Language
Charte Data Voices
Charte d'engagement des Data Voices

L'avenir de la donnée
et de l'IA 2030

#6 projections
stratégiques pour une organisation
AI-first
Ce que pensent vraiment les leaders Data & IA
2030 se prépare aujourd'hui.

La donnée et l'intelligence artificielle transforment déjà en profondeur les organisations, leurs métiers et leurs modes de décision. Mais à quoi ressemblera l'entreprise data et IA de 2030 ? Et surtout, quelles transformations faut-il engager dès maintenant pour la construire ?

Cette Charte donne la parole à celles et ceux qui sont au cœur de cette transformation : les Data Voices, leaders et experts qui font évoluer chaque jour la donnée et les usages de l'IA dans des organisations complexes, internationales et en pleine mutation.

6projections stratégiques 2030
~100leaders Data & IA interrogés, tous secteurs
5entretiens qualitatifs approfondis
6,8/10indice de confiance moyen dans l'atteinte des projections
Le mot du parrain

Nous sommes à un point de bascule. Comme pour Internet ou les réseaux sociaux, l’IA peut être le meilleur ou le pire des amplificateurs : un usage médiocre nuira à l’intelligence collective, tandis qu’un usage éclairé la renforcera. Au-delà des projets quotidiens que mène traditionnellement un CDO ou un CTO, le rôle de ce dernier évolue pour devenir aussi un garant du bon sens et du discours de réalité face au déferlement du marketing technologique. Cette trajectoire numérique présente des résonances frappantes avec la transition énergétique : c’est une responsabilité collective qui doit « faire société ». Tout comme nous choisissons notre futur énergétique, nous devons choisir une trajectoire numérique qui sert le projet humain.

Michel Lutz Chief Data Officer & Digital Factory Head of Data & AI · TotalEnergies Parrain de la communauté Data Voices
Méthodologie

La Charte Data Voices s'appuie sur une démarche d'enquête mixte, quantitative et qualitative, menée par Huwise auprès d'une centaine de leaders Data & IA issus de grandes organisations internationales, tous secteurs confondus. Un questionnaire bilingue (français et anglais) a permis de recueillir leur perception autour de six projections structurantes sur l'avenir de la donnée et de l'IA à horizon 2030. Ces résultats ont été complétés par cinq entretiens qualitatifs approfondis auprès de profils sélectionnés pour la diversité de leurs contextes organisationnels et sectoriels. Cette approche croisée a permis de consolider, nuancer et illustrer les résultats quantitatifs afin de faire émerger six projections stratégiques sur l'évolution des organisations vers un modèle AI-first.

Les résultats de l'étude

6 projections pour une organisation AI-first

Cette initiative a été pensée comme un travail collectif, réunissant des leaders convaincus que la donnée et l'IA doivent devenir des leviers stratégiques au service des métiers, de la performance et de l'innovation.

Cliquez sur une projection pour en savoir plus : vision 2030, indice de confiance, bénéfices identifiés, obstacles, actions à mettre en place, et le regard d'une Data Voice.Touchez une projection pour en savoir plus : vision 2030, indice de confiance, bénéfices, obstacles, actions et regard d'une Data Voice.

Niveau de confiance
dans l'atteinte
de cet objectif :
7,2/10

D'ici 2030, le leader data et IA ne sera plus seulement un expert technique, il sera le partenaire direct du CEO dans l'anticipation de la stratégie de l'entreprise et dans l'accompagnement de sa mise en œuvre, parce que la donnée est au cœur de la transformation digitale.

