Conduire le changement : de la stratégie Data au terrain

Les organisations ont multiplié les feuilles de route Data & IA ces dernières années. Pourtant, l'écart entre la stratégie affichée et sa traduction opérationnelle reste l'angle mort de la transformation. Conduire le changement Data, ce n'est pas seulement convaincre le COMEX, c'est surtout faire bouger le terrain. 

L'écart entre la stratégie Data et sa traduction opérationnelle

Depuis des années, les directions générales se sont équipées : Chief Data Officer, Chief AI Officer, plateformes Data, Data Mesh, gouvernance, AI Factory… L'arsenal stratégique est désormais bien installé dans les grandes organisations. Les feuilles de route sont écrites, validées, communiquées. Et pourtant, la promesse peine à se matérialiser. Selon le State of AI 2025 de McKinsey [1], 88 % des organisations déclarent désormais utiliser l'IA dans au moins une fonction métier, mais à peine un tiers ont commencé à passer à l'échelle au niveau de l'entreprise, et seules 6 % d'entre elles (les AI high performers) parviennent à attribuer plus de 5 % de leur EBIT à leurs initiatives IA [2]. Le diagnostic est même plus brutal dans le State of Organizations 2026 du même cabinet [3] : 86 % des dirigeants estiment que leur organisation n'est pas prête à intégrer l'IA dans ses opérations quotidiennes. 

Le diagnostic est connu, presque banal : la stratégie ne descend pas. Elle se diffuse en cascade depuis le COMEX, traverse les directions métiers, atterrit dans les équipes opérationnelles… et s'y dissout. Le terrain continue à travailler comme avant, avec ses fichiers Excel, ses routines éprouvées et sa méfiance instinctive envers les promesses successives ("après le digital, après l'analytics, après les Copilot, maintenant les agents…"). 

Les dirigeants sont convaincus. Les équipes Data sont compétentes. Ce qui fait défaut, c'est le travail patient et souvent ingrat qui transforme une intention stratégique en pratiques quotidiennes ancrées : la conduite du changement. C'est précisément là que les organisations continuent à sous-investir, alors même que c'est l'étape qui détermine la valeur réellement captée. 

Pourquoi la conduite du changement Data échoue plus que les autres

On pourrait penser que la conduite du changement Data obéit aux mêmes règles que celles, plus familières, du déploiement d'un ERP ou d'une démarche Lean. C'est en partie vrai, mais trois spécificités viennent compliquer l'équation. 

• Première spécificité : la contribution individuelle à la chaîne Data est invisible. La Data se voit, tout le monde consulte des dashboards, saisit des informations, reçoit des rapports. Ce qui reste invisible, c'est le lien entre l'effort de chaque acteur et le bénéfice collectif qui en résulte. Le commercial qui qualifie rigoureusement ses opportunités dans le CRM ne verra jamais que c'est sa saisie qui a nourri le modèle de scoring, qui a amélioré le ciblage, qui a augmenté le taux de conversion de l'équipe. L'effort est visible, sa contribution à la valeur l'est moins. 

• Deuxième spécificité : la valeur Data n'a pas de propriétaire unique. Elle se construit par accumulation et par croisement entre fonctions. Le modèle de prédiction du churn touche le marketing, le commerce, la finance et les opérations. Chacun en bénéficie partiellement, aucun ne peut s'en attribuer le mérite intégral. Pour des directions habituées à piloter sur des objectifs individualisés, avec des budgets et des KPI clairement délimités, cette dilution est inconfortable : elle complique l'arbitrage budgétaire, la reconnaissance des contributions, et l'engagement durable des sponsors métiers.  

• Troisième spécificité : la Data réduit certains avantages informationnels. Dans de nombreuses organisations, la rétention sélective d'information est une forme de pouvoir discrète mais réelle. Un directeur régional qui agrège les remontées terrain, un acheteur qui connaît les prix réels du marché, un expert qui détient la connaissance d'un processus complexe. Tous bénéficient d'un avantage informationnel que la mise en commun de la donnée vient éroder. C'est ce mécanisme que les sponsors d'une démarche Data doivent savoir nommer et anticiper plutôt que de le réduire à un simple problème d'adhésion. 

Ces trois spécificités expliquent que les approches classiques de change management (communication descendante, formations massives, ambassadeurs internes) donnent des résultats décevants quand on les applique mécaniquement à un programme Data. 

Cinq principes pour faire descendre la stratégie Data jusqu'au terrain

L'expérience de nombreux programmes Data conduits dans des grandes organisations fait émerger cinq principes qui distinguent ceux qui transforment réellement de ceux qui produisent surtout des slides.  

