Les applications d'IA s'appuient sur des données. Pas sur les données que vous imaginez posséder, mais sur les données telles qu'elles sont effectivement stockées, définies et entretenues. La gestion des données est donc l'une des dimensions fondamentales au sein de la mesure de maturité : avec l'organisation et l'infrastructure informatique, elle détermine s'il existe une base sur laquelle construire. Une organisation peut obtenir un bon score sur les personnes et les compétences ou sur la gestion de la performance, et pourtant constater que chaque application d'IA se bloque parce que personne ne peut affirmer avec certitude quelle version d'un fichier clients est la bonne. Cet ordre n'est pas un choix de notre part ; c'est l'ordre dans lequel cela fonctionne.
La gestion des données porte sur l'état des données qu'une organisation utilise pour travailler et décider. Les définitions sont-elles fixées, ou « client actif » signifie-t-il quelque chose de différent dans chaque service. Existe-t-il un propriétaire désigné par ensemble de données, ou personne ne sait qui est responsable lorsqu'un champ est erroné depuis des années. Les données sont-elles enregistrées une seule fois et récupérées partout à partir de cette source, ou existe-t-il trois exports qui, entre-temps, divergent les uns des autres. Les questions de la mesure ne portent pas sur la quantité de données ou le type de système, mais sur la fiabilité et la provenance de ce qui existe.
Les cinq niveaux vont de baseline à intelligence, et pour la gestion des données, la différence entre ces niveaux est souvent plus concrète à percevoir que pour d'autres dimensions. Au niveau baseline, les données existent surtout localement : dans des feuilles de calcul, dans la tête d'un collègue, dans un système que plus personne ne maîtrise entièrement. Au niveau foundation, les principaux ensembles de données sont identifiés et un début de responsabilité existe, même si les définitions varient encore. Ce que ce niveau foundation signifie en pratique, y compris pour d'autres dimensions, est décrit sur ce que signifie le niveau foundation en pratique, et il en va de même pour le point de départ lui-même sur ce que signifie le niveau baseline en pratique. Au niveau activation, les définitions sont largement partagées et il existe un processus pour signaler les écarts. Au niveau insight, les données sont activement utilisées pour étayer les décisions, avec une visibilité sur la qualité et la provenance. Au niveau intelligence, la gestion des données n'est plus un chantier séparé mais une caractéristique permanente du fonctionnement de l'organisation.
Le tour de positionnement révèle si cette estimation est correcte. Lorsque le CIO place la gestion des données au niveau activation et que les équipes qui y travaillent quotidiennement la placent au niveau baseline, cet écart en dit plus sur la situation réelle que la moyenne des deux scores. Il s'avère souvent que les systèmes sont configurés à un niveau supérieur au comportement qui s'y déploie : il existe un système central, mais les gens travaillent encore à côté dans leurs propres fichiers parce qu'ils ne font pas confiance au système.
Ce que coûte le passage de baseline à foundation dépend du degré de fragmentation actuel des données et du nombre de services qui appliquent leur propre version de la vérité. Le travail consiste alors surtout à désigner la responsabilité et à fixer les définitions, pas à introduire une nouvelle technologie. Passer de foundation à activation exige plus souvent une étape technique : désigner une source unique, supprimer les autres ou les rendre accessibles en lecture seule uniquement. Passer d'activation à insight déplace le poids vers la gouvernance : qui peut modifier quoi, comment la qualité est-elle contrôlée, que se passe-t-il lorsqu'une erreur est détectée. La durée et l'ampleur de ce parcours dépendent de la taille de l'organisation, du nombre de systèmes qui conservent des données et du degré auquel les personnes sont déjà habituées à considérer une source unique comme la référence. Cela ne peut pas être exprimé par un montant fixe ou une durée fixe ; cela dépend de l'endroit où se concentre l'écart dans votre tour de positionnement.
La gestion des données est rarement isolée. Une organisation qui ne fait pas confiance à ses données aura également des difficultés avec combien coûte de faire progresser la confidentialité et la sécurité d'un niveau, car on ne peut pas sécuriser ce qu'on n'a pas cartographié. À l'inverse, une gestion des données solide peut poser un fondement sur lequel combien coûte de faire progresser la gestion de la performance d'un niveau devient plus facile à répondre, car la gestion de la performance a besoin de données fiables pour pouvoir mesurer quelque chose. La question combien coûte de faire progresser l'éthique d'un niveau touche également directement la gestion des données : traiter les données de manière responsable commence par savoir ce que l'on possède et d'où cela provient. Qui traite ces dimensions séparément court le risque que le travail sur l'une soit freiné par un retard dans une autre.
Cette mesure montre si l'organisation dispose des données, des systèmes et des personnes nécessaires pour porter l'IA. C'est une question différente de celle de savoir quelle part du travail l'IA peut effectivement reprendre. Une fois qu'il est clair où se situent les dimensions fondamentales, y compris la gestion des données, il devient pertinent d'examiner tâche par tâche ce que l'IA peut faire et ce qu'elle ne peut pas faire. C'est le domaine du scan de travail de FTE TO AI : celui-ci calcule, tâche par tâche, quelle part du travail peut être reprise, en partant des données et systèmes qui existent réellement à ce moment-là.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.