Bénéfices attendus
Aligner chaque initiative Data & IA sur les objectifs stratégiques81%
Assurer transparence, sécurité et responsabilité de l'IA65%
Orchestrer la collaboration entre intelligence humaine et agents IA62%
Voir tout (6) Réduire
Cas d'usage générateurs de ROI concret54%
Utiliser des modèles prédictifs pour anticiper crises et croissance38%
Augmenter la crédibilité du CDO auprès du Comex31%
Obstacles anticipés
Manque de culture Data & IA au sein du Comex73%
Reliquat de problèmes data non résolus (qualité, fiabilité, accès)65%
Complexité à mettre de côté les urgences techniques54%
Voir tout (6) Réduire
Manque de compétences en communication et gestion du changement46%
Difficulté à être perçu comme partenaire métier (attentes gouvernance/infra)35%
Difficulté à prouver l'impact business de l'architecture data31%
Actions prioritaires
Aligner la stratégie Data & IA sur les objectifs business73%
Créer des équipes transverses Métier / Data62%
Présence régulière du CDO au Comex54%
Voir tout (8) Réduire
Mettre en place des KPI et indicateurs de valeur business46%
POCs rapides, itérations, scaling des cas d'usage qui créent de la valeur48%
Traduire les indicateurs techniques en enjeux business pour le CEO27%
Adopter une approche test & learn23%
Renforcer les outils de mesure du ROI23%
Les regards des Data Voices sur cette projection

Réconcilier la rigueur de la gouvernance et l'agilité opérationnelle

Le data leader n'est plus seulement un technicien élevé en grade. Il est la cheville ouvrière d'une transformation multidimensionnelle. Il est celui qui réconcilie la rigueur de la gouvernance avec l'agilité de l'efficacité opérationnelle.

Samia BoujatiouiGroup Head of Data Management · Groupe Coface
1 / 6
Les regards des Data Voices sur cette projection

Un garant du bon sens face au marketing technologique

Au-delà de ses fonctions et expertises classiques, le rôle du CDO ou du CTO aujourd'hui est aussi d'être un garant du bon sens face au déferlement du marketing technologique. Nous devons porter cet effort d'acculturation dès maintenant, car la fracture numérique ne sera pas seulement une question d'accès aux outils, mais une question de capacité à les piloter.

Michel LutzChief Data Officer & Digital Factory Head of Data & AI · TotalEnergies
2 / 6
Les regards des Data Voices sur cette projection

Enjamber la complexité technique pour parler business

Ce que j'observe chez certains CDOs, c'est une carence en vision stratégique allant de pair avec un manque d'accès aux directions générales. Le rôle du leader est d'enjamber cette complexité technique ou administrative pour parler business. Si le dirigeant comprend l'impact, il demandera de lui-même : « De quoi avez-vous besoin pour réussir ? »

Aldrick ZappelliniChief Data & AI Officer · Groupe Crédit Agricole
3 / 6
Les regards des Data Voices sur cette projection

Traduire la complexité en vision globale

Le leader data doit adapter le discours technique à une audience variée, parlant d'égal à égal avec un expert FinOps tout en restant audible pour des opérateurs de terrain et des Comex. C'est cette capacité à traduire la complexité en vision globale qui assoit sa légitimité.

Camille MaireHead of Data Governance / MDM / Data Quality · Groupe ETAM
4 / 6
Les regards des Data Voices sur cette projection

Le rôle du leader data dépasse le simple delivery

Le rôle du leader data dépasse le simple delivery et inclut 3 autres dimensions : la vision stratégique, connectée aux priorités business et les volets organisationnels et culturels pour transformer les modèles opérationnels, repenser les dynamiques de travail dans un cadre maîtrisé et responsable et accompagner l'adoption tout en assurant les fondations.

Chafika ChettaouiChief Data & AI Transformation Officer · AXA France
5 / 6
Les regards des Data Voices sur cette projection

Transformer la donnée d'un actif technique en levier stratégique

Le rôle du CDO est de transformer la donnée d'un actif technique en levier stratégique : industrialisé, adopté par les métiers et directement contributif à la performance business, dans un contexte où l'accélération de l'IA renforce l'exigence et l'accès à une donnée de qualité.

Lynda DehmaneChief Data Analytics & Cognitive Solutions Officer · Generali France
6 / 6
Niveau de confiance
dans l'atteinte
de cet objectif :
7,3/10

D'ici 2030, la culture data sera une réalité partagée. Chaque collaborateur, quel que soit son métier, sera pleinement autonome dans sa relation à la donnée, accompagné, si besoin, par des agents intelligents dédiés. La donnée sera l'ADN même des organisations.

