Depuis des années, la gestion des données de référence (MDM) s'effectue en grande partie en coulisses.
Les solutions MDM créent des enregistrements fiables, établissent des définitions cohérentes, relient les informations entre les différents systèmes et aident les organisations à gérer leurs données les plus importantes. Ce travail est essentiel, mais sa valeur a toujours été considérée sous l’angle opérationnel : meilleure qualité des données, processus plus efficaces, moins d’incohérences et moins de tâches manuelles.
Mais aujourd’hui, l’entreprise « agentique » élargit ce rôle.
À mesure que les agents d’IA jouent un rôle de plus en plus important dans la chaîne d’approvisionnement, le commerce, le marketing, la finance, la gestion des risques et d’autres fonctions métier, ils ont besoin de données fiables et d’un contexte métier. Lorsque les agents puisent des données fiables et un contexte métier dans une plateforme de données de référence, le MDM évolue d’un simple système soutenant les équipes chargées de la gestion des données vers un élément fondamental du processus par lequel l’entreprise prend des décisions et mène des actions fiables.
Cette évolution fait en sorte que davantage de personnes s’intéressent aux données de référence. Elle modifie également la manière dont les organisations doivent gérer, hiérarchiser et mesurer la valeur de leurs investissements en MDM.
D’une plateforme spécialisée à une infrastructure d’entreprise partagée
Traditionnellement, la responsabilité du MDM était concentrée au sein des équipes chargées des données, de l’informatique, du merchandising et d’autres équipes opérationnelles. La plateforme prend déjà en charge des processus clés tels que l’intégration des produits et des fournisseurs, la publication des produits et la distribution des données. Ces équipes gèrent les données sous-jacentes, régissent leur utilisation et orientent le développement de la plateforme.
D'autres fonctions de l'entreprise peuvent exploiter ces données sans jouer de rôle direct dans la stratégie de gestion des données de référence (MDM) qui les sous-tend. Mais les agents d'IA sont en train de changer la donne.
Prenons l’exemple d’un agent IA dédié à la chaîne d’approvisionnement, conçu pour identifier des alternatives lorsqu’un produit n’est pas disponible. Pour formuler une recommandation pertinente, cet agent peut avoir besoin de plus qu’une simple fiche produit précise. Il peut devoir comprendre quels fournisseurs proposent le produit, où se trouvent les stocks, quels substituts répondent aux mêmes exigences et quelles règles contractuelles ou réglementaires s’appliquent.
Prenons également d’autres agents IA : un agent commercial peut avoir besoin d’informations sur le produit, le client, la localisation et le contexte tarifaire. Un agent de gestion des risques peut s’appuyer sur des relations réglementées entre fournisseurs, entités d’entreprise et régions. Un agent de service peut avoir besoin d’informations cohérentes sur les clients, les produits, les garanties et les droits d’assistance.
Le point commun ici est que la valeur ne provient pas seulement des enregistrements individuels, mais aussi des relations, des classifications, des politiques et des définitions métier qui les entourent. Des agents IA fiables ont besoin de données métier régies et fiables qu’ils peuvent utiliser de manière cohérente dans toutes leurs décisions et tous leurs flux de travail.
C’est là que la gestion des données de référence multidomaine (MDM) revêt une importance particulière. Les processus d’entreprise s’inscrivent rarement de manière parfaitement cohérente dans un seul domaine de données, pas plus que les agents qui les prennent en charge. Une décision relative à la chaîne d’approvisionnement peut dépendre de données interconnectées sur les produits, les fournisseurs, les emplacements et les actifs. Une interaction commerciale peut nécessiter le contexte lié aux produits, aux clients, aux prix et aux emplacements. En regroupant ces domaines et leurs relations, la gestion des données de référence (MDM) offre aux agents une vision plus complète de l’environnement métier dans lequel ils opèrent.
À mesure que les agents utilisent ce contexte pour prendre en charge davantage de processus métier, la plateforme de données de référence endosse un rôle plus large. Elle reste chargée de créer et de gouverner des données fiables, mais ces données contribuent désormais à des décisions prises bien au-delà des équipes qui exploitent la plateforme.
Le MDM devient une infrastructure partagée permettant de prendre des décisions et de mener des actions fiables, que les agents IA contribuent à produire à l’échelle de l’entreprise.
Le nombre croissant de parties prenantes soulève de nouvelles questions concernant la propriété des données
Ce rôle élargi ne signifie pas que chaque service doive commencer à gérer les données de référence de manière indépendante. Mais cela signifie qu’un plus grand nombre de services ont désormais un intérêt légitime dans les décisions prises à leur sujet.
