La dirigeante de Franklin Templeton appelle les entreprises à adopter AI plus vite et à protéger les données fondamentales

La présidente de Franklin Templeton, Jenny Johnson, a appelé les entreprises à ne pas tarder à mettre en œuvre les nouvelles technologies et à adopter plus activement l'intelligence artificielle. Dans sa logique, la question n'est plus celle de la mode de l'IA, mais de la rapidité avec laquelle les entreprises pourront l'intégrer dans les processus réels sans perdre le contrôle de leurs données clés.

Pourquoi l'IA est devenue obligatoire

En s'exprimant sur Bloomberg Surveillance à Washington, Johnson a essentiellement articulé une position que de plus en plus de grandes entreprises et d'investisseurs partagent : l'IA ne peut plus être maintenue au statut d'une expérience de laboratoire. Pour les cadres, ce n'est déjà plus un programme d'innovation distinct, mais un outil de travail qui affecte la productivité, la vitesse de prise de décision et les coûts opérationnels. C'est particulièrement notable dans les secteurs avec beaucoup d'analyse manuelle, de rapports et de service client, notamment la finance, le conseil et les services aux entreprises.

«

Les entreprises doivent apprendre à utiliser les nouvelles technologies, y compris l'IA. »

L'essence de sa thèse n'est pas que toute entreprise doive acheter d'urgence des outils à la mode. Le point est différent : les entreprises qui apprendront à utiliser correctement les nouveaux systèmes avant leurs concurrents obtiendront un effet cumulatif. Elles traitent les données plus vite, comprennent mieux le comportement des clients et mettent à l'échelle les processus internes moins cher. Celles qui continueront à traiter l'IA comme étant facultative pour une équipe distincte risquent de découvrir dans un ou deux ans que leur retard est devenu non pas marketing, mais opérationnel et financier.

Les données comme base de mise en œuvre

Le deuxième point important de Johnson est la protection des données essentielles, c'est-à-dire les données fondamentales sur lesquelles reposent les opérations de l'entreprise. C'est particulièrement important dans le contexte du déploiement rapide de modèles génératifs, qui ont besoin d'accès à des documents internes, à des informations clients, à des analyses et à de la correspondance. Si une entreprise donne à l'IA accès à des ensembles de données mal étiquetés ou insuffisamment protégés, elle crée un risque double : des fuites et des réponses incorrectes. Dans une telle configuration, même un modèle puissant ne fournira pas de résultats fiables, car le problème ne sera pas dans l'algorithme, mais dans la fondation de tout le système.

En pratique, cela signifie que la mise en œuvre de l'IA ne commence pas par une belle démonstration au conseil d'administration, mais par un travail d'infrastructure qui a rarement l'air impressionnant mais détermine le résultat final. Les entreprises doivent comprendre à l'avance quelles données peuvent être connectées aux modèles, quelles données ne peuvent pas être envoyées à des services externes, qui est responsable de la qualité des sources et comment les résultats sont vérifiés. Sans cela, même un pilote réussi se heurtera rapidement à des questions de sécurité, de conformité et de confiance des employés.

• inventaire et classification des données clés
• différenciation d'accès pour les employés et les services externes
• connexion des modèles uniquement à des sources vérifiées
• mesure de l'impact à travers le temps, la qualité et la réduction des risques

Pour une entreprise financière, c'est une règle presque évidente, mais elle devient maintenant universelle pour les autres secteurs. Si une entreprise ne comprend pas quelles données sont vraiment critiques, qui les utilise et où elles sont stockées, la conversation sur l'IA reste superficielle. Le déploiement massif de modèles sans discipline des données peut temporairement accélérer les tâches individuelles, mais engendre ensuite des erreurs coûteuses en matière de rapports, de support, de conformité et de prise de décision.

Le marché voit plus large

Johnson a également abordé les conditions du consommateur et les prix du pétrole—en apparence, ce sont des sujets distincts, mais pour une entreprise de gestion d'une telle envergure, ils sont directement liés à la conversation sur la technologie. La demande des consommateurs affecte les revenus de l'entreprise et l'appétit des entreprises pour l'investissement, tandis que le pétrole reste l'un des marqueurs des pressions inflationnistes et des coûts. Par conséquent, la question de l'IA pour les grands cadres ne vit plus depuis longtemps dans le vide : elle est considérée avec les dépenses, les taux, la demande et la durabilité du modèle commercial. D'où l'approche plus sobre pour mettre en œuvre de nouveaux systèmes en 2026.

Le conseil d'administration veut comprendre non seulement où les processus peuvent être automatisés, mais aussi comment cette solution se comportera lorsque l'environnement macroéconomique changera. Si le consommateur s'affaiblit, les entreprises ont besoin d'un contrôle plus rapide de la marge et de la demande. Si les prix de l'énergie augmentent, le coût de l'inefficacité augmente. Dans un tel environnement, l'IA devient non pas une vitrine de l'innovation, mais un moyen de prendre des décisions plus rapidement dans des conditions où une erreur coûte plus cher qu'avant.

Ce que cela signifie

Le signal de Franklin Templeton est simple : les entreprises ne peuvent plus simplement discuter de l'IA lors de sessions stratégiques, elles doivent l'intégrer dans les processus, les métriques et le travail protégé avec les données. Les gagnants ne seront pas ceux qui parlent le plus fort de la transformation, mais ceux qui lient les technologies à la discipline opérationnelle et savent prendre des décisions face à l'évolution de la demande, des coûts et des prix.