Bénéfices attendus
Prise de décision rapide et éclairée69%
Productivité accrue via l'automatisation par des agents IA69%
Collaboration renforcée entre métiers et experts data58%
Voir tout (7) Réduire
Plus d'innovation et d'opportunités business50%
Meilleure adoption des outils data et IA38%
Meilleure gestion des risques par le recours systématique à la donnée35%
Réduction de la charge IT sur les rapports simples31%
Obstacles anticipés
Mauvaise disponibilité et manque de confiance dans les données69%
Difficulté à embarquer tous les profils, notamment les moins familiers avec l'IA69%
Faible soutien du Comex sur les bénéfices de la démarche58%
Voir tout (4) Réduire
Manque d'investissement dans la formation continue42%
Actions prioritaires
Déployer des data marketplaces aux codes du e-commerce65%
Lancer des programmes de formation continue65%
Sensibiliser à la bonne compréhension et utilisation des données58%
Voir tout (5) Réduire
Identifier des référents data dans chaque département58%
Convaincre par le choix des bons cas d'usage, ancrés au quotidien58%

Ne laisser personne sur le bord de la route

Sur l'acculturation, l'objectif n'est pas d'imposer une norme rigide qui freinerait nos leaders, qui investissent massivement sur la data depuis des années. L'enjeu est plutôt de définir un « minimum viable » culturel. Nous devons faire monter le niveau moyen pour que le Groupe fonctionne de manière homogène, tout en permettant aux entités les plus avancées de continuer à accélérer, en partageant leur expérience afin de jouer un rôle de locomotive pour celles qui disposent de moins de moyens. Il s'agit de ne laisser personne sur le bord de la route.

Lire la suite de l'entretien Réduire

Ce positionnement transforme radicalement la gestion du changement. La donnée cesse d'être une contrainte locale pour devenir un levier de cohérence globale, facilitant les synergies sans étouffer les spécificités métiers.

Le Crédit Agricole a choisi une approche basée sur la mise en pratique via une data marketplace Groupe pour industrialiser les partages de données : « penser data dès la conception » plutôt que la théorie.

Aldrick ZappelliniChief Data & AI Officer · Groupe Crédit Agricole
Niveau de confiance
dans l'atteinte
de cet objectif :
6,7/10

D'ici 2030, l'intégralité du patrimoine de données stratégiques des organisations sera gérée, certifiée et partagée sous forme de data products autonomes et réutilisables, accessibles en libre-service, aussi bien par les collaborateurs que par les agents IA.

Bénéfices attendus
Faciliter l'accès aux données par les métiers et créer de la valeur81%
Rendre les données exploitables par l'IA62%
Réduire le temps passé à chercher la donnée (libre-service)62%
Voir tout (6) Réduire
Permettre à tous de prendre des décisions éclairées58%
Réduire la dépendance à l'IT pour préparer et exploiter les données42%
Améliorer le time-to-market des cas d'usage data/IA42%
Obstacles anticipés
Les données sont encore en silos73%
Manque de responsabilité humaine sur la chaîne de valeur du data product69%
Équipes métier qui ne s'approprient pas encore la logique « produit »54%
Voir tout (8) Réduire
Architecture data trop fragmentée / silotée46%
Manque de ressources et de compétences pour transformer en data products35%
Valeur d'un data product perçue comme abstraite, ROI difficile à démontrer31%
Outils internes exploitables seulement par des experts, agilité freinée23%
Règles d'accès aux données et de sécurité trop rigides19%
Actions prioritaires
Adopter une gouvernance des data products agile85%
Déployer une data marketplace pour un accès immédiat69%
Désigner des responsables métiers garants de la valeur69%
Voir tout (5) Réduire
Acculturer les collaborateurs aux bénéfices des data products50%
Utiliser des flux automatisés pour maintenir les data products à jour38%

Passer de la quantité à la pertinence

La data marketplace fonctionne comme un supermarché d'actifs : rapports, vues Denodo, et métadonnées. Désormais, notre ambition est que l'utilisateur accède à de la Smart Data : il connaît le Data Owner, comprend la définition validée de l'indicateur et bénéficie d'une sécurité intégrée d'accès par région. C'est un passage de la quantité à la pertinence.

