Corriger les données. Et ensuite ? Des enregistrements ERP à un système d'intelligence artificielle
// SUR CETTE PAGE 11
- 01 Pourquoi le simple fait de « corriger les données » attire rarement les investissements à lui seul
- 02 Plus une entreprise existe longtemps, plus elle accumule de contexte.
- 03 Centraliser les données ne suffit pas à créer une intelligence opérationnelle.
- 04 Que fait réellement un système d'intelligence ?
- 05 Quelques secondes au lieu de plusieurs jours, mais uniquement pour une décision bien définie.
- 06 N’attendez pas des données parfaites
- 07 Une séquence pratique pour les leaders
- 08 Votre ERP doit rester la source d'information. Il ne doit pas constituer une limite.
- 09 Foire aux questions
- 10 Concevez la couche qui transforme les enregistrements en décisions
- 11 Sources
Corriger vos données n'est pas la ligne d'arrivée.
C'est le moment où le travail utile peut enfin commencer.
Dans le premier épisode de « Votre ERP ne suffit pas » , nous avons expliqué qu'un ERP est un classeur, et non un cerveau d'entreprise. Il enregistre les transactions, mais il contient rarement toutes les informations nécessaires pour décider des prochaines étapes de la stratégie de l'entreprise.
Cela soulève une question évidente :
« D’accord. Nous avons corrigé les données. Et maintenant, qu’est-ce qu’on en fait ? »
La solution réside dans un système d'intelligence : une couche connectée capable de comprendre le contexte de l'entreprise, de récupérer des années de connaissances opérationnelles, de prévoir ce qui pourrait se produire et d'aider les personnes à agir avant qu'un problème ne devienne coûteux.
Pourquoi le simple fait de « corriger les données » attire rarement les investissements à lui seul
La plupart des équipes dirigeantes s'accordent à dire que la fragmentation des données pose problème. Leur ERP ne communique pas de manière optimale avec tous les systèmes opérationnels. La logique de planification est consignée dans des tableurs. Les documents importants sont éparpillés sur des lecteurs partagés, dans des classeurs, des boîtes de réception ou des dossiers locaux. Les employés expérimentés ont en tête des années de solutions de contournement et d'exceptions.
Quand quelqu'un propose de réparer ces fondations, la réponse est généralement positive : « Oui, nous devons le faire. »
Puis, la discussion sur les investissements commence et l'élan disparaît.
La raison est simple. « Des données de meilleure qualité » sonne comme de la maintenance. Cela ne sonne pas encore comme un résultat commercial.
Les dirigeants n'investissent pas simplement pour une base de données plus organisée. Ils investissent lorsque cette base permet d'obtenir un résultat concret : des prévisions de la demande plus précises, une réaction plus rapide face à un retard de fournisseur, une réduction des temps d'arrêt de production, un gain de temps considérable dans la recherche d'archives, ou encore une prise de décision qui ne dépend plus de la seule personne se souvenant d'événements survenus il y a dix ans.
Il faut justifier ensemble l’investissement dans les données et sa valeur pour l’entreprise.
Plus une entreprise existe longtemps, plus elle accumule de contexte.
Une entreprise mature n'a pas une histoire linéaire. Elle est faite de plusieurs strates.
Il peut exister des plans architecturaux d'un ancien agencement des installations, des feuilles de calcul imprimées portant les signatures de la direction, des approbations de fournisseurs archivées sous forme de PDF numérisés, des validations de projet par courriel, des règles de production intégrées au classeur d'un planificateur et des exceptions qualité dont se souvient un employé approchant de la retraite.
Chaque couche avait sa raison d'être au moment de sa création. Cependant, au fil des décennies, ces couches forment une archive opérationnelle qu'il est impossible de consulter comme un système unique.
C’est pourquoi la fragmentation des données n’est pas qu’un simple désagrément informatique. C’est un risque pour la continuité des services.
