Le diagnostic data, première étape avant toute migration
La migration des données constitue le chantier le plus critique et le plus sous-estimé de toute intégration post-acquisition. Les dirigeants concentrent leur attention sur les aspects financiers, juridiques et humains de la transaction, tandis que la question des données est reléguée aux équipes techniques qui héritent d’un calendrier irréaliste et de ressources insuffisantes. Pourtant, la capacité de l’entité fusionnée à exploiter l’intelligence artificielle dépend directement de la qualité de cette migration. Des données mal migrées, incomplètes ou corrompues rendent inutilisables les modèles de machine learning qui devaient justifier une partie des synergies annoncées aux actionnaires. Gabriel Dabi-Schwebel, co-fondateur de DécisionIA, observe que les entreprises qui réussissent leur migration sont celles qui investissent massivement dans le diagnostic avant de déplacer la moindre table de données.
Ce diagnostic commence par un inventaire exhaustif des sources de données des deux entités, en documentant pour chacune le volume stocké, la fréquence de mise à jour, le format de stockage, le niveau de qualité constaté et les systèmes applicatifs qui en dépendent. Cet inventaire révèle systématiquement des surprises : bases de données oubliées, fichiers Excel critiques sur les postes de quelques collaborateurs, flux non documentés entre systèmes. DécisionIA recommande de consacrer au minimum quatre à six semaines à cette phase de diagnostic, car les erreurs commises par précipitation à ce stade se paient au centuple dans les mois suivants.
Le diagnostic doit également identifier les interdépendances entre les données et les processus métiers des deux entités. Une table de données clients chez l’acquéreur peut alimenter simultanément le système de facturation, le CRM, le moteur de recommandation et le tableau de bord de la direction commerciale. Migrer cette table sans comprendre ses dépendances risque de provoquer des ruptures en cascade qui paralysent des pans entiers de l’activité. La compréhension fine de ces architectures data et IA préexistantes conditionne la réussite technique de la migration et la capacité à maintenir la continuité de service pendant toute la durée du chantier.
Les stratégies de migration et leurs arbitrages
Trois grandes stratégies de migration s’offrent aux entreprises qui fusionnent leurs patrimoines de données. La première, dite du big bang, consiste à migrer l’ensemble des données de la cible vers les systèmes de l’acquéreur en une seule opération planifiée sur un week-end ou une période de faible activité. Cette approche a le mérite de la clarté : une fois la migration terminée, l’ancien système est éteint et tout le monde travaille sur le nouveau. Mais elle concentre tous les risques sur un moment unique et ne laisse aucune marge en cas de problème majeur découvert après la bascule. Les données corrompues ou manquantes ne sont identifiées qu’après coup, lorsque les utilisateurs métiers constatent des anomalies dans leurs applications.
La deuxième stratégie, progressive et par lots, consiste à migrer les données par segments fonctionnels successifs, en commençant par les périmètres les moins critiques pour monter en complexité. Un premier lot peut concerner les données de référence comme les nomenclatures produits, suivi des données transactionnelles historiques, puis des données opérationnelles en temps réel. Cette approche réduit le risque de chaque étape mais allonge la durée totale de la migration et impose de maintenir des mécanismes de synchronisation temporaire entre les anciens et les nouveaux systèmes. La coexistence de deux sources de vérité pendant la période de transition crée des risques de divergence et de confusion qui exigent une communication rigoureuse auprès des équipes métiers.
La troisième stratégie, fondée sur une couche d’abstraction fédérée, consiste à laisser les données là où elles sont et à construire une plateforme intermédiaire qui virtualise l’accès de manière transparente pour les applications et les modèles d’IA. Cette approche évite le risque de corruption lié au déplacement physique des données, mais elle ajoute une complexité architecturale qui peut dégrader les performances. DécisionIA accompagne les dirigeants dans le choix de la stratégie la plus adaptée à leur contexte, en tenant compte de la criticité des systèmes et du calendrier imposé. La mise en production des projets IA dépend directement de la solidité de cette infrastructure de données unifiée.
