La plupart des organisations ont hâte de mettre des agents IA au travail. Beaucoup moins savent clairement si leurs données peuvent en soutenir un.
Cet écart compte plus qu’il n’y paraît. Les doublons, les champs incohérents et les autorisations mal encadrées n’empêchent pas une personne de faire son travail. Les gens remarquent les anomalies et les contournent. Un agent IA, non. Il agit sur tout ce qu’il trouve. Une base fragile se traduit donc par de mauvaises réponses, des actions manquées et des projets pilotes qui brillent en démo, puis s’enlisent en production.
La bonne nouvelle, c’est que ces fondations peuvent être cernées. Dix éléments déterminent généralement si une organisation est prête, et la plupart n’ont rien à voir avec l’IA elle-même.
Les dix points de contrôle
Les fondations de données
| Point de contrôle | Ce qu’il faut viser |
|---|---|
| Qualité des données | Les dossiers clients sont fiables, et les données sont surveillées et nettoyées à intervalles réguliers |
| Intégration des systèmes | Le CRM, l’ERP, le soutien et le marketing partagent leurs données automatiquement, sans ressaisie |
| Pipeline de données | Un outil d’entreprise (ETL ou similaire) déplace et relie les données, plutôt que des scripts ponctuels |
| Plateforme de données | Un lac de données, un entrepôt de données ou une solution infonuagique similaire sert de point d’ancrage gouverné pour vos données |
Les deux premiers, la qualité des données et l’intégration des systèmes, sont ceux auxquels la plupart des gens pensent. Les deux suivants sont plus souvent négligés. Un pipeline et une plateforme centrale et gouvernée empêchent les deux premiers de régresser. Sans eux, des données propres ne le restent généralement que très brièvement.
Règles et garde-fous
| Point de contrôle | Ce qu’il faut viser |
|---|---|
| Gouvernance des données | Des règles claires sur qui peut consulter et utiliser les données, avec des responsables désignés et des audits réguliers |
| Politique d’utilisation de l’IA | Une politique définie sur la façon dont l’IA peut être utilisée dans l’ensemble de l’organisation |
Un agent hérite des accès de l’utilisateur ou du processus sous lequel il s’exécute. Si les autorisations se sont multipliées au fil des ans, l’agent hérite aussi de cette prolifération. Une politique écrite d’utilisation de l’IA constitue l’autre moitié de l’équation. Elle établit ce qui est permis avant que quelqu’un ait à poser la question en plein projet.
Personnes et plans
| Point de contrôle | Ce qu’il faut viser |
|---|---|
| Préparation des équipes | Une solide littératie des données dans toute l’organisation, avec de la formation continue |
| Clarté des cas d’utilisation | Une feuille de route priorisée, liée à des résultats concrets |
| Alignement de la direction | Un parrainage de la haute direction, avec une IA arrimée à la stratégie d’affaires et un budget alloué |
Une technologie que personne n’est prêt à utiliser et qui ne vise aucun problème précis ne va pas loin, même si elle est financée. Des trois, la clarté des cas d’utilisation est celle qui permet d’économiser le plus. Une courte liste de cas d’utilisation bien définis l’emporte à tout coup sur une longue liste d’idées.
La preuve que ça fonctionne
| Point de contrôle | Ce qu’il faut viser |
|---|---|
| Déploiement d’agents | Un agent IA est déjà en service pour un usage externe, par exemple auprès de clients ou de partenaires |
Celui-ci se distingue des autres. Ce n’est pas un préalable, et bon nombre d’organisations prêtes ne l’ont pas encore fait. C’est toutefois un bon signe que le reste de la liste est bien géré et qu’il tiendra le coup sous pression.
Là où les implantations d’IA tournent mal
La plupart des écueils de l’IA agentique se résument à des hallucinations causées par un manque de contexte, une architecture de données sous-jacente désordonnée, ou les deux.
Un problème courant vient de la surestimation des capacités natives d’un agent. On lui confie une tâche en tenant pour acquis qu’il saura déchiffrer des champs mal nommés ou des relations implicites entre objets, sans formation ni intrants adéquats.
En pratique, un agent devrait être traité comme une nouvelle recrue. Si le calcul d’une mesure comme le taux de conversion des leads provenant du site Web repose sur des noms de champs ambigus ou des définitions manquantes, un nouveau membre de l’équipe aurait du mal; un agent aussi. Résultat : des réponses assurées, fondées uniquement sur des suppositions.
Lors de l’audit de la maturité des données, deux lacunes sous-jacentes à ces suppositions erronées reviennent souvent :
- Historique non conservé : Les dirigeants veulent que l’IA explique les tendances et les changements, mais les champs conservent rarement leurs valeurs passées, à moins que le suivi de l’historique ou la prise d’instantanés n’ait été activé délibérément. Certains objets, comme les membres de campagne, ne prennent pas du tout en charge le suivi de l’historique. La seule solution consiste à mettre en place la journalisation tôt et à laisser les données s’accumuler au fil du temps.
- Définitions contradictoires : Si les principales parties prenantes ne s’entendent pas sur des mesures comme les « revenus » par rapport aux « ventes totales », un modèle d’IA ne le saura pas non plus. Il générera quand même des réponses, et dès que les utilisateurs repèrent des inexactitudes, la confiance envers l’agent s’évapore rapidement.
Prochaines étapes
Vous n’avez pas besoin de répondre parfaitement aux dix; très peu d’organisations le peuvent. Ce qui compte, c’est de savoir lequel vous freine, afin que le prochain dollar serve à corriger la bonne chose.
Pour obtenir un portrait rapide, nous avons transformé ces dix points de contrôle en une courte autoévaluation. Elle prend environ trois minutes, vous donne une note de 1 à 5 et un stade, et indique le premier aspect à examiner. Si vos résultats soulèvent des questions, une option à la fin vous permet d’en discuter avec quelqu’un qui travaille chaque jour avec Salesforce, l’intelligence d’affaires et Agentforce.
