L'IA est en train de dépasser la phase d'expérimentation.
Dans tous les secteurs, les entreprises investissent de manière significative dans l'IA pour améliorer la productivité, accélérer la prise de décision et identifier de nouvelles opportunités de croissance. Pourtant, de nombreux dirigeants cherchent encore une approche claire pour passer des projets pilotes à des résultats métier mesurables.
Alors que neuf entreprises sur dix (88 %) expérimentent l'IA, elles ne sont que 19 % à en retirer des bénéfices concrets, selon le rapport The State of Organizations 2026 de McKinsey. L'enjeu réside désormais dans la capacité à déployer et à généraliser l'IA de manière fiable et encadrée, avec une création de valeur tangible.
Ce défi a été au cœur de nombreuses discussions lors du dernier Alteryx on Tour à Londres, où clients, partenaires et leaders du secteur ont partagé leurs points de vue sur les conditions nécessaires pour transformer les promesses de l'IA en une technologie prête pour la production. Trois grands thèmes sont ressortis.
1. Le défi déterminant : la confiance
L'IA offre un potentiel considérable, mais elle comporte aussi des risques si elle est déployée sans la gouvernance et les contrôles appropriés.
À mesure que l'IA s'intègre dans les processus critiques des entreprises, la confiance devient, à juste titre, le principal enjeu. Les dirigeants doivent avoir l'assurance que les résultats générés par l'IA peuvent être compris, validés et régis avant d'être utilisés pour appuyer des décisions importantes, et ce, à grande échelle.
Lors de sa keynote, Andy MacMillan, CEO d'Alteryx, a présenté un scénario simple qui a mis en lumière le principal inconvénient de l'IA : sa nature probabiliste. Ayant reçu un conseil financier erroné d'un grand modèle de langage (LLM), il a demandé à un autre LLM d'expliquer pourquoi la réponse était incorrecte.
Et quelle a été sa réponse ? « Eh bien, les LLM se trompent souvent. »
Si l'on ne peut pas faire confiance à l'IA, alors on ne peut pas la déployer en production.
C'est là que le cadre VURA (Visible, Understandable, Repeatable, Auditable) entre en jeu : l'IA doit être visible, compréhensible, reproductible et auditable. Les entreprises ont ainsi l'assurance que chaque insight est transparent, explicable et fondé sur une logique métier fiable.
C'est d'autant plus vrai que les entreprises commencent à adopter l'IA agentique. Contrairement aux chatbots traditionnels qui répondent à des questions basiques, les agents IA sont conçus pour analyser les informations, agir et prendre des décisions de manière autonome. Sans confiance, gouvernance et transparence, ce potentiel se transforme rapidement en risque.
Cette préoccupation est largement partagée. Seuls 3 % des analystes se disent à l'aise avec une IA entièrement autonome, ce qui montre à quel point la confiance, la transparence et la gouvernance sont devenues importantes alors que les entreprises cherchent à déployer l'IA à grande échelle.
Bien entendu, cela ne veut pas dire qu'il faudrait renoncer à l'IA ou aux grands modèles de langage. Il ne s'agit pas de remplacer par l'IA des workflows fiables qui alimentent déjà des tableaux de bord riches en insights, des rapports stratégiques et des automatisations d'entreprise. La véritable opportunité, c'est d'étendre ces workflows à l'IA.
Les workflows analytiques et la logique métier existants deviennent alors le socle de l'IA, avec des workflows qui ne sont plus des actifs statiques, mais des actifs interactifs. Les utilisateurs métier peuvent interagir avec eux en langage naturel, tandis que l'IA s'appuie sur la logique métier plutôt que de générer des réponses isolément. Cela permet d'accélérer la prise de décision tout en garantissant la transparence ou la traçabilité.
