Chez PwC, la data est directement liée au pilotage du risque. En quoi ce contexte change-t-il votre approche ?
Chez PwC, nous manipulons des données particulièrement sensibles, liées à l’audit, au conseil et à la conformité. Chaque donnée doit être traçable, documentée et explicable afin de prévenir les conflits d’intérêts et de sécuriser nos interventions.
Nous opérons dans plus de 130 pays, avec des règles d’ownership client propres à chaque territoire. La data circule, mais la responsabilité reste locale, ce qui impose un cadre de gouvernance exigeant et parfois complexe.
Dans ce contexte, la data n’est pas seulement un actif : c’est un enjeu de gouvernance, de confiance et de responsabilité.
Pourquoi avoir commencé par transformer votre propre équipe Data Management ?
Notre équipe est positionnée au sein des fonctions internes de PwC France et Maghreb. Nous sommes au cœur des mécanismes de contrôle, mais rarement visibles.
La motivation initiale était pragmatique : réduire les coûts et alléger la charge liée à des tâches répétitives, comme la saisie de données dans nos référentiels clients. Nous avons commencé par automatiser les activités à faible valeur ajoutée. Les gains générés ont ensuite permis de financer l’intégration de l’IA.
Cette approche progressive nous a permis d’apprendre sans brûler les étapes. Il est toujours plus pertinent de transformer des activités que l’on connaît et maîtrise déjà.
Étape 1 — Cartographier avant d’automatiser
Qu’avez-vous appris en cartographiant vos processus ?
Nous avons cartographié 17 processus en quatre mois, et ce travail s’est révélé beaucoup plus structurant que prévu.
Cela nous a obligés à analyser en profondeur notre fonctionnement et à formaliser des processus qui, jusqu’alors, reposaient largement sur des pratiques implicites. Nous avons notamment constaté qu’il n’existait pas toujours de processus véritablement uniformes. Chacun pouvait en avoir sa propre interprétation.
Certains processus comptaient plus de 30 étapes, avec de nombreux allers-retours entre différents systèmes. Cette complexité était souvent héritée de contraintes historiques ou de contrôles accumulés au fil du temps, sans remise à plat globale.
Cette phase a permis de rendre visible ce qui ne l’était pas, d’identifier les points de friction et, surtout, de repérer des étapes qui n’apportaient pas de valeur.
Vous avez également créé un processus de pré-analyse. Qu’est-ce que cela révèle sur l’usage de l’IA ?
Ce travail nous a permis de dépasser certaines idées reçues, notamment celle selon laquelle l’IA remplacerait automatiquement l’humain. En réalité, il est essentiel de cibler précisément les étapes où elle apporte une valeur réelle.
Nous avons constaté que l’IA était particulièrement utile en phase de pré-analyse. Elle permet d’examiner les demandes entrantes, d’en vérifier la cohérence, de contrôler les identifiants clients et d’identifier les informations manquantes. Cela améliore la qualité des échanges et réduit les allers-retours.
À l’inverse, les tâches répétitives et déterministes relèvent davantage de la robotisation classique, via la RPA. L’IA apporte davantage de valeur lorsqu’il s’agit d’analyser, d’interpréter ou de structurer des informations complexes.
Étape 2 — Documenter pour rendre la transformation duplicable
Pourquoi la documentation a-t-elle été essentielle ?
Nous étions les premiers, dans notre organisation, à mener ce type de transformation. Il était donc essentiel de documenter notre démarche afin de pouvoir la reproduire dans d’autres équipes et, à terme, auprès de nos clients.
Nous avons rapidement constaté que les schémas de processus ne suffisaient pas. Nous les avons complétés par des règles de gestion détaillées et un mapping précis des données concernées. Cela permet de comprendre non seulement les étapes, mais aussi les conditions et les informations nécessaires à chaque transition.
Nous avons également utilisé l’IA pour générer automatiquement certaines documentations utilisateurs à partir de ces éléments, ce qui a accéléré le processus.
Enfin, nous avons intégré le principe de supervision humaine. Les automatisations ne sont pas infaillibles, et le maintien d’un contrôle humain reste indispensable pour garantir leur fiabilité.
Vous avez formalisé cette expérience dans une matrice de maturité. Quel est son rôle ?
Cette matrice regroupe les principales questions à se poser avant d’automatiser un processus. Elle couvre six dimensions : la cartographie et la documentation, les volumes et la valeur, la pertinence de l’IA, la gouvernance, l’expérience utilisateur et le retour sur investissement.
Elle permet aux équipes de réaliser une auto-évaluation rapide et structurée afin de déterminer si les conditions sont réunies pour une automatisation efficace.
Elle aborde également les enjeux d’adoption, car la transformation ne repose pas uniquement sur la technologie, mais aussi sur l’adhésion des équipes.
Comment cette transformation interne a-t-elle renforcé votre légitimité ?
Ce retour d’expérience a été largement partagé au sein de l’organisation. Il nous a permis de gagner en visibilité et de démontrer concrètement la valeur de cette démarche.
Nous avons pu partager nos apprentissages, les défis rencontrés et les solutions mises en œuvre. Cette expérience a également renforcé notre crédibilité auprès des clients, car nous avons appliqué à nous-mêmes les méthodes que nous recommandons.
Qu’est-ce que cette expérience vous permet aujourd’hui de dire avec certitude à vos clients ?
Elle nous a appris que l’IA n’est pas toujours la réponse la plus adaptée. Dans certains cas, une automatisation classique via la RPA est plus pertinente.
Surtout, elle confirme qu’une automatisation réussie repose avant tout sur une préparation rigoureuse : comprendre ses processus, maîtriser ses données et structurer sa gouvernance. C’est cette phase préparatoire qui conditionne le succès de la transformation.
