AfricaPresse.Paris

.

Une contribution de Jean-Michel HUET, associé BearingPoint, et
Marouane ZNAGUI, senior manager BearingPoint

.

Des résultats convaincants
dans un cadre maîtrisé

Dans ces phases expérimentales, les résultats obtenus sont souvent significatifs.
L’automatisation de certaines productions permet de réduire les délais de traitement, de standardiser des livrables jusque-là hétérogènes et d’améliorer la capacité à exploiter des volumes importants de données.

Les analyses gagnent en cohérence, et les équipes peuvent se concentrer davantage sur l’interprétation que sur la collecte ou la structuration de l’information. Ces projets jouent également un rôle structurant en matière d’acculturation. Ils permettent aux métiers de se confronter concrètement aux usages de la donnée et de se projeter dans de nouveaux modes de fonctionnement.

Dans un contexte où les transformations restent encore récentes, cette dimension est essentielle pour engager les équipes et rendre tangibles les apports des approches data et IA.

.

Des conditions de réussite qui
ne reflètent pas la réalité opérationnelle

Si les résultats des preuves de concept sont convaincants, ils reposent sur des conditions spécifiques qui en limitent la portée. Les projets pilotes simplifient volontairement la réalité afin de rendre l’expérimentation possible et rapide.
Les données utilisées dans ces phases font généralement l’objet d’un travail préalable important. Elles sont nettoyées, harmonisées et structurées pour permettre le bon fonctionnement des modèles. Les périmètres sont restreints, les volumes contrôlés et les cas traités relativement homogènes. Les équipes techniques accompagnent étroitement les utilisateurs, ce qui permet de corriger rapidement les dysfonctionnements.

Ces conditions sont rarement reproductibles à grande échelle. Dans les environnements opérationnels, les données sont plus hétérogènes, moins structurées et évoluent dans le temps. Les formats varient, les règles de calcul ne sont pas toujours explicitement définies et la qualité des informations peut fluctuer selon les sources. Les chaînes de traitement sont souvent fragmentées, reposent sur des interventions manuelles et ne garantissent pas la stabilité des résultats dans la durée.

Ainsi, ce qui fonctionne dans un cadre maîtrisé devient plus difficile à maintenir dès lors que l’on cherche à intégrer ces solutions dans un fonctionnement quotidien. Les résultats obtenus en phase pilote ne permettent pas de démontrer la robustesse des dispositifs dans des conditions réelles d’exploitation.

Un passage à l’échelle qui
révèle des limites structurelles

Le passage de l’expérimentation à un usage continu met en évidence des limites qui ne sont pas apparentes en phase pilote. Ces limites concernent d’abord la donnée elle-même.

Lorsque les analyses reposent sur des jeux de données préparés ponctuellement, leur reproductibilité devient incertaine. Les modèles nécessitent des ajustements permanents et leur maintien dans le temps mobilise des efforts importants.

Elles concernent ensuite les chaînes de traitement. Les dispositifs développés dans les projets pilotes restent souvent isolés des systèmes existants. Ils ne sont pas intégrés dans des flux stabilisés et dépendent de manipulations manuelles qui fragilisent leur industrialisation. Cette situation limite leur diffusion et rend difficile leur montée en charge.

Enfin, ces limites se manifestent dans l’appropriation par les équipes métiers. Lorsque les résultats produits ne sont pas suffisamment compréhensibles ou traçables, les utilisateurs continuent de s’appuyer sur leurs méthodes existantes. Les outils restent alors périphériques, même lorsque leur pertinence est démontrée.

Ces constats montrent que la difficulté ne réside pas dans la conception des solutions mais dans les conditions de leur déploiement. Le passage à l’échelle implique moins une question de technologie qu’un changement de nature dans la manière dont les usages sont intégrés et maintenus.

.

Repenser le rôle des preuves de concept
dans les trajectoires de transformation

Les preuves de concept conservent une utilité réelle. Elles permettent d’explorer des solutions, de tester des approches et de démontrer concrètement la valeur des usages data et IA.

Toutefois, leur rôle doit être repositionné. Lorsqu’elles sont menées de manière isolée, elles tendent à produire une accumulation d’expérimentations sans impact durable. Les institutions multiplient les projets sans créer les conditions permettant leur généralisation. Cette fragmentation peut donner une impression de progrès, sans pour autant transformer en profondeur les capacités analytiques.

À l’inverse, les trajectoires les plus efficaces utilisent les preuves de concept de manière ciblée. Elles les inscrivent dans une vision plus structurée, en les mobilisant pour identifier les conditions nécessaires au passage à l’échelle. Les expérimentations ne sont alors plus une fin en soi mais un outil au service d’une transformation plus large.

Dans cette perspective, l’enjeu n’est pas de multiplier les preuves de concept, mais de les relier à une trajectoire cohérente. Cela suppose de dépasser une logique d’expérimentation pour interroger les conditions dans lesquelles les usages peuvent être stabilisés, intégrés et maintenus dans le temps.

.

Vers un changement
de perspective

Le paradoxe des initiatives data et IA tient donc à ce décalage entre réussite en environnement pilote et difficulté à produire des effets durables à l’échelle de l’institution. Ce décalage ne remet pas en cause la pertinence des solutions mais il souligne les limites d’une approche centrée uniquement sur l’expérimentation. Il invite à modifier la grille de lecture des projets.

La question n’est plus seulement de savoir si une solution fonctionne dans un cadre donné, mais dans quelles conditions elle peut être utilisée de manière continue, intégrée aux processus et assumée par l’organisation. C’est précisément à ce niveau que se situe le véritable enjeu de transformation. Et c’est ce basculement, entre expérimentation et capacité institutionnelle, qui conditionne la réussite des initiatives data et intelligence artificielle dans les banques centrales.

◊ ◊ ◊

…………

SUR LE MÊME SUJET
> Publié :
1 - BearingPoint / Data & IA en banques centrales africaines / 1 - Une transformation engagée mais encore limitée dans ses effets
> À venir :
3 - Passer à l’échelle : de l’expérimentation à la capacité institutionnelle

◊ ◊ ◊