2. À l'ère des LLM, l'expertise métier est importante
Les entreprises ont investi pendant des années dans des plateformes de données cloud modernes, des workflows analytiques et des modèles de gouvernance. L'étape suivante ne consiste pas à remplacer ces investissements par l'IA, mais à connecter l'IA à des données fiables, à la logique métier et à l'expertise qui guident déjà les décisions.
C'est important, car l'IA ne peut pas automatiquement déterminer les contrôles financiers, les politiques opérationnelles ou les exigences réglementaires d'une entreprise. Pour être déployée à l'échelle, l'IA doit s'appuyer sur une expertise métier intégrée à sa conception, sa gouvernance et ses usages.
Ce message a résonné tout au long d'Alteryx on Tour.
Lors de la session UBS, la banque a souligné l'importance de « régir le système, pas l'utilisateur ». L'objectif n'est pas de restreindre l'usage de l'IA et de l'analytique dans les équipes métier, mais de leur offrir une base sécurisée et encadrée leur permettant de contribuer de manière fiable et efficace.
Cela implique de permettre à un large éventail de profils, des concepteurs occasionnels aux utilisateurs métier et praticiens avancés, d'exploiter l'analytique là où ils comprennent le contexte, tandis que l'IT gère les contrôles, les normes et les garde-fous nécessaires pour une montée en puissance sereine.
Les entreprises qui réussissent à déployer l'IA à grande échelle ne choisissent pas entre les métiers et l'IT : elles réunissent les deux pour combiner des données fiables, l'expertise métier et la gouvernance afin de produire de meilleurs résultats.
Lancez-vous : téléchargez dès aujourd'hui nos Kits de démarrage prêts pour l'IA
3. Résoudre des problématiques métier, pas techniques
Alors que l'IA continue de faire la une, les exemples les plus convaincants sont ceux qui répondent à des problématiques concrètes.
Un exemple marquant nous vient de la Marine Conservation Society. Avec une petite équipe data et analytique, l'association caritative a mis au point un modèle basé sur l'IA pour mesurer l'impact des politiques publiques sur les déchets littoraux, contribuant ainsi à une démarche environnementale fondée sur des données probantes.
L'équipe utilise l'analytique et l'IA pour transformer des résultats complexes en rapports en langage clair, puis diffuse ces insights via un agent IA conversationnel. Cela permet aux personnes concernées de poser des questions complémentaires en langage naturel, élargissant ainsi l'accès aux insights sans solliciter davantage l'équipe analytique.
Ce principe s'est confirmé tout au long de l'événement. Plutôt que de poursuivre l'automatisation et l'IA pour elles-mêmes, les entreprises intègrent ces technologies dans leurs workflows métier.
À titre d'exemple, UK Greetings a entièrement automatisé son reporting BI et déploie désormais des cas d'usage analytiques sur toute sa chaîne d'approvisionnement, de la réduction des déchets à l'optimisation des opportunités de vente.
Marex a expliqué comment Alteryx One lui permet de piloter une automatisation continue, tandis que Zenith a montré comment l'automatisation transforme ses opérations financières à grande échelle.
Les entreprises ne partent pas de l'IA et ne commencent pas par identifier un cas d'usage. Elles partent d'une problématique métier et s'appuient sur l'analytique, l'automatisation et l'IA pour la résoudre plus rapidement et plus efficacement.
Et ensuite ?
Les discussions autour de l'IA et des agents évoluent rapidement.
Les entreprises ne se contentent plus d'expérimenter. Elles se posent une question plus stratégique : comment déployer à l'échelle de manière responsable ?
La solution consiste à établir des bases solides, à intégrer l'expertise métier et à donner aux équipes opérationnelles les moyens d'innover en toute confiance.
Alors que l'IA continue d'évoluer à un rythme soutenu, les entreprises qui créeront le plus de valeur ne seront pas nécessairement celles qui l'adopteront le plus rapidement, mais celles qui donneront la priorité à la confiance, en combinant données, expertise métier et IA pour produire des résultats business significatifs.