RAISE Summit Paris : 3 leçons sur l’IA en entreprise, de la donnée à l’exécution
Le 9 juillet, les équipes DATASOLUTION étaient au RAISE Summit, à Paris, l’un des grands rendez-vous européens dédiés à l’intelligence artificielle appliquée à l’entreprise.
Sur scène, un dirigeant d’une banque parmi les plus régulées au monde et le CEO d’une jeune entreprise européenne spécialisée dans les agents IA. Sur le papier, deux univers très différents. Dans les faits, un même constat : l’IA ne crée de valeur que lorsqu’elle est connectée à des données maîtrisées, à des processus réels et à une mesure claire de son impact.
Sans cela, les plus belles capacités restent des promesses.
3 enseignements du RAISE Summit sur l’IA en entreprise et la donnée
1. La régulation n’est pas un frein : elle peut devenir un socle
C’est l’un des messages forts de Marco Argenti, CIO de Goldman Sachs. Dans un secteur parmi les plus régulés au monde, l’adoption de l’IA ne repose pas sur une logique d’expérimentation désordonnée, mais sur des plateformes solides, sécurisées et bien gouvernées.
La contrainte réglementaire pousse à construire des environnements robustes : contrôle des accès, données bien structurées, droits utilisateurs maîtrisés, grounding des modèles, validation humaine, tests et processus de mise en production sécurisés.
Chez Goldman Sachs, l’IA touche déjà de nombreux aspects de l’organisation : développement logiciel, processus internes, équipes métiers, partenaires et clients. L’entreprise observe environ 20 % de gain net de productivité côté développeurs, mais Marco Argenti insiste sur un point essentiel : ce chiffre n’a de valeur que parce que l’IA repose sur une fondation data solide.
L’IA n’est donc pas simplement une couche ajoutée au-dessus des outils existants. Elle exige une infrastructure de données fiable, connectée et gouvernée. Dans une entreprise régulée, cette exigence n’est pas un frein : elle devient un avantage.
Et c’est exactement le message que nous portons lors de nos événements Data Stories : l’IA Act va dans le même sens. Longtemps perçu comme une contrainte, voire un frein à l’innovation, il peut au contraire devenir un cadre structurant. En imposant de tracer les usages, de documenter les données, de maîtriser les accès et de garder l’humain dans la boucle, il oblige à construire les fondations mêmes qui rendent l’IA fiable et déployable à l’échelle. Autrement dit, la régulation ne s’oppose pas à la productivité : bien comprise, elle réduit les risques et crée les conditions pour industrialiser l’IA en confiance. Ce qui vaut pour une banque américaine comme Goldman Sachs vaut aussi, à son échelle, pour toute organisation européenne qui devra composer avec l’IA Act.
La donnée n’est pas un préalable technique. C’est ce qui détermine si l’IA délivre réellement de la valeur.
2. Le vrai bond n’est pas la productivité, c’est le passage de l’exécution à l’intention
Un rappel utile avant d’aller plus loin. L’IA agentique désigne des systèmes capables d’exécuter des tâches de bout en bout, et non plus seulement d’assister l’utilisateur : ils cherchent une information, enchaînent des actions, interagissent avec plusieurs outils et produisent un résultat opérationnel. Le computer use en est la forme la plus concrète : l’agent utilise un logiciel comme le ferait un humain, il lit un écran, clique, navigue, remplit un formulaire, y compris dans des environnements anciens ou peu connectés, sans dépendre d’une API dédiée. Son efficacité dépend toutefois toujours de la qualité des données et des processus sur lesquels il agit.
Deux intervenants, une même idée : l’IA ne transforme pas seulement la vitesse d’exécution. Elle transforme la manière dont les organisations passent d’une idée à un résultat.
Chez Goldman Sachs, Marco Argenti explique que l’IA change la relation entre les équipes métiers et les ingénieurs. Historiquement, beaucoup de temps était perdu dans les allers-retours entre un besoin métier, une spécification, un développement, puis des corrections. Désormais, les métiers peuvent créer plus rapidement un prototype ou une maquette proche de ce qu’ils souhaitent obtenir.
Ce prototype n’est pas mis directement en production. Il sert à rendre l’intention beaucoup plus claire. Les ingénieurs peuvent ensuite le fiabiliser, le sécuriser et le rendre industrialisable.
Chez H Company, Gautier Cloix pousse cette logique plus loin. Selon lui, les humains sont encore trop souvent mobilisés sur de l’exécution : cliquer, chercher, copier-coller, ressaisir des informations, naviguer entre plusieurs outils ou coordonner des logiciels qui communiquent mal entre eux.
