IA agentique : pourquoi les data products sont la clé du ROI, selon McKinsey

Malgré des investissements massifs dans l’IA, et en particulier dans l’IA agentique, de nombreuses organisations n’en tirent pas encore tous les bénéfices à l’échelle de l’entreprise, selon le cabinet McKinsey. Si 80 % des répondants à sa dernière enquête sur l’IA déclarent que la technologie a amélioré leur productivité individuelle, seuls 37 % estiment qu’elle a amélioré les résultats globaux de leur entreprise.

Des fondations data insuffisantes constituent l’un des principaux obstacles à une IA performante et capable de passer à l’échelle. Sans accès à des données fiables, compréhensibles, pertinentes et contextualisées, les agents IA ne peuvent pas fonctionner efficacement. L’IA ne peut alors pas transformer les processus de bout en bout ni les modes de travail, et ses bénéfices restent ponctuels plutôt que généralisés à toute l’entreprise.

Pour lever ce frein, McKinsey recommande d’envisager l’adoption de l’IA comme partie intégrante d’une évolution plus large : passer d’une vision de la donnée comme un actif à analyser à celle d’un produit réutilisable que les agents IA peuvent consommer et exploiter. Cet article approfondit ce concept, les bénéfices qu’il apporte et le rôle central d’une data product marketplace pour offrir un accès fluide aux données, aux humains comme à l’IA.

L’IA renforce l’importance de la donnée dans la performance de l’entreprise. Sans données fiables et prêtes pour l’IA, les modèles et agents IA ne peuvent tout simplement pas passer à l’échelle, comme de nombreuses organisations l’ont constaté. Le succès et le ROI des programmes IA en pâtissent, et la valeur créée s’en trouve réduite.

La dernière enquête mondiale de McKinsey sur l’état de l’IA met en lumière cet écart. Elle révèle que 80 % des personnes interrogées estiment que l’IA a amélioré leur performance, et qu’environ la moitié pensent qu’elle a amélioré leur propre prise de décision. Pourtant, seules quatre sur dix environ considèrent que l’IA a contribué positivement à la performance financière de leur organisation, un chiffre stable d’une année sur l’autre malgré la multiplication des déploiements.

Pourquoi ce manque de ROI ? L’organisation actuelle, pilotée par l’IA et l’intelligence, repose sur des fondations data spécifiques. Une donnée prête pour l’IA doit être :

• fiable et de haute qualité ;
• fondée sur un ensemble de définitions métier et de sémantiques communes ;
• construite sur la lignée et la traçabilité, de sa source jusqu’à son utilisation ;
• soumise à un contrôle qualité en temps réel ;
• mise à disposition via un accès gouverné ;
• accessible via des API et des interfaces exploitables par les machines.

C’est pourquoi, alors que près des deux tiers des organisations dans le monde ont expérimenté des agents IA, moins de 10 % en ont étendu l’usage au point d’en tirer une valeur tangible. Huit entreprises sur dix interrogées par McKinsey indiquent que les limites liées aux données freinent le passage à l’échelle de l’IA agentique.

Surmonter ces obstacles suppose de transformer la manière dont la donnée est gérée, ainsi que la façon dont les équipes IT et data collaborent avec les métiers. La stratégie et les opérations doivent cesser de considérer la donnée comme un centre de coûts cloisonné pour en faire une composante à part entière de l’organisation et de ses objectifs. Les équipes data doivent co-construire avec leurs collègues métiers des data products pertinents, de qualité et réutilisables, que les humains comme l’IA peuvent consulter et exploiter. Selon McKinsey, cette évolution entraîne six changements dans la manière dont les responsables data orientent leurs programmes.

1. Les data products réutilisables comptent davantage que les jeux de données isolés

Pour créer de la valeur, la donnée doit être facilement accessible, compréhensible et digne de confiance pour tous les utilisateurs concernés, humains comme IA. Comme le souligne McKinsey, la meilleure façon d’y parvenir est de traiter la donnée comme un produit, avec un propriétaire, des standards de qualité, une sémantique, des interfaces et de l’observabilité.

Ces data products sont conçus pour démultiplier le partage de données : un même produit peut servir plusieurs cas d’usage analytiques, IA et opérationnels, au lieu que chaque équipe crée son propre pipeline. En combinant des data products, il est possible de répondre à de nouveaux besoins, tout en garantissant efficacité et source de données unique et fiable.

2. Les data products deviennent des « produits intelligents »

Les organisations les plus avancées dépassent la première génération de data products, qui fournissent des informations et des insights actionnables. Elles s’appuient désormais sur l’IA générative pour formuler des recommandations et des prédictions précises, fondées sur l’analyse des données du produit ainsi que sur le contexte et le rôle de l’utilisateur. Cette approche peut aller jusqu’à permettre à des agents IA de surveiller l’évolution des données et de prendre des décisions en conséquence. Par exemple, plutôt que de proposer un data product sous forme de tableau de bord, une entreprise pourrait fournir un agent qui analyse en continu le comportement des clients et déclenche des actions validées. McKinsey qualifie ce modèle émergent d’« intelligence-as-a-product ».