Si un cadre supérieur démissionne ou prend sa retraite, que deviennent les justifications des décisions passées ? Si un litige nécessite des preuves relatives à un projet réalisé il y a cinq ans, quel est le délai pour les retrouver ? Si un nouveau responsable souhaite comprendre le fonctionnement d’un processus, l’entreprise peut-elle lui fournir des preuves concrètes, ou seulement des anecdotes ?
La mémoire institutionnelle existe. Le problème est que l'entreprise ne peut y accéder de manière fiable.
Centraliser les données ne suffit pas à créer une intelligence opérationnelle.
Une solution consiste à tout centraliser dans un lac de données, un entrepôt de données, un référentiel de documents ou un système ERP modernisé. C'est utile, mais insuffisant.
Un système peut stocker tous les fichiers et pourtant être incapable de répondre à une question métier.
Les données prennent de la valeur lorsque l'organisation peut établir :
- ce que chaque enregistrement signifie ;
- d'où cela vient;
- qu'elle soit à jour et fiable ;
- comment cela se rapporte aux clients, aux fournisseurs, aux actifs, aux projets et aux processus ;
- quelles règles commerciales s'appliquent ; et
- Qui est autorisé à l'utiliser et pour quelle décision ?
Les recherches du NIST sur les données de fabrication mettent en évidence cette distinction. Les systèmes de fabrication génèrent de nombreuses données sur les produits et les processus, mais les organisations manquent souvent d'infrastructures standardisées pour contextualiser ces données et les transformer en connaissances utiles. L'implémentation de référence du NIST a fusionné les données de conception, de planification, de fabrication et d'inspection afin de faciliter les décisions relatives au cycle de vie ( NIST, 2018 ).
La connectivité permet le déplacement de l'information. Le contexte rend cette information utilisable.
Que fait réellement un système d'intelligence ?
Un système intelligent s'intègre aux outils déjà utilisés par une entreprise. Il ne remplace ni l'ERP, ni le MES, ni le CRM, ni le système de gestion documentaire, ni le système de planification. Il les connecte, préserve leurs rôles et crée un contexte opérationnel partagé.
Cette couche peut remplir quatre fonctions importantes.
1. Récupérer la mémoire de l'entreprise
Au lieu de demander aux employés de chercher dans des dossiers, des systèmes et des documents papier, la couche de renseignement peut extraire les informations pertinentes à partir de sources structurées et non structurées.
Un chef de projet pourrait demander : « Qu’est-ce qui a causé les trois derniers retards sur les projets utilisant ce fournisseur ? »
La réponse pourrait nécessiter des bons de commande issus du progiciel de gestion intégré (PGI), des notes de projet provenant d'un lecteur partagé, des approbations par courriel, des documents relatifs à la qualité et un tableau de bord historique du planificateur. L'enjeu n'est pas simplement de trouver des documents, mais de les relier à la question posée.
2. Comprendre le contexte opérationnel actuel
Cette même couche peut combiner des signaux en temps réel et des signaux historiques : stocks, commandes, état des machines, effectifs, performances des fournisseurs, événements qualité et contraintes financières.
IBM décrit l'IA d'entreprise comme étant dépendante de l'ingestion et de l'intégration des données provenant des plateformes ERP, des bases de données opérationnelles et d'autres sources. Ses recommandations soulignent également que l'IA d'entreprise doit combiner technologie, processus, ressources humaines, gouvernance et objectifs commerciaux, et non se limiter au déploiement d'un modèle ( IBM, « Qu'est-ce que l'IA d'entreprise ? » ).
Lorsque le contexte de l'entreprise est intégré, un dirigeant n'a plus besoin de reconstituer manuellement le tableau d'ensemble avant chaque décision.
3. Prévoir les résultats et tester les scénarios
Une fois les données fiables contextualisées, les prévisions deviennent bien plus qu'une simple extrapolation du tableau du mois précédent.