1. Commencer par la frustration du terrain, pas par l'ambition du COMEX. Les meilleurs cas d'usage Data ne naissent pas d'une feuille de route stratégique ; ils naissent d'irritants opérationnels précis, identifiés par ceux qui les subissent. Le rôle de la stratégie n'est pas de définir les cas d'usage, mais de créer les conditions (gouvernance, plateforme, méthode) pour que le terrain puisse exprimer, qualifier et faire émerger ses besoins. Le mouvement va du terrain vers la stratégie avant d'aller de la stratégie vers le terrain. 

2. Faire de la donnée un sujet métier, pas un sujet IT. Tant que la Data reste perçue comme une affaire de "ceux qui s'y connaissent", elle reste périphérique. La bascule s'opère quand les directeurs métiers acceptent d'inscrire la Data dans leurs propres objectifs, leurs propres revues de performance, et leur propre vocabulaire. Cela suppose un travail d'acculturation ciblé sur les Codir métiers, bien plus impactant qu'une formation générique pour tous les collaborateurs. 

3. Industrialiser le "dernier kilomètre". La plupart des programmes Data investissent massivement dans la plateforme, les modèles et les cas d'usage… et négligent la phase d'appropriation par les utilisateurs finaux. Or c'est précisément là que se joue 80 % de la valeur. Un dashboard magnifique non utilisé vaut zéro. Un modèle prédictif performant que les commerciaux ignorent vaut zéro. Investir dans le dernier kilomètre (programmes d’adoption : accompagnement à l'usage, intégration dans les rituels existants, mesure d'adoption) n'est pas une option : c'est la condition de la valeur. 

4. Accepter l'incertitude comme une composante du programme, pas comme un échec. Tous les cas d'usage Data & IA ne produisent pas la valeur espérée. Certains modèles s'avèrent moins performants que prévu, d'autres révèlent des problèmes de qualité de données qui n'apparaissent qu'en production, d'autres encore peinent à trouver leur public utilisateur. C'est une réalité statistique, pas un dysfonctionnement. Les organisations qui progressent réellement sont celles qui acceptent un taux d'échec assumé sur leur portefeuille de cas d'usage, qui en font une source d'apprentissage organisationnel. 

5. Mesurer l'adoption avec autant de rigueur que la performance technique. Combien d'utilisateurs actifs ? Sur quelle fréquence ? Avec quel taux de complétion des actions recommandées par le modèle ? Quel écart entre les usages prescrits et les usages réels ? Ces métriques d'adoption sont les véritables indicateurs avancés de la valeur. Les enseignements tirés des usages terrain doivent figurer dans les comités de pilotage au même titre que les SLA techniques. 

Ces principes ne sont pas révolutionnaires. Leur difficulté tient moins à leur conception qu'à leur exécution disciplinée, d'autant plus exigeante que les contextes sectoriels imposent leurs propres règles. Deux industries que nous accompagnons régulièrement, le luxe et la pharma, illustrent particulièrement ces tensions. 

Conduire le changement Data dans l'industrie du luxe : entre intuition créative et exigence d'excellence

Le luxe a longtemps cultivé une distance assumée vis-à-vis de la donnée. La justification est connue : un produit de luxe ne se vend pas comme un produit de grande consommation. L'intuition du créateur, la rareté, l'exclusivité, l'expérience client incarnée ne sauraient se réduire à un dashboard. Cette résistance culturelle, longtemps revendiquée comme une marque de fabrique, est aujourd'hui en train de se fissurer sous la pression de plusieurs forces convergentes. D'abord, la multiplication des points de contact client : un même acheteur peut découvrir une Maison sur Instagram, essayer en boutique à Paris, acheter en ligne depuis Shanghai et interagir avec un conseiller sur WeChat… autant de fragments d'une relation que seule la donnée permet de reconstituer. Ensuite, la sophistication croissante du clienteling : les conseillers de vente sont désormais attendus sur une connaissance fine et proactive de leurs clients, ce qui suppose des outils Data robustes et adoptés. Enfin, la nécessité de protéger la désirabilité dans un contexte de croissance ralentie : quand on ne peut plus compter sur la dynamique du marché, la précision de l'allocation (quels produits, pour quels clients, dans quels marchés) devient un avantage compétitif décisif. 

