Pourquoi la création d'une base prête pour l'IA ne s'arrête pas à la technologie
par Aly McGue
Kraken, le système d'exploitation basé sur l'IA qui alimente certaines des plus grandes entreprises de services publics au monde, gère plus de 90 millions de comptes clients dans 27 pays pour des clients tels qu'EDF, E.ON, National Grid et Tokyo Gas. Kraken utilise Databricks comme sa plateforme de données interne et s'associe à Databricks pour aider les clients à maximiser la valeur des données qu'ils reçoivent via une distribution de données sécurisée et évolutive.
Kristy Mayer-Mejia est la responsable mondiale de la transformation des données chez Kraken, où son équipe aide les clients du secteur des services publics à comprendre, adopter et extraire de la valeur des données fournies par Kraken. Son mandat est double : accélérer le temps nécessaire aux clients pour utiliser les données et augmenter la valeur qu'ils en tirent.
Je me suis entretenue avec Kristy pour comprendre comment les données fonctionnent comme un actif commercial et constituent le fondement d'une stratégie d'IA réussie. Un point clé de notre conversation est que devenir axé sur les données implique autant des données propres et unifiées que du contexte commercial approfondi et de la propriété. Des plateformes comme Kraken et Databricks résolvent ce que Kristy appelle le problème d'unification fondamentale, le prérequis qui rend tout le reste viable. Mais une fois cette base établie, la partie que la plupart des dirigeants sous-estiment est le contexte commercial qui rend les données unifiées utilisables.
Aly McGue : D'après votre expérience, pourquoi les données cloisonnées et les systèmes fragmentés restent-ils un obstacle majeur pour les organisations qui tentent d'extraire de la valeur de leurs investissements ?
Kristy Mayer-Mejia : Ce que nous constatons de manière répétée chez nos clients, c'est que les données de faible qualité et cloisonnées sont le principal obstacle à l'obtention de valeur de tout autre investissement. Tant que les données ne sont pas centralisées, rien d'autre ne fonctionne à grande échelle, et la résolution de ce problème est exactement le problème que la plateforme de Kraken est conçue pour résoudre. Et j'ai vécu cela en tant que leader des données dans tous mes rôles précédents aussi. Votre équipe passe 80 % de son temps à nettoyer les données, et ce n'est tout simplement pas un travail de valeur. Ce n'est pas nécessaire.
Le véritable déblocage est le libre-service, mais il n'est possible qu'une fois que les données sous-jacentes sont propres, unifiées et accessibles. Surtout à l'ère de l'IA, le libre-service est possible à grande échelle. Vous n'irez jamais vite en tant qu'entreprise, n'innoverez pas ou ne prendrez pas de décisions quotidiennes basées sur les données si chaque question doit être répondue par l'équipe de données. Mais lorsque les données sont dispersées dans différents systèmes sans documentation et sans moyen clair de les joindre, le libre-service est impossible. L'unification est ce déblocage fondamental qui rend tout le reste viable : l'analyse, l'IA, la rapidité de prise de décision. C'est essentiel.
Aly : Nous avons tous été dans des réunions où la direction passe plus de temps à débattre « quel chiffre est le bon » qu'à prendre une décision. Quel est le coût caché de ce manque de confiance dans les données ?
Kristy : Je donne cet exemple tout le temps, et cela a été vrai dans toutes les entreprises où j'ai travaillé. Avant d'avoir des données unifiées, la question classique est : combien de clients avons-nous ? Et personne ne le sait vraiment. Vous connaissez l'ordre de grandeur. Mais quand je donne cet exemple, tout le monde rit parce qu'ils savent que c'est vrai.
Ce qui en résulte, c'est un manque de confiance dans les données. Et l'une des premières valeurs principales que les données unifiées fournissent est la rapidité de prise de décision, la capacité d'intégrer la pensée basée sur les données dans l'ADN de l'entreprise. Vous ne pouvez pas avancer rapidement si chaque fois que vous extrayez un chiffre, vous vous dites : « Suis-je sûr que c'est correct ? » Laissez-moi vérifier cinq autres endroits. Laissez-moi demander à quelqu'un. Et puis c'est différent. Et puis vous devez comprendre pourquoi c'est différent. Soudain, deux semaines ou un mois plus tard, vous auriez aussi bien pu choisir une direction aléatoire et continuer.
Aly : Nous parlons souvent de données alimentant l'IA, mais vous avez suggéré que l'IA pourrait en fait être une « fonction de contrainte » pour de meilleures données. Comment la poussée vers l'IA change-t-elle la façon dont les organisations abordent la documentation et le contexte ?
Kristy : L'IA a en fait été une fonction de contrainte. Les entrées dont l'IA a besoin sont les mêmes que celles dont les humains ont besoin : des données claires, de la documentation, du contexte sur la signification des colonnes et sur la façon dont les choses s'articulent. Lorsque les données sont difficiles à utiliser, l'analyse en libre-service semble être un « plus » car la valeur est difficile à cerner. Il s'agit de quelques heures économisées ici et là sur des décisions individuelles, ce qui ne semble pas convaincant isolément. Mais accumulé dans toute l'organisation, c'est énorme. C'est juste difficile à voir.
L'IA a rendu cette valeur visible et a fait des données propres et de la documentation des éléments essentiels. Elle prend ce que tout le monde savait être nécessaire et le rend non négociable. Et puis, d'autre part, l'IA elle-même fournit les outils pour débloquer l'analyse. Des choses comme les interfaces conversationnelles qui permettent aux gens d'interroger les données sans écrire de SQL. C'est donc à la fois la fonction de contrainte qui entraîne l'unification et le retour sur investissement qui en découle.
