Toutes les entreprises auront les mêmes modèles. Qu’est-ce qui les différenciera ?
Depuis deux ans, le débat sur l’intelligence artificielle en entreprise se concentre presque exclusivement sur les modèles, les outils, les plateformes et les cas d’usage. Comme si l’enjeu principal consistait à choisir la bonne technologie, à tester les bons assistants ou à identifier le bon POC.
Je crois que cette focalisation est une erreur de perspective.
À mesure que les modèles se diffusent, ils deviennent accessibles à tous. Bien sûr, ils resteront plus ou moins performants, plus ou moins spécialisés, plus ou moins bien intégrés. Mais ils ne seront pas, à eux seuls, le lieu durable de la différenciation.
Prenons le marketing. Par définition, c’est l’art de cultiver la différence. Pourtant, dans les faits, tout le monde travaille de plus en plus avec les mêmes outils, les mêmes méthodes et les mêmes process. Si l’on n’y injecte pas une matière singulière, le résultat est prévisible : les messages se ressemblent, les prises de parole s’alignent, les contenus deviennent interchangeables. Il suffit de regarder LinkedIn. On y voit défiler des posts parfaitement exécutés, mais souvent convenus, parce qu’ils reposent sur les mêmes recettes. Or quand tout se ressemble, plus rien ne distingue vraiment. Et sans différence, il n’y a pas de valeur durable.
Pourquoi en irait-il autrement avec l’IA ?
Si toutes les entreprises utilisent, directement ou indirectement, les mêmes modèles, les mêmes briques technologiques et les mêmes méthodes d’automatisation, elles produiront elles aussi des réponses de plus en plus homogènes. La différence ne viendra donc pas du modèle lui-même, mais de la matière singulière que l’entreprise est capable d’y injecter.
Cette matière, c’est la donnée. Pas la donnée invoquée de manière abstraite dans les discours d’entreprise. Pas la donnée présentée comme un actif stratégique par simple effet d’annonce. Je parle de la donnée réelle de l’entreprise : ses historiques, ses corpus, ses signaux, sa mémoire métier, ses contextes d’usage, ses arbitrages, ses connaissances tacites, tout ce que les autres n’ont pas.
Les modèles généralisent. La donnée singularise. C’est elle qui permet à une entreprise de produire autre chose qu’une intelligence générique. C’est elle qui relie une capacité technologique commune à une réalité métier propre. C’est elle qui permet qu’un service, une décision, une relation client ou une expérience ne soient pas interchangeables.
Autrement dit, le véritable actif stratégique de l’IA n’est pas le modèle. C’est la donnée que l’entreprise est capable d’y injecter, à condition toutefois qu’elle soit gouvernée, accessible et activable.
C’est là que le sujet de la gouvernance devient central. Une donnée ne devient pas un actif parce qu’on l’affirme. Elle ne le devient pas davantage parce qu’on la stocke, qu’on l’agrège ou qu’on la qualifie partiellement. Elle ne devient un actif que lorsqu’une organisation se donne réellement les moyens de la gouverner : en définir les responsabilités, en garantir la qualité, en encadrer les usages, en assurer la circulation utile, en arbitrer la valorisation.
Si la data est l’asset, où est l’asset manager ?
La question mérite d’être posée sérieusement. Beaucoup d’entreprises affirment aujourd’hui que la donnée est au cœur de leur compétitivité. Très bien. Mais qui en répond réellement ? Qui en garantit l’intégrité ? Qui en organise la disponibilité ? Qui en arbitre les usages légitimes ? Qui veille à ce qu’elle reste exploitable dans le temps ? Qui s’assure qu’elle puisse devenir autre chose qu’un stock d’information dispersé ?
La vérité est que nombre d’organisations abordent l’IA sans avoir réellement gouverné l’actif qui doit en produire la valeur.
Plus surprenant encore : elles abordent souvent ce basculement en contrevenant à leurs propres règles élémentaires de pilotage. En temps normal, une entreprise bien conduite part de ses problèmes métiers, de ses objectifs de transformation, de ses irritants opérationnels et de ses enjeux de performance. Elle clarifie les responsabilités, hiérarchise les priorités, prépare l’industrialisation, construit un cadre de passage à l’échelle. Bref, elle gouverne.
Avec l’IA, beaucoup font l’inverse. Les métiers s’emparent du sujet à travers des POC technocentrés, davantage guidés par la fascination de la nouveauté que par l’analyse rigoureuse des problèmes à résoudre. L’IT, de son côté, au lieu de penser d’abord le socle d’industrialisation nécessaire à la montée en charge future, se retrouve parfois à chercher elle-même des idées de cas d’usage. Et pendant ce temps, les responsabilités se brouillent, les initiatives se dispersent et l’on confond expérimentation et stratégie.
Le problème n’est pas le POC. L’expérimentation est légitime, et même nécessaire, face à une rupture technologique de cette ampleur. Le problème, c’est lorsque le POC devient le masque rassurant de l’absence de doctrine. Lorsqu’il remplace la clarification des priorités, la qualification des besoins, la préparation de l’industrialisation et l’organisation des responsabilités.
Le sujet n’est plus technique et devient un problème de leadership et de gouvernance
Car une entreprise ne devrait pas aborder l’IA comme un objet de fascination technologique, mais comme un programme de transformation. Les métiers devraient exprimer les problèmes et la valeur attendue. L’IT devrait construire les conditions de robustesse, de sécurité et de passage à l’échelle. La fonction data devrait organiser l’actif informationnel. Et la direction devrait fixer le cap, arbitrer, prioriser et assumer une doctrine.
C’est précisément cette articulation qui manque encore trop souvent.
Au fond, l’IA pose aux entreprises une question beaucoup plus ancienne et beaucoup plus exigeante qu’il n’y paraît : qu’est-ce qui, dans leurs actifs et dans leur organisation, est réellement singulier, et qu’ont-elles mis en place pour le rendre exploitable ?
Car l’IA ne crée pas, à elle seule, la différenciation. Elle amplifie ce qu’on lui donne. Si on lui donne des données mal gouvernées, elle amplifie la confusion. Si on lui donne une organisation brouillée, elle amplifie la dispersion. Si on lui donne une matière singulière, bien structurée, bien gouvernée et activable, elle peut au contraire devenir un formidable levier d’innovation.
Les entreprises qui tireront un avantage durable de l’IA ne seront donc pas seulement celles qui auront adopté les meilleurs modèles, ni même celles qui auront lancé le plus d’expérimentations. Ce seront celles qui auront compris que leur avantage compétitif ne repose pas sur la technologie que tout le monde peut acheter, mais sur la singularité informationnelle qu’elles sont capables d’organiser.
En matière d’IA, l’enjeu n’est pas simplement d’accéder à la puissance des modèles. Il est de gouverner ce qui, dans l’entreprise, ne se commoditise pas : sa donnée, sa mémoire, ses arbitrages, sa connaissance métier, sa singularité.
C’est là que commence la vraie innovation.
Toutes les entreprises auront les mêmes modèles/Toutes les entreprises auront les mêmes modèles