Les chiffres confirment ce basculement. Selon la première Luxury AI Adoption Study 2026 conduite par Digital Luxury Group avec Europa Star [4] auprès de plus de 250 dirigeants du secteur, 55 % des marques restent en phase exploratoire, 43 % sont passées en implémentation active ou en optimisation, et près d'un tiers déclarent avoir déjà intégré l'IA dans leurs opérations quotidiennes. Mais le constat le plus parlant tient au principal frein identifié : la fragmentation des données arrive en tête pour 37 % des dirigeants interrogés, devant les contraintes budgétaires ou techniques. La fragmentation des données n'est jamais un problème purement technique. Elle reflète des silos organisationnels (marques, régions, fonctions) qui se sont construits dans le temps, et des choix de gouvernance qui n'ont jamais imposé le partage. Unifier la donnée suppose donc de redessiner des frontières internes, ce qui touche directement aux périmètres de responsabilité et à la culture d'entreprise. La première bataille avec l'IA est donc organisationnelle et culturelle avant d'être technologique. 

Conduire le changement Data dans le luxe ne ressemble pour autant à aucun autre secteur, pour trois raisons. 

• La rareté et la fragmentation de la donnée imposent une humilité analytique. Le luxe travaille sur des volumes restreints : peu de clients, peu de transactions par client, peu d'unités vendues. Cette rareté est précisément ce qui fait la valeur, mais elle rend les approches statistiques et IA plus délicates à appliquer. À cette rareté s'ajoute une contrainte structurelle. Les grands groupes de luxe sont structurés autour de Maisons à la fois partenaires (au sein du même groupe) et concurrentes (souvent positionnées sur des segments de clientèle qui se recoupent), ce qui rend le partage de la donnée client particulièrement délicat. Construire une approche Data Groupe suppose une gouvernance fine avec des règles claires sur ce qui se partage et ce qui reste souverain à chaque Maison, ainsi qu'une acculturation des équipes à ce que la Data peut et ne peut pas faire dans ce contexte de volumes de données restreint.  

  
  

• Le respect de l'ADN créatif est non négociable. Dans le luxe, la Data ne peut jamais arbitrer en lieu et place du Directeur Artistique, du Directeur de la Création ou du Président de la Maison. Le rôle de la donnée est d'éclairer la décision sans la confisquer. Un programme Data qui se présenterait comme une rationalisation de la création serait rejeté et à juste titre. La conduite du changement consiste donc à positionner la Data comme un outil au service de la main qui crée, jamais comme un substitut. Cette posture, qui peut sembler évidente, exige un travail fin sur le vocabulaire, les rituels et la place donnée aux équipes Data dans les instances créatives. 

• L'expérience client en boutique est le cœur du réacteur. Le retail de luxe repose sur des conseillers de vente dont la connaissance fine du client, la mémoire, la délicatesse et la capacité d'incarnation font la différence. Le déploiement d'outils Data en boutique (clienteling, recommandations de produits, suivi de portefeuille client) se heurte à une question légitime : comment outiller le conseiller sans le déposséder ? Les programmes qui réussissent sont ceux qui partent du Conseiller de Vente comme persona central et qui construisent les outils avec lui, en respectant son tempo, son langage et la souveraineté de son geste relationnel. Les programmes qui échouent sont ceux qui imposent des outils conçus en central, validés en flagship parisien, et déployés mondialement sans adaptation. 

Concrètement, les Maisons qui réussissent leur transformation Data engagent les différents chantiers en parallèle, mais en acceptant que les résultats arrivent à des rythmes très différents. Les fonctions support et back-office délivrent généralement les premiers gains visibles, car l'acceptation y est plus rapide et les processus plus standardisés. Les fonctions commerciales et CRM progressent à un rythme intermédiaire, en partenariat étroit avec les régions et les conseillers de vente. Les métiers créatifs et marketing demandent le plus de temps, parce que l'adoption s'y fait par capillarité et par démonstration, plutôt que par directive. Ce sont moins des étapes qu'un alignement de chantiers progressant à des vitesses différentes, qui ne peut être ni accéléré artificiellement, ni ramené à un calendrier uniforme. 

Construire le changement Data dans l'industrie pharmaceutique : entre rigueur scientifique et exigence réglementaire

L'industrie pharmaceutique présente un profil radicalement différent. La Data y est, depuis toujours, au cœur de l'activité : essais cliniques, pharmacovigilance, real-world evidence, dossiers réglementaires. Aucun groupe pharmaceutique n'a besoin d'être convaincu de la valeur de la donnée, c'est sa matière première. Et pourtant, conduire le changement Data dans la pharma se heurte à des obstacles tout aussi redoutables que dans le luxe, mais d'une nature différente.

