L’IA ne se contente plus d’optimiser les usages data, elle redéfinit en profondeur la manière dont les entreprises structurent, gouvernent et exploitent leurs données. S’appuyant sur les derniers enseignements du marché, Martial Coiffe, vice-président pour l’Europe continentale chez dbt Labs, analyse les transformations en cours, mais aussi les fragilités révélées par cette accélération.
L’IA est à l’origine de la plus grande évolution des stratégies de données en entreprise depuis l’avènement du cloud computing. Elle redéfinit le fonctionnement des équipes data, les investissements des entreprises et la création de valeur. Les conclusions du rapport intitulé ”2025 State of Analytics Engineering “ illustrent concrètement ces transformations, qu’il s’agisse de l’augmentation des budgets, du renforcement des équipes data ou de la transformation des flux de travail quotidiens grâce aux outils d’IA.
Malgré cet élan, l’IA révèle des lacunes critiques dans la gestion et la gouvernance des données en entreprise. En effet, sous la pression des délais, certains analystes contournent les processus de gouvernance en utilisant des outils IA non homologués. Selon l’étude “The Analysts’ Revolution: Unlocking Tomorrow’s AI Initiatives”, 90 % des analystes estiment que leur organisation a besoin d’outils plus performants et 32 % reconnaissent mettre en place des solutions de substitution pour passer outre les processus de gouvernance. Il est donc crucial pour les organisations d’agir dès maintenant afin de pérenniser leurs activités, sous peine d’être distancées, voire pire, d’utiliser leurs données de manière inappropriée et d’en subir les conséquences.
L’IA un catalyseur de performance pour les équipes data
2025 marque un changement d’échelle dans l’usage de l’IA : 80 % des analystes utilisent désormais des outils d’IA dans leurs processus de travail, contre seulement 30 % il y a un an. Les cas d’utilisation sont variés, allant du développement de code (70 %) à la documentation (50 %), ce qui témoigne d’une transformation profonde des méthodes de travail.
L’investissement dans l’IA figure parmi les priorités budgétaires de tous les secteurs et pour l’accompagner, la taille des équipes data augmente au lieu de diminuer. Au cours de l’année 2025, 40% des organisations ont renforcé leurs effectifs. Au lieu de remplacer les talents, l’IA décuple les compétences des data analysts. En définitive, l’IA aide les équipes data à livrer plus vite, tout en maintenant le niveau de qualité attendu. Néanmoins, la supervision humaine est plus importante que jamais. L’IA évolue rapidement, mais sans vérifications, elle peut être source d’erreurs. Pour l’utiliser de manière sûre et efficace, de plus en plus d’organisations se tournent vers les couches sémantiques et des outils d’IA dédiés à l’analyse de données, afin de mieux structurer et contextualiser les données. Ces éléments sont désormais indispensables pour garantir des analyses fiables, précises et évolutives.
La mauvaise qualité des données, le talon d’Achille de l’IA
La qualité des données demeure le principal défi auquel sont confrontées les équipes data, comme le soulignent 56 % des participants à l’étude. Il ne s’agit pas seulement d’un problème technique, mais d’un risque stratégique. Dans un environnement où l’IA est omniprésente, des données de mauvaise qualité entraînent des modèles erronés, des décisions inappropriées et une perte de confiance dans les résultats analytiques. Et les erreurs ne restent pas isolées. Un seul jeu de données erroné peut rapidement se propager, fausser les tableaux de bord et induire les parties prenantes en erreur. Le problème se renforce, lorsque les systèmes d’IA sont entraînés sur ces données, ces défauts s’intègrent et s’amplifient. Il est essentiel que les organisations comprennent que l’IA n’améliore pas les données de mauvaise qualité. Elle rend leur détection plus complexe et leur correction plus coûteuse.
Construire une stratégie data durable à l’ère de l’IA
Pour prospérer dans un avenir dominé par l’IA, les organisations doivent aller au-delà des solutions à court terme et définir proactivement leur stratégie de données. La priorité consiste d’abord à orienter les investissements vers des usages de l’IA avec une valeur tangible. Les premiers résultats se trouvent souvent dans l’automatisation de tâches à faible risque et à fort rendement, comme la documentation, les suggestions de code ou le débogage des pipelines.
Dans un second temps, l’avenir des opérations data repose sur une collaboration étroite entre l’IA et l’expertise humaine, afin de gagner en efficacité sans compromettre la qualité. La fiabilité des données s’impose aussi comme une exigence non négociable, car leur exactitude est un impératif business. Cela implique des processus et des outils capables de garantir la cohérence des données à mesure que les volumes et la complexité augmentent.
Enfin, maximiser l’impact de la data passe par la fin des silos. La partie transformation ne concerne plus uniquement les ingénieurs. Les analystes et responsables data doivent y contribuer désormais directement, mais restent trop souvent bloqués par l’attente des équipes d’ingénieurs ou contraints de travailler avec des données incomplètes ou désorganisées. Pour rester compétitif, il est essentiel d’investir dans des plateformes qui facilitent l’accès à ces technologies, encouragent la collaboration entre les différents rôles et rendent les données fiables et de haute qualité accessibles à tous et pas seulement aux utilisateurs les plus techniques.
