En octobre, Bel présentait avec Dassault Systèmes un jumeau numérique de La Vache qui rit, capable à terme de simuler des milliers de recettes avant les essais physiques. Derrière la démonstration technologique, un détail est presque plus intéressant : le projet a nécessité deux ans de développement et un important travail préalable sur les données internes.

Autrement dit, avant de faire fonctionner l’IA, il a fallu remettre de l’ordre dans ce dont elle devait se nourrir.

C’est probablement l’un des sujets les moins spectaculaires de l’IA, mais aussi l’un des plus importants. Les entreprises n’ont jamais autant expérimenté : selon McKinsey, 88 % des organisations déclarent aujourd’hui utiliser l’IA dans au moins une fonction. Pourtant, seulement environ un tiers ont commencé à passer réellement à l’échelle. McKinsey & Company

Cet écart dit quelque chose. Le problème n’est plus seulement d’avoir accès à la technologie. Il est de disposer d’une organisation suffisamment solide pour en tirer quelque chose.

Beaucoup de projets commencent encore par l’outil : quel modèle choisir, quelle plateforme déployer, quel cas d’usage tester ? La question est légitime, mais elle arrive parfois trop tôt. Lorsqu’un processus est instable, que les rôles sont flous, que les décisions ne sont pas prises selon les mêmes règles ou que les données sont difficilement comparables, l’IA ne corrige pas ces faiblesses. Elle travaille avec elles.

Les chiffres sur la donnée sont assez parlants. Gartner indique que 63 % des organisations n’ont pas, ou ne savent pas si elles ont, les pratiques de gestion des données nécessaires pour soutenir leurs ambitions IA. Le cabinet estime également que 60 % des projets IA non soutenus par des données suffisamment préparées seront abandonnés d’ici fin 2026. Gartner

Mais réduire le problème à la seule qualité des données serait encore trop simple.

Prenons un portefeuille de projets R&D. Avant de demander à un modèle quels projets accélérer, ralentir ou arrêter, encore faut-il que l’organisation sache elle-même répondre à ces questions de manière cohérente. Les projets passent-ils par les mêmes étapes ? Sont-ils évalués selon des critères comparables ? Les décisions prises en comité sont-elles tracées ? Sait-on pourquoi certains projets ont été poursuivis et d’autres arrêtés ?

Si chaque équipe fonctionne selon ses propres règles, l’IA n’a pas de discipline commune à apprendre. Elle peut produire des recommandations très précises en apparence, mais construites sur des historiques qui ne sont pas réellement comparables.

C’est là que le sujet dépasse le classique « garbage in, garbage out ». Une donnée parfaitement propre ne résout pas un processus incohérent, une gouvernance qui ne tranche pas ou des responsabilités mal définies.

Avant de demander ce que l’IA peut automatiser, il faut donc vérifier que ce qu’on lui demande d’automatiser fonctionne déjà sans elle.

Les études commencent d’ailleurs à montrer que la valeur vient moins du simple déploiement d’un outil que de la manière dont l’organisation se reconfigure autour de lui. McKinsey observe que, parmi les différents facteurs testés, la refonte des workflows est celui qui est le plus fortement associé à un impact positif sur l’EBIT lié à l’IA générative. Pourtant, seuls 21 % des répondants utilisant la GenAI déclarent avoir fondamentalement repensé au moins certains workflows. McKinsey & Company

C’est probablement là que se joue une grande partie du sujet.

L’ordre des opérations compte : structurer les processus, clarifier les responsabilités, définir les critères de décision, tracer ce qui a été décidé et mesurer les résultats. Ensuite seulement, l’IA peut accélérer, enrichir ou automatiser une partie de ce fonctionnement.

Inverser cet ordre revient à demander à une machine d’apprendre une discipline que l’organisation n’a jamais vraiment construite.

Le cas de Sanofi permet de voir la logique inverse. Son application Plai s’insère dans une activité où les projets de R&D sont déjà structurés autour d’étapes de développement, de décisions de progression et d’historiques comparables. L’intérêt n’est donc pas seulement la puissance technologique de l’outil, mais le fait qu’il puisse s’appuyer sur une mécanique de décision existante.

Et c’est sans doute la vraie leçon pour les organisations qui veulent accélérer sur l’IA. La technologie peut aller très vite. Les fondations, elles, prennent plus de temps à construire : processus, gouvernance, responsabilités, données, critères de décision.

Avant d’investir dans une nouvelle couche d’IA, trois questions méritent donc d’être posées : nos processus sont-ils suffisamment stables pour être automatisés ? Nos décisions reposent-elles sur des règles explicites et comparables ? Nos données racontent-elles réellement comment l’organisation fonctionne et pourquoi elle décide ?

Si la réponse est non, le premier chantier n’est probablement pas technologique.

L’IA peut accélérer énormément une organisation. Mais elle accélère ce qu’on lui donne. Y compris le désordre.

Je trouve cette version meilleure parce que les chiffres ne prennent pas le contrôle de l’article. Ils jouent trois rôles précis : montrer que l’adoption est massive mais le passage à l’échelle limité, montrer que la donnée reste une faiblesse structurelle, et montrer que la valeur est liée à la refonte des workflows. Tout le reste reste centré sur ta conviction Parker : les fondations organisationnelles viennent avant l’automatisation.