3. Les couches de contexte et de sémantique prennent une importance stratégique

Les agents IA ne savent pas, par nature, comprendre le contexte d’une donnée, à moins que celui-ci ne soit entièrement encodé dans une couche de contexte. À l’inverse, les humains, et en particulier les collaborateurs expérimentés, ont acquis une compréhension du contexte propre à certaines données et à certains processus. Il faut donc fournir ce contexte aux agents, au moyen de couches de contexte et sémantique s’appuyant sur des outils tels que l’analyse des usages et les glossaires métier. Ces couches donnent aux agents une compréhension commune des entités, des relations et des règles métier, au lieu de contraindre chaque agent à interpréter seul des tables et des documents déconnectés.

4. Data products et agents convergent

L’IA est souvent utilisée efficacement à différentes étapes d’un workflow, mais pas de bout en bout. Cette approche fragmentée génère ce que McKinsey appelle une « taxe de coordination » : chaque passage de relais entre deux étapes nécessite une intervention humaine, ce qui réduit l’efficacité et ralentit les opérations. Adopter une approche plus globale, via des workflows mono-agent ou multi-agents, permettra de créer la valeur à l’échelle de l’entreprise que beaucoup ne constatent pas encore. Ces processus agentiques de bout en bout reposent fondamentalement sur des data products interopérables et bien gouvernés, qui réunissent données, modèles, gouvernance et règles métier sous une forme lisible par les machines.

5. Les données propriétaires gagnent en valeur

Les modèles d’IA de fondation sont désormais largement disponibles et accessibles à toutes les entreprises. Aussi puissants soient-ils, ils sont tous entraînés, pour l’essentiel, sur les mêmes données et ne permettent donc pas à une entreprise de se différencier de ses concurrents. McKinsey recommande aux entreprises de se concentrer sur la valorisation et l’exploitation de leurs propres données, uniques et propriétaires, pour alimenter leurs modèles et leurs agents. Sa vision de l’organisation agentique décrit un avenir dans lequel les entreprises captent en continu le comportement de leurs clients, l’usage de leurs produits, les données de capteurs et d’autres signaux propriétaires, pour les transformer en produits différenciants et en processus augmentés par l’IA.

6. La gouvernance des données passe d’un contrôle statique à un contrôle continu

La gouvernance des données traditionnelle était réactive et guidée par la conformité. Elle se concentrait sur le catalogage et la protection des données, plutôt que sur la mise à disposition sécurisée d’informations pertinentes à ceux qui pourraient en tirer profit. Cette approche statique doit évoluer dès lors qu’il s’agit de fournir des données à la fois aux humains et à l’IA agentique. La gouvernance doit devenir plus souple et continue : il ne s’agit plus seulement de savoir quel collaborateur ou quel agent IA a accédé aux données, mais aussi d’observer en aval l’usage qui en est fait et la manière dont elles sont combinées avec d’autres informations. Cette approche plus dynamique doit intégrer de nouvelles fonctionnalités telles que les contrôles d’accès automatisés, la lignée, l’auditabilité, la télémétrie des agents, les garde-fous et la surveillance continue.

Le rôle de la data marketplace pour libérer la valeur de la donnée

Bâtir une organisation data-first selon les bonnes pratiques de McKinsey exige un accès sécurisé et fluide, pour les humains comme pour l’IA, à des data products fiables, compréhensibles et dignes de confiance. Mais créer des data products ne suffit pas à susciter l’adhésion ni l’usage. Il faut les rendre faciles à découvrir et à consommer au sein d’un espace de collaboration centralisé : la data product marketplace.

Les data product marketplaces vont plus loin que les catalogues de données traditionnels en offrant un accès direct aux données pertinentes, avec des permissions granulaires garantissant la conformité. La lignée permet de suivre la consommation des données en aval par l’ensemble des utilisateurs, qui peuvent par ailleurs laisser des retours et contacter les propriétaires des data products pour toute question. Les humains bénéficient d’une expérience inspirée du e-commerce, qui renforce la confiance et facilite l’accès aux données pertinentes, tandis que les agents IA sont orientés vers les bons data products en fonction de ceux consommés par les utilisateurs humains concernés. Résultat : un usage accru des données, la capacité à faire passer l’IA agentique à l’échelle et un meilleur ROI des investissements existants dans la data stack.

Poser les fondations d’une réussite pilotée par la donnée

Adopter l’IA agentique à grande échelle peut transformer la performance de l’entreprise. L’automatisation apporte de l’efficacité, l’intelligence de l’agilité, et les nouveaux processus permettent d’innover. Mais pour se déployer dans toute l’entreprise, les agents IA ont besoin des bonnes données en entrée. Comme le montrent les recherches de McKinsey, de nombreuses organisations restent aujourd’hui bloquées au stade pilote ou ne constatent que des bénéfices limités de l’IA à l’échelle de l’entreprise. Associer des data products à une data marketplace qui les rend faciles à découvrir et à consommer constitue la fondation indispensable pour bâtir l’organisation intelligente, en donnant à l’IA comme aux collaborateurs des données fiables, contextualisées et dans le bon format pour répondre à leurs besoins en constante évolution.