Les modèles permettent d'estimer la demande, d'identifier les risques liés à la livraison, d'anticiper les besoins de maintenance ou de simuler l'impact d'une nouvelle séquence de production. Les décideurs peuvent ainsi comparer différents scénarios avant d'engager des ressources.
C’est là que l’investissement dans les données prend tout son sens. L’objectif n’est pas l’exactitude des données, mais la prise de meilleures décisions.
4. Alimenter des agents IA encadrés par des règles de gouvernance
Les systèmes agentiels peuvent extraire des informations, raisonner selon des règles définies, préparer des recommandations et exécuter des étapes approuvées dans différentes applications métier.
Mais la fiabilité d'un agent dépend du contexte qu'il reçoit. Le connecter à plusieurs référentiels ne lui indique pas automatiquement quel numéro fait foi, quelle définition s'applique, ni si un enregistrement est à jour.
C’est pourquoi la gouvernance, la traçabilité, la propriété et le sens métier doivent être intégrés à l’architecture dès sa conception. L’IA à la vitesse de la machine peut réduire considérablement le temps de décision. Elle peut également amplifier un processus fragmenté tout aussi rapidement.
Quelques secondes au lieu de plusieurs jours, mais uniquement pour une décision bien définie.
La promesse d'un système d'intelligence artificielle ne réside pas dans le fait que « l'IA connaît toute l'entreprise ». Cette affirmation est trop vague pour être utile.
La promesse pratique est plus ciblée et plus solide : pour une décision définie, le système peut rassembler les preuves pertinentes, appliquer le contexte approprié et fournir une réponse structurée en quelques secondes ou minutes au lieu d'obliger les personnes à passer des jours à rechercher et à concilier les informations.
Prenons l'exemple d'un paiement fournisseur qui nécessitait traditionnellement un tableur imprimé et la signature du PDG. Un système d'analyse performant ne se contenterait pas de numériser le document. Il comprendrait la procédure d'approbation, vérifierait le bon de commande et le reçu, identifierait les exceptions, conserverait la piste d'audit et transmettrait la décision à la personne compétente.
Prenons l'exemple d'un projet vieux de dix ans dont le responsable initial a pris sa retraite. Le système pourrait récupérer les plans, les données fournisseurs, les modifications, les incidents qualité et les validations liés à ce projet, puis en résumer l'historique en incluant des liens vers les documents sources.
L'objectif n'est pas la vitesse à tout prix, mais un accès plus rapide à un contexte fiable.
N’attendez pas des données parfaites
« Corriger d’abord les données » peut devenir un prétexte pour attendre si cela signifie nettoyer chaque enregistrement de l’entreprise avant de créer quoi que ce soit d’utile.
Commencez par une décision à forte valeur ajoutée.
Cartographiez les systèmes, fichiers, documents et personnes qui y contribuent. Identifiez les sources faisant autorité, les divergences de définitions, les étapes reposant sur des connaissances tacites et le niveau de précision ou d'approbation humaine requis pour la décision.
Connectez ensuite uniquement ce dont ce cas d'utilisation a besoin.
Cela permet de démontrer la valeur ajoutée plutôt que de constituer un vaste programme de collecte de données. L'entreprise améliore une décision concrète, prouve le retour sur investissement et enrichit progressivement son système d'analyse, un processus à la fois.
Une séquence pratique pour les leaders
Le passage des données ERP à l'intelligence opérationnelle peut être décomposé en cinq étapes :
- Choisissez la décision. Commencez par une décision récurrente liée aux revenus, à la marge, au risque, à la capacité ou au service client.
- Suivez le flux d'informations réel. Incluez le progiciel de gestion intégré (ERP), les systèmes opérationnels, les feuilles de calcul, les documents et les connaissances humaines réellement utilisées.
- Établir un contexte fiable. Définir la propriété, la signification, la fraîcheur, les relations, les autorisations et l'autorité de la source.
- Élaborez le cas d'utilisation de l'intelligence artificielle. N'appliquez la récupération, la prévision, l'optimisation ou un agent qu'une fois le contexte exploitable.