Aly : Vous avez parlé de la nécessité d'unifier et de documenter les données. Mais en ce qui concerne spécifiquement l'IA, la documentation dans une base de connaissances ou un PDF est-elle suffisante ?
Kristy : C'était le cas auparavant. Nous partagions la documentation de nos données comme la plupart des entreprises le font : un PDF, ou une page sur un site Web qu'un analyste de données pouvait consulter lorsqu'il avait besoin de contexte. Cela fonctionne assez bien pour les humains. Cela ne fonctionne pas pour l'IA.
Chaque client que j'interroge maintenant pose la même question : pouvez-vous partager les métadonnées dans leur contexte, avec les données elles-mêmes, afin que nous puissions les intégrer dans les modèles et qu'ils comprennent ce avec quoi ils travaillent ? Ce changement, de la documentation en tant qu'artefact de référence à la documentation en tant qu'entrée vivante, est l'un des changements les plus sous-estimés que l'IA impose. Avec Unity Catalog et Delta Sharing, nous pouvons partager ce contexte avec les données plutôt qu'à part. Pour nos clients, c'est souvent la différence entre une IA capable de raisonner sur les données et une IA qui ne le peut pas.
Aly : À quoi ressemble « l'unification des données » en pratique ? Comment la visibilité quasi en temps réel change-t-elle les opérations quotidiennes ?
Kristy : Quelques exemples de nos clients se démarquent. L'un d'eux est les opérations des centres d'appels, qui est une fonction massive pour les services publics. Nous avons eu un client qui est passé de rapports mensuels sur le volume d'appels, qui étaient si pénibles à compiler, à des tableaux de bord qui se mettent à jour toutes les quelques heures, avec un modèle prédictif superposé sur les appels qu'ils sont susceptibles de voir à l'avenir. Cette capacité à affiner les opérations en quasi temps réel, plutôt qu'à regarder en arrière une fois par mois, est une fa çon complètement différente de gérer l'entreprise.
Un autre domaine est l'innovation produit. Dans le secteur des services publics, les clients déterminent les produits et tarifs à proposer pour attirer et fidéliser les clients. C'est une décision qui peut être profondément optimisée par les données. Des données propres et claires donnent aux clients un aperçu facile, et des cycles rapides de test et d'apprentissage pour optimiser leurs offres de produits – et ensuite la plateforme de Kraken leur permet de lancer rapidement ces nouveaux tarifs.
Aly : Le « goulot d'étranglement de l'analyste » est un point sensible classique pour la direction. Comment les interfaces en langage naturel, comme Databricks Genie, font-elles passer la culture de l'attente de semaines pour un rapport à l'obtention de réponses en quelques minutes ?
Kristy : La plupart de nos clients Genie en sont encore aux premières étapes. Mais ce que nous constatons, c'est que cela accélère leur temps de démarrage de plusieurs semaines, voire plus. Ils n'ont pas besoin de modéliser en profondeur les données comme vous le feriez pour les intégrer dans un outil de BI traditionnel. Ils ont besoin d'une documentation claire, ils ont besoin du contexte, ils ont besoin des données en un seul endroit, mais ils n'ont pas à les structurer aussi précisément qu'un utilisateur pourrait les explorer via une interface rigide.
Mais au-delà de la rapidité, il y a un effet d'entraînement culturel très clair. L'un des plus grands obstacles à la valeur des données est le changement culturel qui consiste à faire des données une partie de votre ADN. Et je crois fermement que l'une des clés est de rendre cela incroyablement facile et intuitif. Lorsque la barrière est faible et que les gens peuvent y accéder rapidement, la culture, et la valeur cumulative, suivent.
Aly : Kraken couvre une grande partie des données de l'industrie des services publics. Où voyez-vous l'IA et les données emmener vos clients au cours des trois à cinq prochaines années ?
Kristy : Ce que je trouve le plus intéressant, c'est la rapidité avec laquelle l'IA repousse les limites de ce que les clients peuvent faire une fois qu'ils disposent d'une base de données solide. Pendant longtemps, la question était : comment rendre nos données utilisables ? Ce travail est toujours réel et prend encore du temps. Mais la question se déplace vers : maintenant que la base est là, que devient-il possible ? Et la réponse ne cesse de s'élargir. L'IA modifie le point de départ des clients et ce à quoi ressemble un bon résultat. Les clients qui auraient considéré un rapport mensuel comme un succès il y a deux ans réalisent maintenant des tableaux de bord horaires avec des modèles prédictifs superposés et se tournent rapidement vers une utilisation généralisée de l'IA agentique.
Ceux qui ont investi tôt dans leurs capacités de données – et pas seulement dans leur technologie, mais aussi dans leurs compétences et leur culture – sont ceux qui progressent le plus rapidement maintenant, et l'écart entre eux et les autres ne fera que se creuser.
La perspective de Kristy ajoute une couche souvent manquante à la conversation sur l'infrastructure de données. La plateforme et l'unification qu'elle permet sont le déverrouillage fondamental. Mais là où elle voit la plupart des organisations stagner, c'est dans le travail qui suit : la connaissance métier qui rend les données utilisables, la documentation qui rend l'IA possible et le changement culturel qui rend le libre-service réel.
Alors que vous développez votre feuille de route pour intégrer l'IA dans votre organisation et vos produits, téléchargez le Databricks State of AI Agents pour vous aider à évaluer vos investissements.
(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original
Abonnez-vous à notre blog et recevez les derniers articles directement dans votre boîte mail.