aux tests et à la mise en œuvre des résultats des expériences.
De fait, les entreprises qui adoptent Fivetran en tant qu'élément de la modern data stack peuvent rapidement débloquer l'accès à des données fiables en quasi temps réel afin d'innover grâce à l'IA.