Si un collaborateur chargé d’un processus financier s’appuie sur des données clients et fournisseurs, l’équipe financière a tout intérêt à ce que ces données soient de bonne qualité, pertinentes et disponibles. Si un collaborateur de la chaîne d’approvisionnement a besoin de nouvelles relations entre les produits et les sites, l’équipe de la chaîne d’approvisionnement a tout intérêt à ce que ces relations soient correctement modélisées et hiérarchisées.
Les organisations devront déterminer comment ces parties prenantes peuvent participer sans fragmenter la responsabilité ni affaiblir la gouvernance. Pour cela, il convient de commencer par se poser quatre questions importantes.
Qui est responsable des données qui sous-tendent l’action d’un agent ?
Les agents d’IA peuvent regrouper plusieurs domaines de responsabilité existants.
Une équipe chargée des données peut gérer l'enregistrement de référence, tandis qu'une fonction métier peut définir les règles ou les relations qui lui donnent tout son sens. Le service informatique peut gérer la manière dont l'agent accède aux données, tandis qu'une équipe d'IA peut concevoir l'agent et déterminer comment il utilise ces informations.
Si cet agent recommande ou entreprend une action, la responsabilité ne peut pas simplement incomber au système qui a fourni une partie de la réponse.
Les organisations doivent avoir une vision claire de qui est propriétaire des données, de qui est responsable des règles métier, de qui est propriétaire de l’agent et de qui est responsable du résultat. Ces responsabilités peuvent être centralisées ou réparties au sein de l’organisation, mais les règles, les pouvoirs de décision et les chaînes de responsabilité ne doivent pas prêter à confusion.
Qui approuve les nouvelles utilisations des données de référence ?
Chaque nouveau cas d’utilisation d’un agent soulève des questions concernant l’objectif, l’accès, les risques et la valeur attendue. De quelles données l’agent a-t-il besoin ? Les informations demandées sont-elles adaptées au processus ? Les relations et les définitions sont-elles suffisamment complètes ? L’agent doit-il se contenter de lire les données, ou doit-il également pouvoir proposer ou apporter des modifications ?
Un processus d’approbation bien défini aide l’organisation à évaluer ces questions avant que les données ne soient mises en service, plutôt qu’après l’apparition d’un problème. Après tout, une connexion technique n’implique pas automatiquement une utilisation métier approuvée.
Qui fixe les priorités ?
À mesure que de plus en plus d'équipes identifient des opportunités d'utilisation des données de référence, elles imposeront de nouvelles exigences à la feuille de route MDM.
Un service peut demander la création d’un domaine de données supplémentaire. Un autre peut avoir besoin de nouvelles relations entre des domaines existants. Un troisième peut exiger des classifications, des autorisations ou des règles métier plus détaillées.
Ces demandes n’auront pas toutes la même valeur, le même degré d’urgence ou la même complexité. La hiérarchisation devra tenir compte non seulement de la faisabilité technique, mais aussi de l’importance du processus métier, de la contribution attendue du cas d’utilisation et du travail nécessaire pour que les données sous-jacentes soient prêtes à être utilisées par les agents.
En d’autres termes, la feuille de route MDM s’intégrera de plus en plus à la feuille de route de l’IA de l’entreprise.
L'entreprise est-elle en mesure de retracer les données à l'origine du résultat ?
Lorsqu'un agent contribue à une décision métier, l'entreprise doit comprendre les informations et le contexte qui la sous-tendent.
Cela va au-delà du simple fait de savoir que l’agent s’est connecté à un système. Cela revêt une importance particulière dans les flux de travail de type « agent à agent », où les données et les décisions transitent d’un système à l’autre sans contrôle humain continu.
Les dirigeants peuvent avoir besoin de savoir quels enregistrements, relations, classifications et politiques ont guidé l’action. Les équipes chargées des données et de l’IA peuvent avoir besoin de ces éléments pour enquêter sur des résultats inattendus ou améliorer les performances futures.
La traçabilité aide également l’organisation à établir un lien entre l’utilisation des données de référence et le résultat qu’elle a permis d’obtenir. Cela revêt une importance non seulement pour la gouvernance, mais aussi pour la compréhension de la valeur ajoutée.
Les arguments en faveur de la gestion des données de référence (MDM) se multiplient
Cette évolution engendre une certaine complexité organisationnelle, mais elle offre également de nouvelles opportunités.
La valeur du MDM a traditionnellement été mesurée à l’aune d’améliorations telles qu’une meilleure qualité des données, une réduction des doublons, une intégration plus rapide, une charge opérationnelle moindre et une conformité plus fiable. Ces avantages restent importants.
Mais lorsque des données de référence gérées soutiennent un agent intervenant dans un processus métier clé, la valeur de la plateforme peut également être liée au résultat produit par ce processus.