La qualité des données comme condition de la valeur IA
La migration constitue une occasion unique de remettre à plat la qualité du patrimoine data de l’entité fusionnée, une opportunité que les entreprises gaspillent trop souvent par manque de temps. Migrer des données de mauvaise qualité vers un nouveau système revient à déplacer le problème sans le résoudre. Les modèles d’intelligence artificielle qui consommeront ces données produiront des résultats médiocres, ce qui compromettra la réalisation des synergies IA promises dans le plan d’intégration.
Le premier chantier de qualité concerne la déduplication des données clients, fournisseurs et produits entre les deux entités. Lorsque les deux entreprises opèrent sur des marchés proches, elles partagent souvent une partie de leur base de clients, enregistrés sous des noms légèrement différents avec des adresses obsolètes ou des identifiants incompatibles. Sans un travail rigoureux de rapprochement et de fusion de ces doublons, l’entité fusionnée se retrouve avec des visions fragmentées de ses relations commerciales qui faussent les analyses prédictives et les actions de ciblage marketing. Ce rapprochement exige des outils spécialisés de matching flou qui comparent les enregistrements sur plusieurs critères simultanément et proposent des correspondances probabilistes que des opérateurs humains valident ensuite manuellement.
Le deuxième chantier porte sur l’harmonisation des référentiels et des nomenclatures qui structurent les données des deux entreprises. Les catégories de produits, les niveaux de segmentation client, les codes géographiques : tous ces éléments de langage commun diffèrent d’une entreprise à l’autre et doivent être alignés pour que les données fusionnées puissent être analysées de manière cohérente. DécisionIA constate que ce travail d’harmonisation sémantique constitue le fondement de la capacité à entraîner des modèles d’IA sur des données provenant des deux entités.
Le troisième chantier concerne la conformité réglementaire des données migrées, en particulier au regard du règlement général sur la protection des données. La migration de données personnelles peut modifier les finalités de traitement et les bases légales applicables, ce qui nécessite une analyse juridique que les équipes techniques ne peuvent pas mener seules. Les consentements collectés par la cible ne sont pas automatiquement transférables à l’acquéreur, surtout si les conditions d’utilisation changent dans le contexte de la fusion. Ignorer ces contraintes expose l’entité fusionnée à des sanctions financières et à des risques réputationnels qui peuvent annuler les bénéfices attendus de la migration.
La gouvernance de la migration et le rôle du dirigeant
La migration des données post-acquisition ne peut pas être un projet technique piloté exclusivement par les équipes informatiques. Elle engage des arbitrages stratégiques sur la valeur des données, sur les priorités fonctionnelles et sur les compromis entre vitesse d’intégration et qualité du résultat, des décisions qui relèvent de la direction générale. Le dirigeant qui délègue intégralement ce chantier aux équipes techniques découvre généralement trop tard que les choix effectués ont compromis des pans entiers de la stratégie IA post-fusion.
La mise en place d’un comité de pilotage associant les directions métiers, la direction des systèmes d’information, la direction des données et la direction générale constitue la meilleure garantie d’un alignement entre les décisions techniques et les objectifs stratégiques. Ce comité se réunit toutes les deux semaines pendant la phase active de la migration pour examiner l’avancement, arbitrer les conflits de priorités et valider les résultats de chaque lot migré. La gestion des risques liés à l’IA inclut nécessairement la maîtrise des risques data qui se concentrent pendant cette période de la vie de l’entreprise fusionnée.
DécisionIA observe que les migrations les plus réussies sont celles où le dirigeant pose les bonnes questions : quelles données sont indispensables pour réaliser les synergies IA prévues, dans quel ordre les migrer pour générer de la valeur rapidement, et comment mesurer la réussite au-delà du constat que les données ont été déplacées sans erreur technique. Le rôle du dirigeant consiste aussi à protéger les équipes de migration contre les pressions contradictoires qui s’exercent pendant cette période. Les métiers réclament un accès immédiat aux données de l’autre entité, les équipes IA veulent entraîner leurs modèles sur les données fusionnées, et le conseil d’administration demande des résultats visibles rapidement. Seul un sponsor exécutif doté de l’autorité nécessaire peut hiérarchiser ces demandes et donner aux équipes la stabilité dont elles ont besoin pour travailler dans des conditions qui favorisent la qualité.