Lire la suite de l'entretien Réduire

On ne part jamais from scratch. L'idée n'est pas de plaquer une théorie rigide, mais d'adapter la maturité du data product au spectre fonctionnel de chaque métier — une approche « raisonnable » du Data Mesh.

Un produit de données se définit chez Coface par un propriétaire identifié, un contrat de service (SLA) et une traçabilité totale. La couche sémantique et le Virtual Data Lake sont le prérequis absolu à l'IA agentique : sans elle, l'IA agentique n'est qu'une promesse risquant de multiplier les mauvaises surprises.

Samia BoujatiouiGroup Head of Data Management · Groupe Coface
Niveau de confiance
dans l'atteinte
de cet objectif :
6,3/10

En 2030, l'IA sera le moteur de toute la chaîne de valeur data des organisations, de la collecte à la valorisation, en passant par la qualité, l'observabilité, la gouvernance, la traçabilité, la sécurité et le cataloging.

Bénéfices attendus
Amélioration massive de la qualité des données (détection d'anomalies)77%
Vecteur de développement de l'innovation (temps libéré pour la stratégie)73%
Accélération du time-to-market des data products54%
Voir tout (7) Réduire
Data observabilité augmentée (alertes avant incidents)50%
Accélération de la scalabilité de l'usage de la data38%
Réduction drastique des coûts opérationnels (tâches répétitives)23%
Amélioration du data lineage (reconstruction automatique des flux)23%
Obstacles anticipés
Manque de confiance dans un système qui décide de manière autonome65%
Difficulté à mesurer le ROI d'un tel changement58%
Difficulté à mettre en place une gouvernance de l'automatisation42%
Voir tout (6) Réduire
Investissement initial élevé pour automatiser l'ingénierie38%
Manque de ressources pour accompagner les Data Engineers vers la supervision38%
Incompatibilité des systèmes existants avec des agents IA autonomes27%
Actions prioritaires
Préparer et acculturer les équipes avant d'automatiser65%
Investir dans l'observabilité et le monitoring des agents IA62%
Mettre en place une gouvernance dédiée à l'automatisation58%
Voir tout (7) Réduire
Adopter des technologies d'infrastructure flexibles, pilotables par API35%
Identifier les tâches et processus à automatiser31%
Préparer les systèmes à ajuster leur consommation de ressources19%
Acquisition ou développement in-house d'outils d'automatisation19%

L'expertise humaine se déplace, elle ne s'efface pas

On ne se contente pas d'installer un outil ; on conçoit des systèmes complexes de « skills », de « harness » et d'intégration pour encadrer l'IA. L'expertise humaine ne s'efface pas, bien au contraire : elle se déplace et se matérialise différemment. C'est parce qu'il est correctement encadré par des sachants humains que le système se comporte tel qu'attendu.

Lire la suite de l'entretien Réduire

Le risque majeur est celui d'une dépendance cognitive. En déléguant trop la réflexion à des modèles contrôlés par un nombre limité d'acteurs, nous risquons d'affaiblir notre souveraineté intellectuelle.

L'avantage compétitif ne réside pas dans l'outil lui-même, mais dans la capacité à orchestrer quatre piliers de savoir : la connaissance scientifique, les données internes, la connaissance compressée des LLM, et le savoir tacite des humains — jamais dans l'isolement de la technologie.

Michel LutzChief Data Officer & Digital Factory Head of Data & AI · TotalEnergies
Niveau de confiance
dans l'atteinte
de cet objectif :
6,9/10

D'ici 2030, les data products seront fiables et de qualité, permettant le développement de toute exploitation de la donnée et jusqu'à un usage large de l'IA agentique : contexte intégré, couche sémantique embarquée, interopérabilité totale.