Un collaborateur de la chaîne logistique peut utiliser des données sur les produits, les fournisseurs et les sites pour identifier des solutions alternatives d’exécution des commandes. Un accès plus rapide à un contexte fiable pourrait aider l’entreprise à réduire les retards de livraison, à éviter les frais liés aux livraisons urgentes ou à améliorer la disponibilité des produits.
Un agent du commerce en ligne pourrait utiliser des informations contrôlées sur les produits et les clients pour proposer des recommandations plus pertinentes. Il pourrait en résulter un taux de conversion plus élevé, un engagement client plus fort ou une diminution des retours dus à des informations incomplètes.
Un agent de service pourrait s'appuyer sur des données interconnectées relatives aux clients, aux produits et aux garanties pour résoudre les dossiers plus rapidement et de manière plus cohérente. Un agent chargé de la gestion des risques pourrait identifier les relations problématiques avec les fournisseurs avant qu'elles n'entraînent un problème de conformité ou une perturbation opérationnelle.
La gestion des données de référence (MDM) n’est pas la seule source de ces résultats. L’agent, le modèle, l’application, le flux de travail et les personnes impliquées y contribuent tous. Mais lorsque des données de référence fiables rendent l’action possible, la plateforme fait partie intégrante de la chaîne de valeur.
Cela offre aux organisations une perspective plus large pour évaluer le MDM. Et cela élargit la question, qui passe de « Dans quelle mesure gérons-nous efficacement nos données ? » à « Que peut accomplir l'entreprise grâce à la disponibilité de ces données et de ce contexte ? »
Mesurer la valeur là où l’impact sur l’entreprise se fait sentir
Établir un lien entre le MDM et le retour sur investissement (ROI) de l’IA ne signifie pas nécessairement que vous deviez vous attribuer le mérite de chaque résultat obtenu par un agent. Comme pour la mesure du ROI global du MDM, l’objectif est de relier l’investissement à des avantages tangibles et aux coûts totaux. Cela implique donc d’établir un lien clair entre l’objectif métier et les données qui le sous-tendent.
Commencez par vous poser cinq questions :
- Quel processus ou quelle décision cherchons-nous à améliorer ? Partez du besoin métier, et non de la connexion technique.
- Quel rôle l’agent va-t-il jouer ? Déterminez si l’agent va récupérer des informations, formuler une recommandation, lancer un workflow ou effectuer une action.
- De quelles données et de quel contexte l’agent a-t-il besoin ? Identifiez les enregistrements, les domaines, les relations, les hiérarchies, les classifications et les règles métier requis pour le cas d’utilisation.
- Qu’est-ce qui doit s’améliorer ? Déterminez le changement attendu, par exemple des décisions plus rapides, moins de validations manuelles, moins d’erreurs ou une exécution plus cohérente.
- Quel résultat métier devrait refléter cette amélioration ? Reliez le cas d’utilisation à un indicateur approprié en matière de chiffre d’affaires, de coûts, de productivité, de risque, de conformité ou d’expérience client.
Cela crée une chaîne de valeur concrète :
Processus métier → cas d’utilisation de l’agent → dépendance vis-à-vis des données de référence → amélioration opérationnelle → résultat métier
Prenons l’exemple d’un agent chargé de résoudre les ruptures d’approvisionnement. Cet agent peut utiliser des données contrôlées relatives aux produits, aux fournisseurs et aux sites pour trouver des alternatives viables. L’amélioration immédiate pourrait se traduire par une réduction du temps nécessaire à l’évaluation des options. Le résultat commercial plus large pourrait se traduire par une diminution du nombre de commandes retardées, une baisse des coûts d’expédition d’urgence ou une amélioration des niveaux de service.
Le résultat global ne peut être attribué uniquement à la gestion des données de référence (MDM), mais l’impact lié au fait de fournir à l’agent un contexte métier fiable et connecté peut néanmoins être identifié et mesuré.
Cette approche offre aux dirigeants une compréhension plus crédible de la contribution de la plateforme qu’une affirmation générale selon laquelle de meilleures données produisent une meilleure IA.
Replacer le coût dans le contexte de la valeur
L'IA engendre également de nouveaux coûts.
Les entreprises peuvent être amenées à payer pour l'utilisation des modèles, l'exécution des agents, l'infrastructure, les applications, les intégrations, la gouvernance et l'accès aux données d'entreprise. À mesure que les cas d'utilisation des agents se multiplient, les dirigeants devront disposer d'une vision plus claire de l'origine de ces coûts et de ce qu'ils génèrent.
Cet examen minutieux devrait renforcer la nécessité d’un investissement rigoureux dans la gestion des données de gestion (MDM), et non réduire la plateforme à un simple poste budgétaire parmi d’autres.
Pour chaque cas d’utilisation, il convient de prendre en compte les éléments suivants :
- Quels agents dépendent des données de référence gérées ?
- À quelle fréquence les utilisent-ils ou les mettent-ils à jour ?