Or, leur vraie valeur est ailleurs : définir un objectif, comprendre un client, imaginer un service, arbitrer, décider, orienter une stratégie. L’enjeu n’est donc pas seulement de produire plus vite les mêmes tâches, mais de libérer les équipes de la couche d’exécution pour les recentrer sur l’intention.
C’est précisément là que les agents et le computer use deviennent intéressants : non pas parce qu’ils font une belle démonstration, mais parce qu’ils peuvent agir dans les logiciels existants et prendre en charge des tâches opérationnelles concrètes.
La vraie rupture n’est pas seulement l’automatisation. C’est la capacité à transformer une intention métier en exécution réelle.
3. Du modèle à la production : la boucle, la sécurité et le ROI font la différence
Un autre message fort du RAISE Summit : on ne crée pas de valeur durable en passant directement d’un modèle IA à la production.
Marco Argenti explique que les sorties d’un modèle doivent être traitées comme le travail d’un profil junior : utiles, rapides, parfois très pertinentes, mais à relire, tester, valider et intégrer dans un cycle sécurisé. Dans un environnement d’entreprise, et encore plus dans un secteur régulé, l’IA doit être encadrée par des garde-fous : tests, validation humaine, contrôle des données, pipelines de développement, sécurité et supervision.
Gautier Cloix ajoute une autre discipline : celle du résultat. Selon lui, un projet IA ne doit pas être évalué au nombre de prompts, de tokens utilisés ou d’outils déployés. Ces indicateurs peuvent mesurer l’activité, mais pas la valeur.
Les bons indicateurs sont plus concrets :
- économies réalisées ;
- revenus générés ;
- temps gagné sur des processus critiques ;
- réduction des coûts opérationnels ;
- amélioration de la qualité ou de la rapidité d’exécution ;
- création d’un actif stratégique pour l’entreprise.
Il donne notamment l’exemple de l’optimisation des achats de longue traîne dans un grand groupe. Les achats principaux, comme l’acier, le béton ou les équipements lourds, sont souvent bien négociés. En revanche, les achats secondaires — câbles, ampoules, extincteurs, petits équipements — sont rarement optimisés avec la même rigueur, car ils sont trop nombreux et dispersés.
Des agents peuvent alors parcourir les contrats, les factures, les systèmes internes et le web pour identifier des opportunités : seuils de remise non utilisés, fournisseurs moins chers, regroupements d’achats, renégociations possibles ou pratiques locales plus performantes. Sur certaines masses d’achat, ce type d’approche peut générer plusieurs points d’économies, avec un ROI mesurable en quelques semaines.
Derrière chaque système IA qui délivre réellement, on retrouve la même mécanique : agir, mesurer, corriger, réinjecter.
Autrement dit, la donnée ne doit pas seulement être disponible au départ. Elle doit reboucler sur le réel, alimenter l’amélioration continue et permettre au système de progresser dans le temps.
Notre lecture chez DATASOLUTION
Que l’IA soit régulée ou agentique, adoptée par une banque de 45 000 collaborateurs ou par une start-up qui déploie des agents, le goulot d’étranglement reste le même : la donnée.
Les grandes organisations rendent le défi visible par leur échelle, leurs contraintes et leurs exigences de sécurité. Les projets data & IA du quotidien le rendent décisif : sans pipeline propre, structuré et rebouclé sur le réel, les démonstrations les plus impressionnantes resteront des démonstrations.
L’IA en entreprise ne se limite pas à choisir un modèle ou à déployer un outil. Elle suppose de connecter les bons systèmes, fiabiliser les données, sécuriser les accès, mesurer l’impact, superviser les résultats et intégrer les modèles dans des processus métiers réels.
C’est précisément à cette intersection que se situe notre expertise : structurer, fiabiliser et valoriser la donnée pour que les modèles tiennent leurs promesses, du prototype au déploiement.
Et pour finir sur la note de Gautier Cloix : l’an prochain, on parlera peut-être moins de l’IA elle-même, et davantage de ce qu’elle aura permis d’accomplir.
En clair, le vrai travail n’est pas dans la hype des modèles. Il est dans la donnée, la fiabilité, l’intégration aux processus et la mise en production.
Merci au RAISE Summit pour la richesse des échanges.
Vous travaillez sur des projets data & IA, du prototype à la mise en production ? Parlons-en.
