Quand la technologie ne suffit plus
Pour cette MasterClass, nous avons eu le plaisir d’accueillir Jérôme Toscano, aujourd’hui Leader Data chez Onepoint et ancien CDO du Groupe Pichet.
Ce rendez-vous avait une ambition claire : prendre du recul.
Après avoir piloté des projets data au cœur des organisations, Jérôme a fait un constat simple mais structurant :
la valeur des projets Data & IA repose moins sur la performance technologique que sur des prérequis organisationnels, humains et méthodologiques souvent négligés.
De cette réflexion est né le Data Framework (https://data-framework.app/), une grille pragmatique permettant de relire une transformation data à travers ses fondamentaux.
1️⃣ Avant les solutions : poser le bon cadre
L’une des convictions fortes partagées pendant l’échange est la suivante :
les difficultés des projets data viennent rarement de la technologie.
Ce qui bloque, c’est le contexte.
Beaucoup d’organisations veulent prendre en charge un sujet (plateforme, IA, data products…) sans travailler l’environnement dans lequel ce sujet doit s’inscrire. Les projets avancent techniquement — parfois très bien — mais sans créer de valeur durable.
Un biais fréquent consiste à croire que la technologie produira mécaniquement de la valeur.
Or, elle n’est qu’un moyen.
Les angles morts varient selon les profils :
-
Les profils très techniques sous-estiment les enjeux métiers et humains.
-
Les profils très business sous-estiment les prérequis data et techniques.
Dans les deux cas, le désalignement fragilise l’adoption.
2️⃣ Stratégie data : colonne vertébrale de la transformation
Une stratégie data n’est pas une description d’architecture.
Elle doit répondre à des questions simples et concrètes :
-
À quoi doit servir le service data ?
-
Quelle valeur doit-il produire ?
-
Comment mesure-t-on cette valeur ?
Temps gagné ? Productivité ? Qualité de décision ? Fiabilité ?
La stratégie agit comme un miroir : elle révèle les silos, les incohérences et les dysfonctionnements existants.
Lorsqu’elle reste cantonnée à l’IT, elle devient abstraite.
Pour mobiliser, elle doit être transversale, flexible et inscrite dans une trajectoire moyen-long terme.
Les quick wins ont leur utilité — à condition qu’ils servent une vision cohérente, et non une logique opportuniste.
3️⃣ Plateforme data : inspirer confiance, pas seulement performer
Aujourd’hui, la majorité des plateformes data sont techniquement solides.
Le vrai enjeu n’est plus la performance de l’outil, mais la confiance dans son usage.
Une plateforme crédible :
-
Est pilotée clairement par l’équipe data.
-
Garantit l’intégrité des données.
-
Structure les data products exposés.
Laisser chacun créer ses propres jeux de données sans cadre précis conduit rapidement à des divergences d’interprétation et à une perte de confiance.
La plateforme doit être perçue comme un socle commun, pas comme un terrain d’expérimentation anarchique.
4️⃣ IA : transformer les processus avant d’automatiser
L’IA ne doit jamais être le point de départ.
Il faut d’abord comprendre les processus existants :
comment ils fonctionnent, où ils échouent, pourquoi.
Beaucoup de besoins exprimés comme “IA” sont en réalité des sujets data mal qualifiés.
Jérôme distingue trois niveaux :
-
IA du quotidien (type assistant interne).
-
IA interopérable avec le SI.
-
IA agentique, capable d’agir et de coopérer.
Commencer par des processus non stratégiques permet de monter en compétence et de sécuriser les usages avant d’attaquer les sujets critiques.
Très vite, une nouvelle question émerge :
celle de la gouvernance IA et de l’articulation entre plateforme data, responsabilités et future “stack IA” transverse.
5️⃣ Data viz : le point d’entrée opérationnel
La data visualisation est souvent sous-estimée.
Pourtant, c’est un puissant levier d’adoption.
Une bonne data viz repose sur :
-
L’UX,
-
Le storytelling,
-
La hiérarchisation de l’information.
Elle permet aux utilisateurs de trouver l’information sans effort, en partant de leurs indicateurs quotidiens et de leurs décisions concrètes.
C’est aussi un formidable outil d’acculturation : apprendre à lire, interpréter et questionner la donnée.
À terme, des approches de type “talk to your data” viendront enrichir ces usages, mais les fondamentaux resteront les mêmes : clarté et pertinence.
6️⃣ Gouvernance : le sujet inconfortable mais structurant
La gouvernance n’est pas technologique.
C’est un sujet d’organisation, de responsabilité et parfois… de politique interne.
Elle oblige l’entreprise à clarifier des zones de flou qu’elle évitait parfois depuis longtemps.
C’est inconfortable, mais indispensable.
La gouvernance n’est ni un livrable ni un projet ponctuel.
C’est une discipline continue, qui nécessite animation et incarnation.
Son objectif : produire un référentiel clair et partagé.
Ce qui fait vraiment la différence
Avec le recul, la différence entre un projet Data & IA solide et un projet fragile ne tient pas à la qualité de la technologie.
Elle tient à la capacité de l’organisation à se regarder en face.
La data et l’IA révèlent :
-
Des incohérences de process,
-
Des responsabilités mal définies,
-
Des zones d’ombre organisationnelles.
Les projets qui tiennent sont ceux où l’on accepte de traiter ces sujets, même s’ils ne sont pas “dans le périmètre data”.
La maturité consiste moins à accélérer qu’à aligner.
La valeur ne vient pas de la solution déployée, mais de la transformation réelle des pratiques qu’elle rend possible.
En résumé
Ce que le Data Framework met en lumière est finalement très simple :
La vraie question n’est pas
“la solution est-elle prête ?”
Mais plutôt
“l’organisation est-elle prête à l’adopter ?”
Et c’est précisément là que se situent les leviers majeurs :
-
La pédagogie pour comprendre,
-
La communication pour donner du sens,
-
Le change pour ancrer les usages,
-
L’influence pour créer un mouvement durable.
Merci à Jérôme Toscano pour ce retour d’expérience lucide et profondément terrain — précieux pour toutes celles et ceux qui pilotent ces transformations au quotidien.
