Quail Group : les entreprises échouent avec l'IA à cause du désordre des données, pas des modèles

La plupart des entreprises patinent avec l'IA non à cause de modèles faibles ou d'un manque de budget. Selon les auteurs de Quail Group, le problème est plus profond : les entreprises ne savent pas quelles données comptent vraiment, et l'IA ne leur sert qu'à amplifier plus vite leur propre confusion.

Le problème n'est pas dans les modèles

Le marché continue d'attendre que de nouveaux investissements apportent automatiquement plus d'intelligence et d'efficacité. La réalité est différente. Dans un article pour TNW, les auteurs citent State of Enterprise AI 2026 : les dépenses mondiales en IA pourraient atteindre 2,52 billions de dollars (2,52 trillions en anglais), mais seuls 14 % des directeurs financiers constatent un retour mesurable. Autre signal inquiétant : en 2025, 42 % des entreprises ont abandonné la majeure partie de leurs pilotes d'IA. Cela ressemble moins à des erreurs de déploiement isolées qu'à un fossé systémique entre ambitions et exécution réelle.

Les auteurs contestent l'explication courante selon laquelle tout viendrait de données « sales ». La propreté compte, mais elle apporte peu à elle seule si les données ne sont pas liées à des décisions concrètes, ne sont pas unifiées et ne servent pas au travail quotidien. Beaucoup d'entreprises ont accumulé tableaux de bord, rapports et systèmes de suivi qui donnent une impression de transparence. Pourtant, les équipes ne savent souvent pas expliquer pourquoi une métrique a changé, comment elle influe sur le résultat ni quelle action doit s'ensuivre.

Comment le chaos s'étend

L'échelle aggrave le problème. Le volume de données croît plus vite que la capacité des entreprises à l'interpréter. Les équipes mesurent tout ce qu'elles peuvent mesurer, sans toujours comprendre pourquoi. Résultat : des dizaines de métriques se disputent l'attention, les définitions divergent d'un service à l'autre, les événements sont enregistrés de manière différente et les rapports dépendent souvent de corrections manuelles. Dans ce contexte, difficile d'obtenir une vision unique de l'entreprise : chacun travaille sur des fragments, et ces fragments concordent rarement.

Quand on pose de l'IA sur cette base, l'ambiguïté ne disparaît pas : elle se propage plus vite. Les systèmes entraînés sur des données contradictoires ne lèvent pas l'ambiguïté, ils l'amplifient. D'après les chiffres cités dans l'article, 61 % des responsables data affirment qu'améliorer la qualité des données aide à faire passer les initiatives d'IA en production, mais 50 % voient toujours dans la qualité et l'accès aux données des obstacles sérieux. L'écart entre confiance et compréhension inquiète aussi : 65 % des dirigeants pensent que les employés font confiance aux données pour l'IA, alors que 75 % reconnaissent en même temps des lacunes de compétences en données.

« L'IA et l'automatisation amplifient l'état des données sur lesquelles elles reposent. »

Par où commencer

Les auteurs ne croient pas que des outils plus pratiques suffiront. Si les processus internes sont flous dès le départ, si les responsables des métriques ne sont pas définis et si les signaux eux-mêmes sont mal décrits, tout nouveau système d'IA tournera sur le même brouillard organisationnel. Ils proposent donc de commencer non par de nouveaux modèles ni par un énième tableau de bord, mais par une refonte de la logique de décision. Un démarrage pratique ressemble à ceci :

• Identifier les questions auxquelles l'entreprise a le plus de mal à répondre aujourd'hui
• Désigner des responsables pour les données et métriques clés
• Standardiser les processus pour que les événements soient enregistrés de la même façon
• Supprimer les indicateurs superflus et garder les signaux liés à des actions
• Construire une couche de données cohérente et pratique au quotidien

Les auteurs insistent particulièrement sur le facteur humain. Même des données bien structurées n'apporteront rien si l'équipe ne sait pas les utiliser dans ses décisions quotidiennes. La conduite du changement n'est donc pas un complément facultatif, mais une partie de la stratégie d'IA elle-même. Les entreprises doivent apprendre à leurs équipes à distinguer les signaux significatifs du bruit de fond et à agir avec assurance, au lieu de simplement consommer toujours plus de reporting.

Ce que cela signifie

L'idée centrale de l'article est simple : l'IA ne guérit pas automatiquement le chaos organisationnel. Si une entreprise manque de clarté sur ses processus, ses responsabilités et ses données, les nouveaux modèles ne feront qu'accélérer la production de conclusions douteuses. Gagneront ceux qui mettront d'abord de l'ordre dans leurs signaux, et ne passeront qu'ensuite l'automatisation à l'échelle.