93 % des dirigeants d'entreprise canadiens disent que leur organisation utilise l'IA. 2 % en tirent déjà des bénéfices (KPMG Canada, novembre 2025).
Ce n'est pas un problème de technologie. C'est un problème de bases. Les modèles fonctionnent. Les démos sont convaincantes. Puis, quand l'initiative se heurte aux données de production, elle se plante complètement, parce que les données d'entrée sont un vrai bazar, la traçabilité, c'est de la fiction, la gouvernance se résume à une diapo que quelqu'un jure avoir lue, et l'environnement de test est encore bourré de vraies données personnelles datant de l'époque des deux derniers RSSI.
La préparation à l'IA, c'est pas un produit. C'est un état.
Soit ton environnement s'y adapte, soit ton projet s'enlise. Il n'y a pas de troisième option. Si tu règles ces problèmes de fond, tu auras des applications qui font confiance à leurs données d'entrée, une politique de confidentialité qui ne se transforme pas en veto de dernière minute, des audits menés en amont plutôt que dans la précipitation, et une nouvelle équipe qui héritera d'éléments fonctionnels au lieu de devoir jouer aux devinettes. Si tu ne le fais pas, tu te retrouves à refaire le même projet pilote deux fois, sauf que cette fois-ci, le conseil d'administration se souviendra du premier budget.
À quoi ressemble le boulot quand personne ne regarde ?
Quelqu’un finit par le dire haut et fort. La confidentialité et la gouvernance, c’est du bricolage, pas une partie intégrante du système. Le catalogue, soit il n’existe pas, soit c’est une farce. Puis viennent les premiers succès : des petits cas d’utilisation avec des contrôles dès le premier jour. Après ça, c’est le boulot compliqué. Il faut réparer les canalisations. Automatiser les garde-fous. Former des gens qui n’ont jamais vu de traçabilité ailleurs que dans un tableur.
Et ça s'accumule. Suis les SLO tant pour les données que pour les modèles. Surveille les dérives et l'état des features. Gère un registre de modèles bien organisé et des contrats versionnés. Mets en place des procédures de retour en arrière qui ne nécessitent pas de « war room ». Intègre les validations, la traçabilité et les preuves dans les pipelines pour que « ce qui s'est passé » ne se transforme pas en une rétrospective de six semaines. Rien de tout ça n'a rien de glamour. C'est justement pour ça que ça marche.
Un tableau de bord que tu peux consulter le lundi
Gary s'est occupé de ça ce dernier trimestre. La plupart des cases étaient cochées. Les lacunes, c'étaient celles que personne n'avait financées il y a deux ans. Ça ne l'a pas surpris.
Si ton catalogue est vraiment utile et que les gens s'en servent pour trouver des infos au lieu de demander à la personne qui est là depuis le plus longtemps, passe ton chemin. Si c'est juste une feuille de calcul datant de la dernière migration, commence par régler ça.
Si l'environnement non-prod est masqué par défaut, c'est bon. Si le masquage se fait « quand on a le temps », ça ne se fait jamais.
Si la traçabilité et les validations sont enregistrées au fur et à mesure dans le pipeline, c'est bon. Si elles sont rassemblées après coup par des gens qui auraient mieux à faire, tu paies le prix fort pour des retouches qui auraient pu être évitées.
S'il y a un responsable désigné qui peut dire oui ou non sans avoir à convoquer un comité qui se réunit tous les mois et publie des comptes rendus que personne ne lit, laisse tomber.
Si quelqu'un peut remonter jusqu'aux données qui ont guidé une décision sans avoir recours à une « war room », passe ton tour. Sinon, les résultats de ton IA ne sont que des suggestions que personne ne pourra défendre quand l'auditeur te posera des questions.
En pratique
Finance. Les modèles de fraude et de risque fonctionnent quand les données d'entrée sont répertoriées et que leur traçabilité est visible. L'analyste de Toronto arrête de remettre les données en question et commence à faire confiance aux résultats. Les cycles de révision se raccourcissent. Les résultats ne fluctuent plus, car les bases sur lesquelles ils reposent sont solides.
Santé. Les modèles prédictifs avancent plus vite quand les mesures de protection de la vie privée sont intégrées avant même le début de l'entraînement. Une équipe de recherche en Alberta travaille avec des données de patients anonymisées, gérées et prêtes à être analysées, sans que l'hôpital ne se retrouve à la une du Calgary Herald.
Production. On peut prévoir le nombre de clics quand les équipes OT et IT se mettent d'accord sur ce que signifie le terme « unité ». L'usine de Sudbury et l'entrepôt de Mississauga arrêtent de se disputer sur les définitions. On commence par le catalogue. Ensuite, on optimise.
La série jusqu'à présent
Cet article s'appuie sur tout ce qui a été dit avant. « Tu ne peux pas protéger ce que tu ne trouves pas » t'a apporté de la visibilité. « Ta politique dit une chose, ton environnement en dit une autre » t'a apporté des contrôles. « Personne n'est promu pour son travail de gouvernance » t'a apporté des règles. « Les données se fichent de ton pare-feu » t'a apporté une protection. C'est là que tout ça s'additionne… ou pas.
Le service qui fait le lien : AI Readiness.
Commence là où tu es
Choisis un processus lié à un résultat concret. Répertorie-le. Définis sa généalogie. Intègre les procédures de validation. Assure sa fiabilité de bout en bout. C'est comme ça que les projets pilotes deviennent des produits.
Depuis des décennies, on aide les équipes du secteur public et des entreprises canadiennes à transformer des environnements chaotiques en solutions d'IA opérationnelles. On assure une mise en œuvre locale. Et on fait appel à l'expertise mondiale de Kyndryl quand il faut passer à l'échelle supérieure. Et on reste à tes côtés quand les choses se compliquent.
Le mot de Catherine Manarolis, directrice commerciale
Je bosse dans l'informatique d'entreprise depuis plus de deux décennies. D'abord chez les géants, et maintenant au sein d'une équipe qui s'occupe vraiment de régler les problèmes en coulisses. J'ai vu trop de clients perdre de l'argent à cause de solutions bien intentionnées qui tombent à l'eau juste avant d'aboutir.
Les clients qui s'en sortent le mieux ne sont pas toujours ceux qui ont les plus gros budgets. Ce sont ceux qui ont posé des bases solides avant que la pression ne monte, ou qui ont testé les nouveautés avant qu'elles ne soient lancées à grande échelle.
Quand tout fonctionne comme il faut, tu n'as pas à payer pour des retouches, des surcharges ou des audits imprévus. Tu n'as pas à te battre pour obtenir des budgets afin de terminer un projet que tu as déjà lancé. Et tu ne perds pas de temps à refaire ce qui aurait dû évoluer en fonction de la croissance.
Mon rôle, ce n'est pas de te vendre un produit. C'est de comprendre ce qui te freine et de t'aider à trouver la bonne solution. Si tu as un nouveau projet en vue et que tu veux qu'il se passe bien, je suis là pour toi.