- Bouclez la boucle. Mesurez le résultat et intégrez les actions approuvées dans les systèmes où le travail est effectué.
Il s'agit du passage d'un projet de nettoyage de données à une capacité opérationnelle.
Votre ERP doit rester la source d'information. Il ne doit pas constituer une limite.
Le message de l'épisode 1 reste valable : votre ERP est essentiel, mais il ne suffit pas.
L'épisode 2 introduit l'étape suivante. La correction des données fragmentées est essentielle car elle jette les bases d'un système capable de comprendre l'entreprise dans son contexte. Ce système peut restaurer la mémoire institutionnelle, relier les signaux opérationnels en temps réel, prévoir les résultats probables et faciliter une prise de décision éclairée.
L'avantage concurrentiel ne réside pas dans la possession de plus de données.
Cela réduit l'écart entre ce que l'entreprise sait et ce qu'elle peut faire.
Foire aux questions
Qu'est-ce qu'un système d'intelligence ?
Un système d'intelligence est une couche interconnectée qui combine les données des systèmes d'information avec le contexte opérationnel, les règles métier et les capacités analytiques ou d'IA. Il aide à comprendre la situation, à évaluer les résultats possibles et à décider des actions à entreprendre.
Un système intelligent peut-il remplacer l'ERP ?
Non. Le progiciel de gestion intégré (PGI) demeure la source fiable des transactions essentielles. La couche d'intelligence artificielle le relie à d'autres systèmes, documents, signaux en temps réel et connaissances humaines, de sorte que les décisions ne soient pas limitées au seul modèle de données du PGI.
Faut-il nettoyer toutes les données de l'entreprise avant d'utiliser l'IA ?
Non. Commencez par une décision pertinente et améliorez les sources et le contexte spécifiques nécessaires à ce cas d'utilisation. Vouloir perfectionner chaque enregistrement avant de fournir de la valeur transforme souvent la préparation des données en un programme long et non financé.
Qu’advient-il des documents historiques et des données non structurées ?
Ces documents peuvent être indexés, classés, associés à des entités commerciales et rendus accessibles avec les autorisations appropriées. L'étape cruciale consiste à ajouter du contexte et à assurer la traçabilité afin qu'un système d'IA puisse citer et utiliser la source pertinente au lieu de considérer chaque document comme ayant la même valeur.
Par où une entreprise doit-elle commencer ?
Choisissez une décision opérationnelle récurrente qui nécessite actuellement une recherche manuelle, un rapprochement ou l'intervention d'un collaborateur clé. Cartographiez le processus décisionnel, puis démontrez la valeur ajoutée d'une réduction du temps, du coût ou du risque associé.
Concevez la couche qui transforme les enregistrements en décisions
Chez Embiggen X, nous partons du processus, pas du modèle. Nous identifions la décision cruciale, connectons les systèmes et les connaissances nécessaires à son élaboration, et construisons la couche d'intelligence autour de votre opération existante.
Réservez une évaluation gratuite de votre IA et découvrez ce que votre entreprise pourrait faire une fois que ses données pourront enfin collaborer.
Sources
- Bernstein, WZ, Hedberg, TD, Helu, MM et Feeney, AB. « Contextualisation des données de fabrication pour la prise de décision tout au long du cycle de vie ». International Journal of Product Lifecycle Management (2018). Publication du NIST .
- Helu, M., Morris, K., Jung, K., Lyons, K. et Leong, S. État actuel et perspectives d'avenir des systèmes de fabrication distribués . Institut national des normes et de la technologie (2020). Publication NIST (PDF) .
- IBM. « Qu’est-ce que l’intelligence des données ? » ibm.com/think/topics/data-intelligence
- IBM. « Qu’est-ce que l’IA d’entreprise ? » Mise à jour le 5 juin 2026. ibm.com/think/topics/enterprise-ai
PUBLICATION ORIGINALE
Cet article a d'abord été publié sur embiggenx.com