Sap Italia : la technologie IA entre battage médiatique et résultats concrets
« Nous avons connu le battage médiatique de l’IA dans lequel tout semblait facile et magique ; maintenant commence une courbe de prise de conscience, qui ne veut pas dire que la technologie n’est pas bonne, mais que nous devons ajuster le cap pour comprendre la relation entre les bénéfices et le potentiel », observe Carla Masperi, PDG de Sap Italia.
Que l’intelligence artificielle appliquée aux entreprises soit un avantage en termes d’efficacité et de productivité « est désormais un fait reconnu par tous ». Aujourd’hui et demain, le véritable défi « est de transformer la puissance de cette technologie en résultats concrets et mesurables », car les entreprises « veulent une approche pragmatique de l’IA », avec des feuilles de route de développement claires et des retours sur investissements traçables.
L’IA évolue rapidement d’un ensemble d’outils intelligents à un nouvel élément central et essentiel de l’entreprise compétitive.
L’IA dans les entreprises, combler le fossé entre potentiel et réalité
Mais « expérimenter sur des cas d’utilisation individuels n’est pas difficile ; faire évoluer l’IA dans toute l’organisation est beaucoup plus complexe. Et c’est là que les personnes et les données font vraiment la différence : les compétences, la capacité d’adoption et une base d’informations solide et fiable », comme l’a fait remarquer Masperi lors d’un discours à Sommet exécutif Sap 2026, qui s’est déroulée à la Villa d’Este à Cernobbio, au bord du lac de Côme.
En parlant de données, sur la scène de la 18ème édition de la réunion, on a rappelé une récente analyse sectorielle réalisée par la multinationale allemande, d’où émerge un manque généralisé de confiance dans la qualité des données disponibles dans les entreprises, qui représentent la base d’une IA efficace et mettent en évidence ce qui reste une criticité structurelle dans le système industriel italien.
En regardant les chiffres, l’écart entre le potentiel et la réalité est évident : l’enquête SAP auprès d’un échantillon de managers en Italie indique qu’un sur trois (34 %) n’a pas confiance dans la capacité d’intégrer les données entre les différentes fonctions de l’entreprise, une proportion similaire (30 %, seront-ils les mêmes ?) admet ne pas disposer de données de qualité et 27 % ont du mal à les utiliser, avec des données isolées dans différents silos.
95 % des projets se perdent en cours de route avant d’atteindre la production
Une autre étude du MIT (Massachusetts Institute of Technology) révèle que seuls 5 % des projets d’IA atteignent effectivement la production, tandis que les 95 % restants se perdent en cours de route. Ces résultats indiquent que le problème ne réside pas tant dans l’algorithme que dans la qualité des données, leur utilisation et leur intégration organisationnelle.
« La question à se poser n’est plus ce que l’IA peut faire, mais comment préparer les organisations à en tirer un réel avantage. La question doit donc être inversée. Il faut se demander : comment puis-je innover dans mon entreprise pour que l’IA agentique devienne réalité ? », souligne le PDG de Sap Italia.
La question n’est pas de savoir s’il faut adopter cette technologie, mais quelle est la feuille de route claire qui peut conduire à des résultats concrets, efficaces et précieux.
Nouvelles ressources high-tech et conduite du changement
« Nous observons deux méthodes d’adoption », a expliqué Masperi aux dirigeants et aux entreprises réunis au Sommet exécutif : « la première consiste à amener toutes les données dans un ‘super cerveau’ au-dessus des différentes fonctions de l’entreprise pour reconstruire la sémantique des données et des processus ; c’est un chemin linéaire mais cache la complexité de reconstruire cette sémantique dans un temps raisonnable ».
L’autre voie « est d’introduire l’IA dans les processus, là où les processus fonctionnent déjà. Et donc les agents d’IA doivent arriver avec une expertise de domaine capable de collaborer avec les processus. Cela apporte des avantages en termes de rapidité d’adoption, d’évolutivité et d’incrémentalité, permettant une gestion du changement cela va de pair avec l’organisation.
Les trois caractéristiques de l’approche pragmatique
Entre les deux voies de développement souvent empruntées par les entreprises, la troisième – la plus concrète et la plus directe – semble être la bonne : « le moment est venu d’avoir une approche pragmatique de l’IA. On en a beaucoup parlé et de nombreuses attentes ont été créées ; il nous faut maintenant une approche qui tente de corréler lesrésultatdes résultats tangibles, par rapport aux attentes ».
Une approche pragmatique doit avoir trois caractéristiques : « elle doit être raisonnablement rapide et simple à mettre en œuvre, elle doit être évolutive et elle doit être durable, c’est-à-dire capable d’évoluer sans accroître la complexité ».
Réfléchissez à « comment » améliorer les opportunités, combiner l’IA et le talent humain
Pour rendre cette technologie vraiment efficace, nous devons beaucoup réfléchir au « comment », et le « comment » n’a pas de raccourci ; nécessite une grande connaissance des architectures, des applications et de la maturité des données.
Avec ces hypothèses, « les agents d’IA pourront devenir des moteurs de croissance en collaboration avec le talent humain. L’intelligence artificielle et le talent humain sont les deux pierres angulaires de l’organisation du futur. Nous devons comprendre comment aborder la lecture du contexte sans raccourcis ».