- Quels domaines et relations doivent être gérés ?
- Quelle gouvernance ou supervision supplémentaire ce cas d'utilisation nécessite-t-il ?
- Sur quel résultat métier l’agent est-il censé avoir une influence ?
- Quelles opérations de validation, de rapprochement ou de correction seraient nécessaires en l’absence de données fiables ?
- La valeur attendue justifie-t-elle le coût lié à la préparation, à la gouvernance, à la mise à disposition et à l'utilisation des données ?
Ces questions aident les organisations à sélectionner les bons cas d'utilisation et à mettre en place les bases de données adaptées à ceux-ci.
Elles soulignent également un point important : la connexion la moins coûteuse n’est pas nécessairement la plus utile. Donner à un agent l’accès à des données incomplètes, mal définies ou disjointes peut entraîner des coûts supplémentaires sous forme de vérifications manuelles, de retouches, de décisions incohérentes ou de risques inutiles.
Le retour sur investissement dépend à la fois de la valeur du résultat et de la fiabilité des informations utilisées pour y parvenir.
Un rôle plus stratégique nécessite un modèle opérationnel plus connecté
À mesure que la gestion des données de référence (MDM) s'intègre dans les fondements de l'IA d'entreprise, son modèle opérationnel devra refléter son champ d'action élargi.
L'approche précise variera d'une organisation à l'autre, mais plusieurs capacités gagneront en importance :
- Une responsabilité clairement définie concernant les données et le contexte sous-jacents aux actions pilotées par l’IA
- Des droits de décision clairement définis pour les nouveaux cas d’utilisation et les demandes d’accès
- Une méthode structurée pour hiérarchiser les demandes interfonctionnelles
- Une traçabilité entre les actions des agents et les données sous-jacentes
- Des indicateurs communs reliant l’investissement dans la gestion des données de référence (MDM) aux résultats métier
- Une coordination entre les fonctions données, informatique, IA, finance, gestion des risques et les fonctions métier utilisant les agents
L'objectif ici est de s'assurer que l'organisation puisse étendre l'utilisation des données de référence sans perdre en clarté, en contrôle ni en orientation.
Les responsables métier ont besoin d’un moyen de définir les cas d’utilisation qui concernent leurs fonctions. Les responsables des données doivent garantir la cohérence et l’intégrité des informations partagées. Les responsables techniques doivent gérer les accès, l’architecture et les coûts. Les équipes financières et la direction doivent déterminer si ces investissements génèrent des retours significatifs.
La gestion des données de référence (MDM) se situe au carrefour de ces priorités.
Le MDM est le fondement de l'intelligence d'entreprise
L'objectif fondamental du MDM ne change pas. Les organisations auront toujours besoin de données fiables, de définitions cohérentes, de domaines interconnectés et d'une gouvernance solide.
Ce qui change, c'est la portée de ce socle.
L’IA d’entreprise rendra le contexte multidomaine de plus en plus important. Les décisions commerciales dépendent rarement d’un produit, d’un client, d’un fournisseur, d’un site ou d’un actif pris isolément. Les agents doivent comprendre comment ces entités sont liées entre elles, quelles définitions et politiques s’appliquent, et ce que ces liens signifient au sein d’un processus métier spécifique.
Lorsque les agents d’IA peuvent s’appuyer sur ces données de référence interconnectées, la gestion des données de référence (MDM) ne se limite plus à assurer l’efficacité des opérations sur les données. Elle fournit le contexte métier qui sous-tend les décisions, les recommandations et les actions de plus en plus autonomes.
La plateforme bénéficie ainsi d’une utilisation plus large, d’une gouvernance stratégique et d’un lien direct avec la valeur métier.
Cela élève également la gestion des données de référence (MDM) du statut de simple solution fonctionnant en arrière-plan à celui d’élément central de l’intelligence qui fait progresser l’entreprise.
La prochaine étape consiste à se poser les questions suivantes :
- Quels agents d’IA s’appuient déjà sur nos données de référence ?
- Quels processus métier en dépendront ensuite ?
- Qui est responsable des données et du contexte qui sous-tendent leurs actions ?
- Comment ces cas d'utilisation devraient-ils influencer notre feuille de route en matière de gestion des données de référence (MDM) ?
- Quels résultats nous permettront de mesurer la valeur des décisions et des actions rendues possibles par ces données fiables ?
Les réponses varieront d’une organisation à l’autre, mais la direction à suivre est claire : à mesure que l’IA s’intègre de plus en plus profondément dans l’entreprise, la gestion des données de référence (MDM) occupe une place de plus en plus centrale dans la manière dont l’entreprise fonctionne, prend ses décisions et crée de la valeur.
Les données de référence constituent le socle fiable. C'est à travers les décisions et les actions qu'elles alimentent que l'intelligence fiable prend vie.