Le paradoxe est saisissant : alors même que la pharma manipule des volumes de données scientifiques et cliniques sans équivalent dans l'économie, elle peine à les transformer en valeur opérationnelle à grande échelle. Selon une étude Bain 2026 menée avec Bessemer et AWS [5], seulement 20 % des données issues des essais cliniques sont effectivement analysées, le reste est stocké, mais inaccessible à l'IA. Plus révélateur encore : 47 % des entreprises pharmaceutiques citent la data readiness comme principal obstacle pour passer du pilote à l'échelle. Ce chiffre en dit beaucoup mais il faut en comprendre les raisons profondes. Ce n'est pas tant que la pharma manquerait de budgets ou d'ambition : les grands groupes investissent massivement. C'est que la donnée pharmaceutique est structurellement difficile à unifier, pour des raisons qui tiennent autant à l'écosystème qu'à l'organisation interne. 

• La chaîne de production du médicament est morcelée entre des acteurs aux systèmes incompatibles : CROs pour les essais cliniques, CDMOs pour le développement, CMOs pour la fabrication…Chacun travaillant avec ses propres formats, ses propres référentiels, ses propres standards de documentation. Consolider ces flux dans un socle Data cohérent suppose un travail d'intégration considérable, souvent sous-estimé lors du cadrage des programmes.

• Les référentiels médicaux coexistent sans converger. ICD-10, SNOMED CT, MedDRA, MeSH… Autant de langages structurés qui décrivent les mêmes réalités cliniques avec des logiques différentes, selon les fonctions (pharmacovigilance, affaires réglementaires, recherche, médical) et les géographies. Toute tentative de croiser des données issues de ces silos se heurte à un travail de mapping laborieux, fragile, et rarement mutualisé à l'échelle de l'entreprise.

• Enfin, sur les données les plus prometteuses (les données omiques), les modèles eux-mêmes restent largement à construire. Si des avancées majeures existent (AlphaFold en est l'exemple le plus visible), leur transposition dans des workflows industriels reproductibles et validés réglementairement en est encore à ses débuts. 

C'est dans ce contexte que trois dynamiques propres à la pharma viennent complexifier la conduite du changement.

• La culture de la preuve ralentit l'adoption des approches IA. Une organisation habituée à des protocoles scientifiques rigoureux, à la validation par les pairs, à des dossiers réglementaires épais comme des annuaires, ne peut pas adopter spontanément des outils dont les résultats sont probabilistes, parfois opaques, et dont la fiabilité n'est pas démontrée selon les standards de la profession. Ce conservatisme méthodologique n'est pas un défaut culturel : c'est une exigence métier. La conduite du changement consiste à construire les protocoles de validation des outils IA avec la même rigueur que les protocoles scientifiques eux-mêmes, en mobilisant les fonctions Quality, Compliance et Regulatory Affairs dès la conception des cas d'usage, et non comme une étape de validation tardive.

• Une donnée à la fois externalisée et désynchronisée. Ce qui rend la pharma réellement singulière est le fait que ses données les plus critiques sont produites et détenues par des tiers comme évoqué plus haut auxquels s'ajoutent des registres publics et systèmes hospitaliers pour la real-world evidence et des professionnels de santé pour les données de prescription. À cela s'ajoute une hétérogénéité temporelle : une même organisation fait cohabiter des données dont l'horizon va du temps réel (contrôle qualité en production) au trimestre (performance commerciale), en passant par la décennie (essai clinique, dossier réglementaire). Construire une vision Data unifiée dans ce contexte, c'est résoudre simultanément un problème de souveraineté sur la donnée et un problème d'alignement temporel.

• Le cadre réglementaire structure tout. Bonnes pratiques cliniques (GCP), bonnes pratiques de fabrication (GMP), RGPD renforcé par le secret médical, conformité FDA, EMA, AI Act européen pour les usages à haut risque… la pharma évolue dans un environnement où chaque outil, chaque modèle, chaque traitement de donnée doit être documenté, traçable, auditable et défendable. Cette contrainte n'est pas un frein à la transformation : elle en est le cadre. Les programmes qui tentent de la contourner pour "aller plus vite" sont systématiquement rattrapés par les fonctions Compliance, avec des conséquences souvent terminales pour les cas d'usage concernés.