Bénéfices attendus
Fiabilité de l'IA et réduction des biais grâce à des données certifiées85%
Modèles IA plus précis et performants54%
Gain de temps via des agents autonomes de bout en bout50%
Voir tout (8) Réduire
Agilité décisionnelle (de la donnée brute à l'action stratégique)42%
Accès à l'information via le langage naturel31%
Réduction des temps de développement des cas d'usage IA27%
Réduction des coûts et amélioration du ROI23%
Interopérabilité accrue grâce à des data products lisibles par les machines23%
Obstacles anticipés
Données manquant d'une couche sémantique / de contexte65%
Qualité des données insuffisante58%
Absence de standards et normes partagées (data contracts)54%
Voir tout (7) Réduire
Métadonnées mal définies ou mal structurées46%
Silos organisationnels et technologiques42%
Absence de budget dédié31%
Prolifération du Shadow IT (dont Shadow Data & Shadow AI)19%
Actions prioritaires
Systématiser l'ajout de métadonnées contextuelles (couche sémantique)69%
Régler les problèmes de qualité avant de développer des modèles IA58%
Prioriser les données qui nourrissent les usages IA à forte valeur50%
Voir tout (9) Réduire
Auditer les données réellement exploitables de manière autonome35%
Développer un glossaire universel humains / IA31%
Former les équipes aux enjeux de l'IA générative et à la structuration des données31%
Sensibiliser le Comex et augmenter les budgets31%
Réorganiser les équipes et rôles autour de la gestion des data products27%
Créer une feuille de route de l'automatisation des tâches en interne12%

Rien d'exploitable en sortie sans indicateur de contrôle

Les entreprises peuvent être tentées de privilégier le delivery rapide, le côté shiny, au détriment de la véracité et de la sécurité. Mon équipe est là pour rappeler que si l'on injecte n'importe quoi en entrée dans un modèle, sans indicateur de contrôle, nous n'obtiendrons rien de véritablement exploitable en sortie.

Lire la suite de l'entretien Réduire

La résolution passe par un triptyque indispensable : une responsabilité humaine incarnée par les métiers, une rigueur absolue des processus opérationnels et une infrastructure MDM performante.

Aujourd'hui, les collaborateurs ne perçoivent la qualité qu'en bout de chaîne, à travers le prisme déformant du reporting. Il faut sans cesse faire de la pédagogie : c'est une question d'acculturation et de documentation bien plus que de pur système informatique.

Camille MaireHead of Data Governance / MDM / Data Quality · Groupe ETAM
Niveau de confiance
dans l'atteinte
de cet objectif :
6,3/10

D'ici 2030, la gouvernance data & IA ne sera plus un cadre rigide imposé à l'organisation, mais un dispositif vivant et adaptatif, plus fédéré que centralisé, ancré au cœur de chaque data product, intégrant naturellement les exigences de confiance, de durabilité et de sobriété.

Bénéfices attendus
Suivre précisément l'usage et l'impact de chaque actif data73%
Garantir en temps réel la qualité et la sécurité des données65%
Détecter et corriger les biais ou dérives à la source58%
Voir tout (6) Réduire
Mise en conformité automatique face aux évolutions réglementaires42%
Garantir la conformité et la sécurité (certification)38%
Supprimer les goulets d'étranglement liés aux validations manuelles38%
Obstacles anticipés
Résistance culturelle : passer d'un contrôle centralisé à une autonomie distribuée65%
Difficulté à traduire des principes éthiques / juridiques flous en règles automatisables65%
Outils et systèmes inadaptés pour une gouvernance agile58%
Voir tout (5) Réduire
Niveau de risque élevé46%
Alignement des standards entre cloud, on-premise et SaaS35%
Actions prioritaires
Intégrer sécurité, conformité et frugalité by design62%
Adopter une approche Data Mesh en responsabilisant les métiers54%
Remplacer les audits ponctuels par un monitoring continu50%
Voir tout (8) Réduire
Intégrer la gouvernance dans les processus techniques (pipelines)42%
Adopter des outils « Policy-as-Code »38%
Former les métiers à l'éthique des données38%
Investir dans des outils de gouvernance décentralisée (data marketplaces)27%
Automatiser le data lineage pour une traçabilité totale15%

Remettre la responsabilité là où se crée la valeur

Si le terme « gouvernance » continue de rebuter, c'est qu'il reste encore souvent associé à un imaginaire bureaucratique qui peut décourager les opérationnels. Le « Business Data Ownership », lui, change de perspective : il replace la responsabilité là où se crée la valeur.