Avec la diffusion de l’IA générative, il apparaît de plus en plus clairement que les solutions « pré-packagées » donnent de bons résultats, mais jusqu’à un certain point. La nouvelle valeur commerciale viendra d’une IA profondément alignée sur le contexte unique de l’entreprise : ses données, ses processus et ses domaines décisionnels.
La prochaine vague de transformation sera l’IA personnalisée pour les entreprises
La personnalisation de l’IA n’est plus un élément accessoire : c’est désormais une composante importante. Les entreprises privilégient de plus en plus les solutions qui comprennent réellement leur réalité.
Les modèles génériques d’IA, conçus pour être largement applicables, « sont limités. Souvent, ils ne capturent pas les nuances spécifiques d’une entreprise, ce qui entraîne moins de rigueur, des informations vagues et une mauvaise évolutivité entre les différentes fonctions », souligne le PDG de Sap Italia : « le modèle d’IA « à taille unique » rend difficile l’adaptation de ses applications à des secteurs avec des besoins réglementaires, des types de données et des complexités opérationnelles très différents ».
Modèles génériques versus solutions sur mesure
Plus encore dans les secteurs les plus critiques, où la précision, la conformité et le contexte sont essentiels, le recours à des modèles génériques peut générer des inefficacités et des opportunités manquées. Leur intégration dans les processus de gouvernance, de sécurité et de conformité est également souvent complexe.
Le résultat ? « Des performances insuffisantes et une prise de conscience croissante qu’une IA « universelle » ne peut pas satisfaire la complexité des besoins des entreprises modernes et plus dynamiques », souligne le top manager, « c’est pour cette raison que de plus en plus d’entreprises investissent dans des innovations différenciées, avec des solutions d’IA conçues dès le départ pour répondre aux demandes spécifiques des entreprises ».
Des systèmes « intelligents » entraînés sur des données spécifiques
Dans le secteur pétrolier et gazier, par exemple, les modèles d’IA formés sur les données géologiques, les enregistrements des équipements et les variables environnementales améliorent les prévisions de forage, permettent une maintenance prédictive et augmentent la sécurité et l’efficacité énergétique.
L’industrie automobile obtient des résultats similaires, l’IA prenant en charge la maintenance prédictive, les systèmes de conduite autonome et les diagnostics en temps réel, tout en offrant des expériences personnalisées en cabine.
Visez une IA qui comprend le contexte
Le monde vente au détail bénéficie d’une IA qui s’adapte en temps réel aux habitudes d’achat locales et aux données de vente, rendant les prévisions de demande plus précises, optimisant la gestion des stocks et proposant des promotions plus pertinentes, avec une réduction significative des déchets.
Le secteur public pourra également bénéficier de l’IA contextuelle : en automatisant les processus de routine et en concevant des politiques plus ciblées, il sera possible d’offrir des services publics plus rapides, plus efficaces et plus proches des besoins réels des citoyens.
Dans tous ces cas, « le modèle est une IA qui comprend le contexte dans lequel elle opère, génère des décisions plus ciblées, des opérations plus simples et de meilleurs résultats pour les organisations et les personnes ».
Résoudre un événement inattendu ou un blocage dans la chaîne d’approvisionnement
L’intelligence artificielle de nouvelle génération – l’intelligence agentique, la nouvelle frontière de ce monde – est une IA qui non seulement automatise, mais conseille, résout et crée.
« Je vais vous donner un exemple lié à la chaîne d’approvisionnement, un domaine sous forte pression », souligne Masperi : « imaginons une entreprise manufacturière qui produit en Italie et doit livrer en Argentine. Mais sa ligne est interrompue parce qu’il manque une pièce qui ne passe pas par Panama en raison d’une perturbation ».
Que se passe-t-il et comment procéder ? « Le système d’IA propose un plan d’approvisionnement alternatif, en examinant les fournisseurs disponibles dans le monde, en vérifiant si et où il existe déjà des contrats actifs pour acheter plus rapidement, en m’informant de l’augmentation des prix et de l’impact sur la marge. Tout cela en examinant les données internes et les données externes. Naturellement, faire ce travail nécessite un effort différent de celui d’activer une fonctionnalité intégrée. «
La grande entreprise recherche l’efficacité et la productivité, la PME veut se développer
En ce qui concerne l’innovation au sein des entreprises, une comparaison est souvent faite entre les grandes et les PME. La grande entreprise « voit l’IA comme un enjeu d’efficacité et de récupération de productivité ; la moyenne ou petite entreprise y voit la possibilité de croître avec les mêmes ressources ».
Le pragmatisme « augmente dans les PME, où l’actionnariat est très étroit : elles veulent une IA qui aide réellement l’entreprise à croître ou à améliorer ses capacités de gouvernance lorsque l’organisation a du mal à suivre l’évolution du chiffre d’affaires. Je ne vois pas de polarisations, mais différentes phases : il y a ceux qui ont besoin d’efficacité, ceux qui ont besoin d’automatisation et ceux qui essaient de comprendre comment changer en profondeur le système d’affaires, à travers ce que nous appelons l’entreprise autonome. L’entreprise est de plus en plus technologique, gérée par l’IA et intelligente ».
