Le cloud a permis aux entreprises de moderniser leurs infrastructures. Mais passer au cloud ne suffit pas, à lui seul, à créer de la valeur pour l’entreprise. L’enjeu est désormais de construire ou de renforcer des fondations solides en matière de données, pour mieux relier le cloud, les métiers et l’IA, tout en gardant la maîtrise des informations critiques.

De l’adoption du cloud à la création de valeur

La modernisation des infrastructures et des applications grâce au cloud a renforcé l’agilité, la résilience et la capacité d’adaptation des entreprises. Pourtant, les données restent souvent dispersées entre les environnements de cloud public, les infrastructures internes et les clouds souverains, ce qui limite leur utilisation par les métiers.

La prochaine étape consiste à rendre les données plus accessibles et plus fiables, afin d’améliorer la prise de décision et l’efficacité opérationnelle.

Les plateformes de données deviennent un actif stratégique

Selon Gartner, les dépenses consacrées aux logiciels de gestion des données devraient atteindre 21,6 milliards de dollars d’ici 2029, avec une croissance annuelle moyenne de 9,3 %, portée notamment par les besoins en matière d’intégration et de gouvernance. Ces fondations sont également essentielles à l’IA : Gartner prévoit que, d’ici fin 2026, 60 % des projets d’IA dépourvus de données adaptées à l’IA seront abandonnés.

La plupart des organisations disposent déjà d’une grande quantité de données. Les informations clients et métiers sont réparties entre les systèmes CRM, les référentiels, les entrepôts de données, les plateformes de facturation, les systèmes de support et les systèmes opérationnels, ainsi que dans les outils informatiques utilisés par les utilisateurs finaux (EUC). Cette dispersion entraîne des incohérences, alourdit les opérations et crée des risques. La migration vers le cloud a déplacé ces silos, mais les a rarement fait disparaître.

Une plateforme de données moderne permet de regrouper les informations, d'appliquer des règles communes en matière de qualité et de droits d’accès, et de les réutiliser pour le reporting, les opérations et l’IA. Son efficacité repose sur des responsabilités clairement définies et des critères de qualité précis.

La plateforme doit aussi rester simple et maîtrisée : chaque nouvel outil ajoute des intégrations, des flux de données et des coûts.

À mesure que les modèles d’IA deviennent plus accessibles, les données propres à chaque organisation et sa connaissance des métiers deviennent de véritables facteurs de différenciation. Des fondations solides permettent de mieux valoriser cet avantage.

Avec l’IA, la qualité des données devient critique

Tester un modèle d’IA peut prendre un après-midi. L’exploiter de manière fiable dans un processus métier est une autre affaire, surtout avec les agents d’IA capables de lire des documents, d’interroger des systèmes et d’agir en fonction des informations recueillies. 

Ces agents dépendent directement de la qualité des données. Sans responsabilités clairement définies, sans qualité maîtrisée et sans règles d’utilisation précises, il est difficile de leur faire confiance et de les déployer à grande échelle. Une gouvernance insuffisante peut également exposer des informations à des personnes non autorisées.

Le développement de l’IA à grande échelle soulève aussi des questions de coûts. Même si le prix des tokens a généralement diminué, l’augmentation rapide des usages peut faire grimper les dépenses. Les organisations doivent donc suivre la consommation et maîtriser les coûts à mesure que l’IA se généralise.

Souveraineté : garder le contrôle sans s’isoler

Plus les entreprises s’appuient sur les données et l’IA, plus la question de la souveraineté devient importante. Il s’agit de conserver la maîtrise des données, des opérations et des technologies.

Conserver les données en Europe ne suffit pas. Les organisations doivent également prendre en compte la maîtrise opérationnelle et les dépendances technologiques. Les organisations doivent également tenir compte du contrôle des opérations et des dépendances technologiques.

Cette tendance se reflète dans l’EMEA Cloud Business Survey 2025 de PwC : 84 % des organisations au Luxembourg affinent leur stratégie cloud pour répondre aux enjeux de souveraineté.

Les plateformes de données facilitent l’analyse des informations et le développement de l’IA, mais elles peuvent aussi renforcer certaines dépendances. La portabilité, l’interopérabilité et les possibilités de sortie doivent donc être prises en compte dès le départ.

Pour les institutions financières, le règlement sur la résilience opérationnelle numérique (DORA) exige des stratégies de sortie crédibles pour les services informatiques qui soutiennent des fonctions critiques ou importantes. Quitter une plateforme ne consiste pas seulement à déplacer des données : cela peut aussi nécessiter de faire évoluer des applications, des outils de reporting et des processus métier. Les formats ouverts facilitent cette transition, mais il est également essentiel de tester la portabilité des environnements critiques, notamment de leur logique de traitement et de leurs dépendances.

La souveraineté ne signifie ni renoncer aux grands fournisseurs de cloud ni tout transférer vers des infrastructures souveraines. Chaque modèle comporte des compromis. L’enjeu est d’adapter le niveau de contrôle à la sensibilité et à la criticité de chaque environnement, tout en conservant la flexibilité nécessaire pour innover et changer de fournisseur.

Faire travailler ensemble le cloud et les données

Adapter le niveau de contrôle à chaque usage est plus facile à dire qu’à faire. Les données restent souvent organisées par fonction métier, la finance, les ventes et les opérations gérant chacune leurs propres informations. Chaque nouveau service cloud peut accentuer davantage cette fragmentation.

Pour progresser, une question simple doit être posée : qui est responsable de ces données ? Lorsqu’un responsable métier est clairement chargé de leur qualité et de leur utilisation, elles peuvent être partagées en toute confiance. Des règles communes d’intégration et de sécurité permettent ensuite de les faire circuler entre les applications et les environnements cloud, plutôt que de multiplier les copies.

Cette transformation prend du temps. Les programmes qui cherchent à résoudre tous les problèmes de données en une seule fois ont tendance à s’enliser. Mieux vaut avancer progressivement, domaine métier par domaine métier, en commençant par les cas d’usage les plus porteurs de valeur, notamment ceux qui font appel à l’IA.

La prochaine étape de la transformation cloud

À mesure que l’IA passe des projets pilotes à la mise en production, les organisations doivent adapter leurs environnements cloud pour pouvoir l’utiliser à grande échelle. Les architectures existantes doivent évoluer afin d’intégrer des services d’IA comme Azure OpenAI et Amazon Bedrock aux applications métiers, avec une gouvernance adaptée et des contrôles de sécurité et de coûts portant sur l’accès aux données, l’utilisation des modèles et les actions des agents d’IA.

Elles doivent également s’assurer que les services d’IA nécessaires sont disponibles dans les régions appropriées et qu’ils peuvent répondre à la demande. Enfin, elles doivent suivre les usages et les coûts associés à mesure que l’adoption progresse. L’objectif est de créer de la valeur dans la durée sans perdre la maîtrise de la sécurité, des performances et des coûts.

La transformation du cloud, des données et de l’IA ouvre de nouvelles perspectives aux organisations. Découvrez comment PwC accompagne cette évolution.