Claus Jepsen, CTO, Unit4
Selon les interlocuteurs, la « pile de données moderne » serait soit sur le point d’être remplacée, soit déjà dépassée. Certes, le concept de data stack n’est pas nouveau, mais la réalité actuelle est que l’essor des applications propulsées par l’intelligence artificielle, et en particulier de l’IA agentique, redéfinit profondément les exigences qui lui sont imposées. Loin de devenir obsolète, la pile de données moderne reste un enjeu majeur alors que les organisations cherchent à exploiter l’IA pour accélérer la prise de décision.
Les entreprises doivent donc réfléchir avec soin à la structuration de leur data stack afin de permettre à leurs agents IA d’opérer efficacement et de fournir des informations précises et pertinentes dans les meilleurs délais.
Il convient tout d’abord de préciser ce que l’on entend par « data stack ». À sa base, il s’agit (selon IBM) de « l’ensemble intégré d’outils et de technologies basés sur le cloud permettant la collecte, l’ingestion, le stockage, le nettoyage, la transformation, l’analyse et la gouvernance des données. »
L’IA agentique — une manière de structurer et de piloter l’utilisation de l’IA — exige que cette pile de données exécute ces tâches à une vitesse encore supérieure. Elle joue un rôle clé dans la concrétisation de la promesse de l’IA : agir de manière autonome dans un cadre éthique et sécurisé. Pour garantir la performance de la data stack, la qualité des données est essentielle. Au-delà du constat partagé que « des données de mauvaise qualité produisent des résultats médiocres », les organisations reconnaissent de plus en plus la nécessité d’adopter une approche « data-first ». Sans une vision unifiée de l’ensemble des données au sein de leurs environnements applicatifs, elles ne pourront pas exploiter efficacement ces données à l’aide d’outils agentiques.
L’IA agentique accentue la pression sur les pipelines de données
L’IA agentique exerce une pression accrue sur les flux de données en raison du volume considérable de tâches qu’elle exécute, ce qui peut entraîner une complexité supplémentaire dans la data stack. Outre la gestion de données aux formats variés, l’IA peut interroger des données réparties sur différentes plateformes — sur site (on-premise), hybrides ou dans le cloud public. Cela peut engendrer des problèmes de latence et ralentir la prise de décision. Chaque modification ou déplacement de données a un impact sur les performances.
Par ailleurs, comment anticiper l’avenir d’une data stack alors que l’IA évolue à un rythme aussi rapide ? L’interopérabilité et les API ouvertes deviennent indispensables pour intégrer les innovations les plus récentes.
McKinsey souligne que les architectures informatiques doivent devenir « agent-native » pour tirer pleinement parti de l’IA agentique. Cela implique même une réinvention des processus : « …il s’agit de repenser entièrement les flux de tâches depuis leur fondation. Cela inclut la réorganisation des étapes, la redistribution des responsabilités entre humains et agents, ainsi que la conception de processus exploitant pleinement les capacités de l’IA agentique… »
Pour atteindre cet objectif, les organisations doivent disposer d’une infrastructure IT mature en matière de données, car l’IA agentique transformera en profondeur la relation traditionnelle entre l’humain et la machine. Comme le souligne McKinsey : « Dans ce modèle, les systèmes ne sont plus organisés autour d’écrans et de formulaires, mais autour d’interfaces lisibles par les machines, de flux de travail autonomes et de processus décisionnels pilotés par des agents. »
Face à des volumes massifs de données structurées, non structurées et semi-structurées, les entreprises doivent également assurer une gouvernance claire des data lakes au sein de leur data stack. Cela permet de superviser l’expertise contenue dans les données, d’en garantir l’exactitude et d’établir des règles quant à leur provenance. Sans cet engagement, associé à une gouvernance efficace, la valeur des informations peut être compromise.
Traiter la donnée comme un produit
Une approche pertinente consiste à considérer les données comme un produit. Cela implique de se concentrer sur leur finalité et leur valeur pour l’organisation.
Prenons l’exemple de notre activité dans les secteurs public et des services professionnels. Nous avons développé des modèles sectoriels permettant à nos clients de déployer rapidement notre solution ERP. Ces secteurs partagent des processus, des réglementations et des tâches similaires ; nous avons donc conçu des fonctionnalités prêtes à l’emploi que les clients peuvent adapter à leurs besoins spécifiques.
Il s’agit là d’une forme de « productisation » des données et des fonctionnalités : comprendre leur utilité et leur exploitation systématique pour créer de la valeur. De la même manière, toute organisation peut analyser ses données pour déterminer comment les structurer et les valoriser afin d’aider ses collaborateurs à prendre des décisions rapides et éclairées grâce aux outils d’IA agentique.
Par exemple, est-il possible de regrouper les données relatives aux interactions clients à l’échelle de toute l’entreprise ? Ces informations pourraient servir à évaluer la fidélité des clients, leur propension à recommander la marque ou à acheter davantage.
Le contexte, un élément déterminant
Toutefois, la priorité absolue reste la construction du contexte autour des données. Sans cela, l’IA agentique se trouve rapidement limitée.
Cela est particulièrement vrai dans les environnements d’entreprise, où la gouvernance et la réglementation exigent que les agents évoluent dans un cadre fiable et maîtrisé. Ils doivent être formés à comprendre les bonnes pratiques — formats de données standardisés, contrôles de qualité — ainsi que les exigences propres à leur secteur, comme la conformité à des réglementations telles que DORA (Digital Operational Resilience Act) dans les services financiers.
Ils doivent également intégrer les conventions internes de l’entreprise, notamment en matière de nomenclature et de politiques de sécurité.
C’est ici que les métadonnées jouent un rôle essentiel. Les organisations doivent réfléchir avec soin à la manière dont elles contextualisent leurs données. Des applications telles que les ERP contiennent des informations précieuses, enrichies de métadonnées, qui permettent aux systèmes d’IA agentique de prendre de meilleures décisions.
Certains experts évoquent désormais ces applications comme des « systèmes de connaissance », capables d’améliorer la précision et l’efficacité des outils d’IA. Sans cette compréhension, les agents rencontreront des difficultés, car les processus métiers sont fortement structurés : dans ce contexte, une décision est soit correcte, soit erronée. Sans un contexte suffisant, les erreurs deviennent inévitables.
Vers des systèmes pilotés par des agents
Certains analystes estiment qu’un « système d’agents » pourrait profondément transformer le fonctionnement des logiciels d’entreprise, en modifiant la manière dont le travail est réalisé — conformément aux analyses de McKinsey.
Historiquement, les applications de back-office ont souvent été critiquées pour leur manque d’ergonomie. L’IA agentique offre donc une opportunité de repenser l’interaction entre les utilisateurs et les logiciels.
J’ai pour ma part introduit le concept d’« ERP ambiant » : des agents autonomes opérant de manière invisible en arrière-plan, sollicitant les utilisateurs uniquement lorsque cela est nécessaire.
Un changement culturel indispensable
Toutefois, parvenir à ce stade exige un travail considérable, notamment sur la data stack moderne. Chaque organisation doit repenser sa relation à la donnée, développer une culture centrée sur celle-ci et renforcer la maîtrise des données (data literacy).
Sans une compréhension approfondie des données — de leur usage comme de leur protection — les systèmes agentiques peineront à en exploiter pleinement le potentiel.