Lire la suite de l'entretien Réduire

Chez AXA France, le modèle de « décentralisation gouvernée » repose sur trois piliers complémentaires : un Data & IA Office garant de la stratégie et du cadre régalien, un pilier technologique (DataOps, observabilité en temps réel), et un pilier culturel où la responsabilité de la donnée est partagée par tous.

Il n'y a d'IA pérenne que si elle est responsable. L'éthique n'est pas un à-côté, c'est le cœur du business : cela passe par la garantie que l'on conçoit et utilise l'IA ni à tort ni trop tard.

Chafika ChettaouiChief Data & AI Transformation Officer · AXA France
Feuille de route

Les priorités des Data Voices en quelques mots

Invitées à classer les 6 projections par ordre d'importance, les Data Voices dessinent une trajectoire en deux temps : d'abord poser les fondations humaines et data, puis déployer les transformations les plus ambitieuses.

Phase 1Poser les fondations
01
Diffuser une culture data auprès de tous les collaborateursLa priorité absolue : transformer les mentalités avant les outils, les processus ou les architectures.
02
Rendre la donnée AI-ready, fiable et de qualitéSans qualité, pas d'IA fiable. Sans données préparées comme des produits, pas d'agents capables d'agir.
03
Faire évoluer le rôle du CDO en leader stratège-métierUne fois la culture diffusée et la qualité installée, il reste à incarner la fonction au plus haut niveau.
Phase 2Déployer les transformations ambitieuses
04
Installer une gouvernance agile et éthique by designLa gouvernance ne précède pas la transformation, elle l'accompagne.
05
Généraliser le modèle data productNécessite une organisation déjà mature pour passer le cap.
06
Automatiser l'ingénierie data par l'IALa projection la plus difficile à envisager : elle suppose que les 5 autres soient déjà accomplies.
Ce que nous en disent les Data Voices
Indice de confiance

Où les leaders data sont-ils le plus confiants ?

Indice de confiance moyen dans l'atteinte de chaque projection d'ici 2030, tel que déclaré par les Data Voices interrogées. Classement de la plus forte à la plus faible confiance (note sur 10).

Projection #2Nous permettrons à chaque collaborateur d'exploiter naturellement la donnée pour éclairer ses décisions et répondre à tous ses besoins
7,3
Projection #1Les leaders data seront reconnus comme experts et stratèges au service de la création de valeur et de la confiance dans l'IA
7,2
Projection #5Nous ferons de la qualité des données notre standard d'exigence et un moteur pour l'IA
6,9
Projection #3Nous ferons de chaque donnée un produit accessible à tout collaborateur
6,7
Projection #4Nous pourrons confier le maximum de l'ingénierie de la donnée à l'IA
6,3
Projection #6Nous adopterons une data gouvernance agile et responsable qui constituera un avantage compétitif
6,3
Indice de confiance globalMoyenne sur l'ensemble des 6 projections
6,8/10
Votre diagnostic

Projetez-vous pour 2030

Comme les Data Voices, classez les 6 projections par ordre d'importance pour votre organisation, puis évaluez votre confiance dans leur atteinte d'ici 2030. Vous obtenez votre priorité, votre indice de confiance global et le quick win à activer.

Pour chaque projection : indiquez votre priorité de 1 à 6 (un rang choisi n'est plus proposé pour les autres projections), puis faites glisser le curseur de 0 à 10. Les repères « DV » indiquent le classement et la note moyenne des Data Voices.

Projection #1DV n°3
5,0/10vs DV
Projection #2DV n°1
5,0/10vs DV
Projection #3DV n°5
5,0/10vs DV
Projection #4DV n°6
5,0/10vs DV
Projection #5DV n°2
5,0/10vs DV
Projection #6DV n°4
5,0/10vs DV
À activer dès maintenant

Les 6 "quick wins" indispensables

Les actions à mettre en place dès maintenant pour initier la transformation vers une entreprise AI-first et accomplir les projections identifiées par les Data Voices d'ici 2030.