Concrètement, les groupes pharma qui réussissent leur transformation Data adoptent une approche plus séquencée que dans d'autres secteurs. Ils commencent par les domaines où le cadre réglementaire GxP est mature et les exigences de validation bien documentées : la qualité et le manufacturing (GMP) ; la supply chain (GDP) ; et les fonctions analytiques internes sans impact direct sur le patient, des zones où les modèles Data peuvent être validés selon des protocoles établis, sans avoir à construire le cadre réglementaire en même temps que le cas d'usage. Ils progressent ensuite vers les fonctions où la valeur est forte mais où les données sont plus agrégées et l'impact patient plus indirect : Market Access (modèles pharmaco-économiques, analyses de vie réelle pour les dossiers de remboursement) et les fonctions commerciales, où la réglementation porte davantage sur la transparence des interactions que sur la sécurité des patients. Ils réservent pour la dernière étape les usages à haut risque réglementaire : la pharmacovigilance automatisée, où une erreur de détection engage directement les obligations de déclaration réglementaire ; les outils d'aide à la décision intégrés dans les essais cliniques ; et plus largement tout modèle dont la sortie influence directement une décision ayant un impact sur la sécurité patient. Cette discipline séquentielle, parfois frustrante pour les équipes Data, est paradoxalement la plus rapide à terme : elle évite les retours en arrière coûteux et préserve la crédibilité de la fonction Data auprès des instances de gouvernance.

Conduire le changement Data : un acte managérial avant un acte technique

Le luxe et la pharma incarnent deux versions de la conduite du changement Data : l'un par défaut culturel de Data, l'autre par excès de rigueur autour de la Data. Pourtant, les deux convergent vers une même conclusion : la stratégie Data ne descend pas sur le terrain par la seule force de sa cohérence intellectuelle ou de la légitimité de ses sponsors. Elle descend par un travail patient, sectoriellement informé, opérationnellement incarné, et politiquement conscient

Conduire le changement Data, c'est accepter trois choses : que la transformation prendra plus de temps que prévu ; qu'elle exigera plus d'humilité que d'ambition affichée ; et qu'elle se jouera autant, sinon plus, dans les conversations difficiles avec les directeurs métiers, les conseillers de vente en boutique ou les affaires réglementaires, que dans les steerco du COMEX.

C'est précisément dans cet accompagnement de bout en bout (de la stratégie aux gestes quotidiens, de la salle du conseil au terrain) que Saegus engage ses consultants experts en Data, en IA, conduite du changement et programme d’adoption, pour permettre à ses clients de transformer leurs ambitions Data en valeur réelle, durable et mesurable.

Nous observons chaque jour à quel point l’écart entre l’ambition stratégique et la réalité opérationnelle des projets d'IA reste important pour les entreprises. Dans notre série "AI Point of View", nous décrypterons les défis majeurs, chantiers clés et solutions adaptées qui font la réussite d'une transformation IA à grande échelle. Découvrez également les articles : Process reinvention : ne pas reproduire les erreurs du digital avec l'IA et Le pilotage de la valeur des initiatives IA : un impératif de gouvernance.

Écrit par Alexia Debeaux, Directrice chez Saegus

*

RÉFÉRENCES EXTERNES

[1] McKinsey, The state of AI in 2025: Agents, innovation, and transformation, novembre 2025. URL : https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

[2] Analyse complémentaire des données McKinsey 2025 sur les AI high performers : CX Today, McKinsey's State of AI: The Scaling Gap Is Now CX's Problem, février 2026. URL : https://www.cxtoday.com/ai-automation-in-cx/mckinseys-state-of-ai-the-scaling-gap-is-now-cxs-problem/

[3] McKinsey, The State of Organizations 2026, février 2026. URL : https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/the-state-of-organizations-2026

[4] Digital Luxury Group & Europa Star, Luxury AI Adoption Study 2026, janvier 2026. URL : https://digitalluxurygroup.com/insight/luxuryaireport

[5] Bain & Company (avec Bessemer Venture Partners et AWS), How to Break Through Pharma's Innovation Bottleneck with AI, 2026. URL : https://www.bain.com/insights/how-to-break-through-pharmas-innovation-bottleneck-with-ai/

À PROPOS

Fondé en 2014, Saegus est un cabinet de conseil qui accompagne les entreprises dans leur transition vers un modèle intégrant l’intelligence artificielle. Saegus bouscule les codes du marché du conseil grâce à son savoir-faire dans l’adoption des nouveaux usages, associé à son expertise historique des outil collaboratifs, de la data et de l'IA. Distingué comme l'un des Champions de la Croissance 2026 par Les Échos, Saegus est choisi par des grands groupes du CAC 40/SBF 120 (Safran, LVMH, L’Oréal, BNP Paribas, Saint-Gobain, TotalEnergies...) pour les aider à repenser leurs projets par expérimentations successives. Le cabinet doit sa singularité à des déclinaisons opérationnelles et innovantes en matière d’usages digitaux. C’est d’ailleurs de ce principe qu’est né le nom de Saegus, anagramme du terme “usages”.

Site internet : https://www.saegus.com/

LinkedIn : https://www.linkedin.com/company/saegus

Pour consulter nos offres d’emploi : https://careers.saegus.com/#job