1.   Pas de transformation numérique sans données

• La transformation numérique n’est pas un projet, mais un état d’esprit : un programme sur le long terme
• Donnée, information, connaissance, et maintenant Sagesse : comprendre le modèle de Russell Ackoff
• Sagesse ou Savoir ? Comment ce modèle évolue avec l’intégration de l’intelligence artificielle
• Qu’est-ce que la « transformation numérique » ? Est-ce une nouvelle forme de révolution industrielle ?
• La donnée devient le carburant de la transformation numérique : comment la transformer en valeur

2.   Les données sont omniprésentes, les identifier, les cartographier et les valoriser

• Données structurées, non-structurées, documentaires, vrac numérique, documents, archives…
• Comprendre la notion de patrimoine informationnel ; quels indicateurs pour le valoriser
• Évolution de la plateforme de données : data warehouse, data lake, data lakehouse – vers une fusion des données décisionnelles et transactionnelles ?
• Les données atypiques : données sociales et mobiles, objets connectés et robotique industrielle, données synthétiques…
• L’IA consomme des données, mais l’IA génère aussi beaucoup de données : prompts, résultats, modèles d’apprentissage, contexte
• Pas de transformation numérique sans un cadre de gouvernance global de la donnée

 3.    Impacts et opportunités de la transformation numérique sur les modèles d’affaires

• Études de cas : appuyons-nous sur plusieurs secteurs d’activité pour analyser les opportunités et les risques de la transformation numérique
• Évolution des modèles d’affaires : économie de la matière, économie des ressources humaines, et aujourd’hui économie des données et des algorithmes
• D’accessoire, la donnée devient le cœur de nouveaux modèles économiques : co-construisons en équipe de nouveaux modèles, identifions les données, évaluons leur valeur
• Pas d’IA sans données d’entrainement : mais comment industrialiser l’IA sans avoir au préalable mené une démarche orientée données
• L’intelligence artificielle (apprentissage machine, et générative) peut-elle demain à elle seule créer de nouveaux modèles de valeur : notions réglementaires, de responsabilité juridique, d’impact client…

4.    Opportunités et impacts de la centralité des données sur les métiers

• Tout employé participe aujourd’hui à la création de données : sans données, l’entreprise devient aveugle
• Impacts sur la prise de décision : rôle du « décideur » vs rôle des données
• À l’ère de l’IA, faut-il encore décider ?
• L’IA et les données transforment processus opérationnels et décisionnels
• Faut-il construire une vision unique et centralisée (data platform) ou encourager l’autonomie des opérationnels (data mesh)
• Le travail humain évolue grâce à l’intelligence augmentée : impacts sur les ressources humaines
• Impact de la transformation numérique sur les relations clients, fournisseurs, partenaires

 5.    Collecter, stocker, et utiliser autour d’une plateforme de données

• Le « Big Data » est devenu la norme et conduit à la création de plateformes de données
• Le cloud computing est une tendance forte, mais se heurte aux enjeux de souveraineté et de conformité
• Le cloud computing est un enjeu de stockage, mais aussi de puissance de calcul, en particulier pour l’IA : le point sur les initiatives françaises et européennes à court et moyen terme
• Comprendre « les » IA pour savoir les sélectionner : systèmes experts et chatbots, apprentissage machine, apprentissage profond et vision automatisée, IA générative, Robotique et IA physique
• Intégrer l’IA dans les systèmes existants : legacy, ERP, GED, bureautique…
• Les LLMs vont-ils remplacer les développeurs ?
• Les LLMs deviendront-ils l’interface générique et remplaceront-ils la business intelligence ?
• Les outils (serveurs MCP, agents d’IA) et organisations (data products, data contracts) pour intégrer l’IA dans les flux de travail

6.    Valoriser la connaissance et la monétiser

• Méthodes et techniques de mesure de la valeur (données et algorithmes) : comparaison des méthodologies américaines, européennes et locales (IAS38, ISO)
• Avancement des travaux de normalisation (EFRAG, Value Reporting Foundation)
• Méthodologies de calcul du retour sur investissement des projets data et IA
• Data Office : passer d’un centre de coût à un centre de profit
• Les nouveaux modèles économiques de monétisation de la donnée : déterminer le prix d’une donnée
• Mettre en place une stratégie de monétisation : transformer ses jeux de données en revenu
• Exemples d’entreprises qui ont créé de la valeur monétaire à partir de leurs données
• Les portails de données (Data Spaces, Data Marketplaces…) : vers un marché européen de la connaissance
• Tiers de confiance : syndicats de données, fiducies de données
• Les outils de partage, d’échange et de mise à disposition de jeux de données ; l’encadrement juridique des data contracts
•  Quelle évolution pour l’Open Data

 7.   Gouvernance et conformité(s)

• AI Act, RGPD, PDP (Passeport Digital des Produits), Facture électronique, Euro numérique… ces évolutions réglementaires sont des codes de la route de votre transformation numérique
• Sécurité : construire une transformation numérique solide et sécurisée
• Être conforme aux dispositions actuelles, et anticiper les réglementations à venir : le concept d’agilité de conformité
• Un nouveau sujet, l’éthique : comment combiner éthique des affaires, et éthique de l’IA et des données
• La géopolitique et ses revirements : comment définir une stratégie
• Préservation de notre empreinte écologique et intelligence artificielle sont-ils compatibles
• De la gouvernance des données à la gouvernance de l’intelligence artificielle

8.    Impacts organisationnels et humains

• Anticiper les besoins de demain en compétences et en expertise – le rôle des départements RH
• Autonomie gouvernée : comment adapter l’organisation de l’entreprise aux exigences des nouvelles générations
• Construire un plan d’évolution des compétences pour ne pas perdre le capital humain actuel de l’entreprise – développer l’acculturation de l’ensemble de l’entreprise
• Quels nouveaux métiers autour de l’IA agentique et de l’automatisation (robots physiques)
• Apprendre et accepter une nouvelle forme de collaboration Homme-Machine

9.      Conclusion et réflexions

• Partage prospectif entre les participants
• Évocation des tendances à long terme : informatique quantique, rôle de l’énergie « everything-to-grid », basculement du logiciel vers le physique, cryptographie post-quantique

Ce programme a été mis à jour le 3/09/2026.