Donnée, IA et création de valeur
Steve rappelle un principe fondamental : la donnée est le nerf de la guerre.
Une donnée est une information brute. Tant qu’on ne sait pas à quoi elle sert, il est nécessaire de la qualifier, de l’enrichir et de définir précisément qui peut l’utiliser, à quel moment et dans quel objectif. Cela soulève des enjeux majeurs de qualité, de sécurité et d’éthique.
Dans cette logique, l’intelligence artificielle n’est qu’un outil au service de la donnée. Sans données fiables, l’IA ne sert à rien. Si une entreprise ne consacre pas suffisamment de temps à mettre en place une gouvernance solide, sécurisée et éthique, elle se prive de toute création de valeur durable.
Ce que Steve aime particulièrement dans son métier, c’est justement cette capacité à créer de la valeur à partir d’une bonne gouvernance de la donnée et de modèles d’IA bien pensés.
Gouvernance de l’IA : cadre et objectifs
Pour Steve, bien utiliser la donnée et l’IA commence toujours par une question simple : quel est l’objectif ?
Avant même de parler d’outils ou de modèles, il est essentiel de se demander si l’IA est réellement nécessaire, et si oui, dans quel rôle : outil, assistant, ou levier d’aide à la décision. L’IA ne doit jamais être une finalité en soi, mais un moyen au service d’un objectif business clairement identifié.
Son parcours, très orienté business, lui permet justement de comprendre les enjeux des entreprises. À partir d’un objectif donné, il est capable de définir le cycle de vie d’un projet data ou IA : où trouver la donnée, comment la travailler, comment l’exploiter et comment s’assurer qu’elle sert le projet de manière pertinente.
C’est pour cette raison que, dans tout projet de gouvernance IA, la priorité reste toujours l’alignement avec les enjeux stratégiques de l’entreprise.
Exemple concret : la data au service du business
Steve prend l’exemple de la grande distribution, comme Carrefour.
Les enseignes collectent depuis longtemps une quantité massive de données : horaires de passage en magasin, produits achetés, fréquence d’achat, habitudes clients, notamment via les cartes de fidélité.
Pendant longtemps, ces données étaient stockées sans réel usage clair. L’arrivée du e-commerce a permis de leur donner un sens nouveau : proposer des produits adaptés aux goûts des clients, personnaliser les offres et améliorer l’expérience d’achat.
Aujourd’hui, avec l’IA, cette logique peut aller encore plus loin, jusqu’à proposer des recommandations personnalisées directement en magasin. Mais là encore, tout repose sur une donnée bien gouvernée et un objectif précis.
Méthodologie de travail : l’approche par cas d’usage
Pour fixer des objectifs clairs et actionnables, Steve travaille principalement en agilité et par cas d’usage (use cases). Cette méthode permet de découper les objectifs globaux en micro-objectifs, plus faciles à tester et à ajuster.
L’idée est d’apprendre rapidement, de s’adapter au marché et de mesurer concrètement la valeur créée. Créer de la valeur, pour Steve, signifie avant tout répondre aux objectifs réels de l’entreprise, et non déployer de l’IA pour le simple plaisir de l’innovation.
Mission chez le client et conformité à l’EU AI Act
Actuellement, Steve est en mission chez Sparkeeess, où il accompagne l’entreprise dans sa mise en conformité avec l’EU AI Act et la gouvernance des données.
À l’image du RGPD pour les données personnelles, l’EU AI Act est un règlement européen visant à encadrer la manière dont les entreprises conçoivent, déploient et utilisent des systèmes d’intelligence artificielle. L’objectif est clair : permettre l’innovation tout en limitant les risques pour les utilisateurs et les citoyens.
L’Europe est la première à mettre en place un tel cadre réglementaire, notamment en classant les systèmes d’IA selon une approche dite « risk-based », répartie en quatre niveaux de risque :
- Risque minimal, comme certains chatbots simples.
- Risque limité, soumis à des obligations de transparence.
- Risque élevé, le plus encadré et le plus courant dans des secteurs comme la banque ou l’assurance. Par exemple, un système d’IA attribuant un score de risque de crédit peut introduire des biais, notamment s’il est entraîné sur des données non représentatives (hommes/femmes, minorités, etc.).
- Risque inacceptable, strictement interdit, comme le scoring de personnes ou les systèmes de prédiction comportementale à la manière de Minority Report.
Un enjeu central de ces systèmes est celui de la black box : lorsque l’on ne comprend pas comment une décision a été prise par l’IA. Cela pose des questions majeures d’explicabilité et de traçabilité entre les données d’entrée et les résultats produits.