Le principe « garbage in, garbage out » se vérifie depuis longtemps dans le domaine de la gestion des données d'entreprise. Avec l'émergence des agents IA autonomes, les répercussions d'une donnée de mauvaise qualité atteignent un tout autre niveau.
Contrairement aux outils d'analyse ou aux tableaux de bord traditionnels, les agents ne se contentent pas d'interpréter l'information : ils agissent en fonction d'elle. Et si leurs décisions s'appuient sur des données fragmentées, incohérentes ou cloisonnées, les entreprises risquent d'amplifier les inefficacités au lieu de les corriger.
Lors d'une récente conversation informelle, Razat Gaurav, CEO de Planview, a échangé avec Alan Manuel, GVP Product Management, sur la manière dont les entreprises peuvent poser des bases solides pour tirer parti de l'IA agentique. Visionnez l'intégralité de leur discussion ci-dessous :
Tout au long de la conversation, Alan souligne que même si les individus travaillent souvent à pleine capacité, les résultats ne sont pas toujours visibles pour les clients du fait d'un manque d'alignement du système. C'est pourquoi, selon lui, les plateformes doivent aller au-delà d'un simple accès aux données. Elles ont besoin de données structurées, encadrées par une gouvernance claire et sémantiquement cohérentes pour générer des résultats fiables.
Pourquoi le principe « garbage in, garbage out » devient un enjeu majeur à l'ère de l'IA autonome
Les recherches menées par Planview sur plus de 3 500 chaînes de valeur révèlent l'ampleur du fossé en matière d'efficience. Comme l'explique Alan : « Pour chaque euro investi dans le développement logiciel, une entreprise type n'en retire qu'environ 25 centimes en valeur réelle. Le reste se perd dans des désalignements, des équipes qui travaillent sur les mauvais sujets, ou d'autres formes de gaspillage. »
Les agents autonomes risquent d'amplifier ce phénomène s'ils s'appuient sur des données incomplètes ou cloisonnées. Un agent peut alors facilement planifier plus de travail que ce que les équipes peuvent réellement livrer, ignorer les goulots d'étranglement entre groupes ou viser des résultats déconnectés des objectifs stratégiques.
En l'absence d'une vue unifiée de la capacité et de la valeur, l'IA risque de renforcer les problèmes qu'elle est censée résoudre. Avoir une telle vue, c'est savoir qui est en mesure de faire le travail – et pouvoir déterminer au préalable si ce travail est réellement prioritaire. Sans cette connexion, les équipes restent occupées, mais les clients ne perçoivent aucun changement tangible. En alignant les ressources sur des résultats concrets, chaque heure investie – que ce soit par un développeur ou par un agent IA – contribue à faire avancer l'entreprise.
Trois couches fondamentales pour des agents IA adaptés à l'entreprise
Pour que les agents IA soient réellement fiables, les entreprises doivent s'appuyer – entre autres – sur une architecture de données connectée et gouvernée. Alan identifie trois couches essentielles :
Les fondations data
Les agents ont besoin d'une visibilité sur l'ensemble des systèmes de l'entreprise, et non sur des silos isolés. « Si vous planifiez au-delà de votre capacité réelle de production – ce que 99 % des entreprises qui n'utilisent pas Planview font –, vous courez à l'échec », explique Alan. C'est précisément là que s'inscrit le Flow Framework de Planview, avec plus de 60 connecteurs prêts à l'emploi. Il permet ainsi d'agréger les données nécessaires pour comprendre les investissements, la capacité et le travail en cours.
La couche de gouvernance
L'autonomie sans contrôle est un risque. Une couche de gouvernance robuste définit les règles d'accès, de sécurité et de contexte, garantissant que les agents opèrent dans des limites sûres. Par exemple, les Product Managers peuvent laisser l'IA proposer des priorités de backlog, sans pour autant divulguer de données financières sensibles.
La couche d'alignement
Au-delà de la gouvernance et de la diversité des données, il est crucial de relier la stratégie à l'exécution. Alan compare les OKR au système nerveux de l'entreprise : ils transmettent les signaux des portefeuilles stratégiques jusqu'aux équipes terrain. Cet alignement permet à chaque groupe comprend quelle partie du problème il contribue à résoudre, évitant que la stratégie ne reste bloquée au sommet et maintenant l'adéquation entre le travail quotidien et les résultats métier visés.
Formaliser la logique métier grâce à l'alignement
Cette couche d'alignement joue également un rôle clé dans la formalisation de la logique métier – autrement dit, les règles de raisonnement sur lesquelles l'IA s'appuie pour agir de manière cohérente. Par exemple, si une entreprise définit comme objectif stratégique l'amélioration de l'expérience client, les OKR permettent de traduire cet objectif en résultats mesurables pour chaque équipe. Grâce aux priorités stratégiques des portefeuilles, aux OKR et aux cadres de planification au niveau équipe, un agent IA peut alors recommander des ajustements de backlog ou signaler les risques susceptibles de compromettre l'atteinte des objectifs. Sans ces mécanismes, la stratégie a toutes les chances de se perdre dans la chaîne de communication entre les décideurs et les développeurs.
Des livrables aux résultats
Autre thème récurrent de la discussion : le passage des livrables (outputs) aux résultats concrets (outcomes). Les développeurs ne veulent pas s'épuiser sur des tâches à faible valeur ajoutée, et les DAF sont peu enclins à financer des efforts sans finalité claire. Tous recherchent des avancées tangibles vers des objectifs stratégiques.
Alan décrit les OKR comme le système nerveux de l'entreprise – transmettant les signaux du portefeuille stratégique (le cerveau) à chaque équipe de l'organisation. « Chaque équipe doit comprendre quelle partie du problème elle contribue à résoudre. Sinon, la stratégie ne vaut même pas les électrons qu'elle consomme », affirme-t-il.
L'IA agentique devient véritablement puissante lorsqu'elle parvient à connecter ces différentes couches : portefeuilles stratégiques, OKR en cascade, et planification au niveau équipe. Avec des données fiables, les agents peuvent identifier les goulots d'étranglement, rééquilibrer les charges en cohérence avec les priorités stratégiques et maintenir l'ensemble du système orienté vers les résultats – plutôt que vers la simple production de livrables.
Une opportunité à saisir
Comme le souligne Razat durant la discussion, les responsables technologiques doivent trouver le moyen d'augmenter la productivité, de réduire les délais et d'améliorer la qualité – tout en justifiant des investissements en hausse. Les agents autonomes peuvent aider à combler cet écart, mais à une condition : reposer sur une architecture de données solide.
Alan résume cela sous un autre angle : « Si vous voulez que les développeurs soient satisfaits – et ils sont une ressource rare –, assurez-vous qu'ils travaillent sur des sujets utiles et à forte valeur. C'est ce que veulent les DAF, et c'est aussi ce que veulent les développeurs. »
L'IA agentique n'est pas un raccourci. C'est un amplificateur. Les entreprises qui investissent dès aujourd'hui dans une donnée connectée, gouvernée et exploitable à 360° seront celles qui exploiteront pleinement son potentiel demain.
Découvrez comment prendre des décisions plus rapides et plus éclairées avec Planview AnviTM, l'IA nouvelle génération pour un travail réellement connecté. En savoir plus