Quick-win#1
Data profiling ciblé sur 2-3 cas d'usage métier prioritairesL'action la plus rapide et la plus rentable : qualifier l'état réel des données nécessaires à des cas d'usage concrets, sans attendre un programme global de data quality.
Quick-win#2
Formaliser une politique Shadow IA et fournir des solutions associéesNi blocage total ni laissez-faire : périmètres d'expérimentation sécurisés et outils d'accès contrôlés à la donnée.
Quick-win#3
Lancer un premier data product sur un périmètre limitéAvec un propriétaire métier identifié, un SLA défini et une documentation accessible — plutôt qu'un grand programme.
Quick-win#4
Déployer une plateforme de consommation pour démocratiser la donnéeUne data product marketplace pour exposer les actifs sous forme de produits documentés et accessibles en self-service.
Quick-win#5
Mettre en place un monitoring des coûts data & IA en productionUn tableau de bord de suivi du TCO réel pour piloter les arbitrages et éviter les investissements peu adoptés.
Quick-win#6
Développer la crédibilité stratégique du CDO sur les LLM et l'IA agentiqueMaîtriser les fondamentaux comme levier de leadership culturel — le benchmarking entre pairs est le format le plus rapide.
Paroles de Data Voices

Les ambitions des Data Voices en quelques mots

Extraits des entretiens qualitatifs menés pour la Charte. Retrouvez l'intégralité des entretiens en téléchargeant la Charte d'engagement des Data Voices.

Aldrick ZappelliniChief Data & AI Officer · Groupe Crédit Agricole

Nous voulons que la data marketplace soit le socle d'agrégation de notre culture. Il ne s'agit plus de théorie, mais de transformer les comportements en pensant « data » dès la conception et en mettant en avant l'aspect collaboratif et industriel.

Samia BoujatiouiGroup Head of Data Management · Groupe Coface

Le data product, entendu comme un ensemble de données traitées, qualifiées et packagées, n'est plus une option. C'est le socle qui nous permet de passer de la donnée brute à un actif stratégique. Le seul moyen de les mettre à disposition et de responsabiliser les métiers, c'est la data marketplace interne, que nous déployons, et qui marque la fin du monopole de la Business Technology sur la donnée.

Michel LutzChief Data Officer & Digital Factory Head of Data & AI · TotalEnergies

L'ambition pour 2030 est de passer de l'augmentation locale de tâches existantes à une véritable refonte des processus, conçus dès le départ avec l'IA comme partenaire. Cela exige aussi de penser à des systèmes informatiques et des architectures techniques beaucoup plus ouverts et communicants.

Camille MaireHead of Data Governance / MDM / Data Quality · Groupe ETAM

Penser que l'on peut innover avec un nouveau système sans s'attaquer aux fondamentaux, aux processus amont, et à son legacy, est une illusion. Si l'on ne prend pas en compte le processus global — de la saisie de la donnée jusqu'à sa consommation —, les nouveaux systèmes ne feront que reproduire ou amplifier les erreurs.

Chafika ChettaouiChief Data & AI Transformation Officer · AXA France

Le passage à l'échelle de l'IA repose d'abord sur un alignement des priorités avec la vision stratégique de l'entreprise et un choix mesuré de quelques cas d'usage qui impactent vraiment le P&L, la satisfaction client et l'efficacité opérationnelle.

Envie d'en savoir plus ?

La Charte complète réunit l'ensemble des résultats quantitatifs et leur analyse ainsi que les 5 entretiens des Data Voices dans leur intégralité.

Les Data Voices ayant contribué à cette Charte

Merci aux leaders qui font avancer le monde de la data et de l'IA.

Adrienne RostaingGuerlainAldrick ZappelliniGroupe Crédit AgricoleAmar AmarnathKAPSARCAngélique Bidault-VerliacGroupe SNCFArielle RollandAccentureArthur SarazinVeltysBertrand BilloudSNCFBruno Espírito SantoE-REDES (Groupe EDP)Camille MaireGroupe ETAM
Voir tout (58) Réduire