Pourquoi la transformation numérique échoue : ce n'est pas un problème de technologie, mais un problème d'intelligence opérationnelle

Chaque programme de transformation commence par une cartographie des processus, des diagrammes en couloirs, des flux de travail documentés, et une conviction partagée que l’organisation comprend comment son propre travail évolue.

Cette conviction est presque toujours erronée et le coût de la découvrir en cours de migration est rarement faible. Demandez à la TSB.

En avril 2018, la TSB a migré 1,3 milliard de dossiers clients d’une plateforme Lloyds héritée vers un nouveau système construit par sa maison mère espagnole, Sabadell. En 48 heures, 1,9 million de clients ont été exclus de leurs comptes.

Plusd’Histoires

                                    En défense prudente d’Air Peace

9 mai 2026

                                    Résoudre le vrai problème du système de recyclage des SIM au Nigeria

7 mai 2026

Les clients hypothécaires pouvaient voir les soldes d’autres personnes. Les comptes professionnels étaient inaccessibles pendant des semaines.

Le coût a dépassé 330 millions de livres sterling. Le PDG a démissionné. Un examen ultérieur a révélé que la migration s’était déroulée sans une compréhension adéquate des interdépendances entre les processus existants de la TSB et l’architecture du nouveau système. La technologie fonctionnait, mais personne n’avait cartographié ce qu’elle était censée transporter. Le problème a un nom, et il est plus précis que ce que la plupart des organisations apprécient.

Qu’est-ce que l’Intelligence Opérationnelle ?

L’intelligence opérationnelle dérive d’une image précise des données de la façon dont le travail se déplace réellement à travers les processus, systèmes, décisions et personnes, à partir des systèmes déjà en place. Elle répond à des questions auxquelles aucune interview ou atelier avec un intervenant ne peut répondre de manière fiable : quels chemins le travail emprunte-t-il réellement ? Où s’accumulent les retards, et pourquoi ? Quelles décisions sont prises, à quels moments, par qui, et avec quelle cohérence ? Sans elle, trois choses se produisent systématiquement. Les équipes automatisent des flux de travail non définis. Elles numérisent des goulets d’étranglement. Elles étendent les inefficacités à travers les plateformes.

La Couche de Données

La matière première de l’intelligence opérationnelle est les données d’événements. Chaque système d’entreprise : ERP, CRM, gestion de dossiers, gestion des commandes, enregistre des journaux d’événements. Chaque changement de statut, déclencheur d’approbation, et mise à jour de dossier laisse une horodatation. Ces horodatations, reliées par un identifiant de cas, contiennent un enregistrement complet du comportement opérationnel réel. Les données existent déjà dans les systèmes que les organisations gèrent. Ce qui n’existe généralement pas, c’est la pratique de les traiter comme une entrée principale dans la stratégie de transformation plutôt que comme un sous-produit de conformité.

À partir d’un journal d’événements propre, des outils de fouille de processus tels que Celonis, UiPath Process Mining, et SAP Signavio reconstruisent les chemins de processus réels, montrent où se concentrent les retards, et comparent le comportement réel aux modèles documentés. L’écart entre ce que montre la cartographie des processus et ce que montre le journal d’événements est rarement trivial. Des approbations qui semblent automatiques dans un diagramme peuvent impliquer trois fils de courriel et une feuille de calcul que personne n’a officiellement approuvée. Lorsque DHL a appliqué la fouille de processus à ses opérations de dédouanement, il n’a pas trouvé les goulets d’étranglement que ses gestionnaires attendaient. La plupart des retards n’étaient pas dans le temps de traitement. Ils étaient dans la latence décisionnelle, l’écart entre l’arrivée d’un cas à un point de décision et la prise effective de décision.

Cette distinction est importante. La plupart des programmes de transformation se concentrent sur la visibilité des processus : où en sont les choses dans le pipeline. La visibilité des décisions va plus loin. Le point de décision est là où le flux de travail se divise, et superposer les attributs du cas sur ces bifurcations révèle quels facteurs gouvernent la sélection du chemin et si cette gouvernance est cohérente entre les équipes et dans le temps. Cela indique quelles voies d’exception consomment une capacité disproportionnée et comment les flux de travail se comportent réellement par rapport à ce que les architectes de processus avaient supposé.

Intelligence Opérationnelle et Préparation à l’IA

C’est là que les enjeux sont les plus élevés, et où une mauvaise séquence cause le plus de dégâts. Un modèle d’apprentissage automatique entraîné pour automatiser les décisions de routage performera bien si les données d’entraînement reflètent précisément la logique décisionnelle qui doit gouverner ces décisions. L’accent est mis sur ce qui devrait l’être.

Dans la plupart des organisations, les données décisionnelles historiques ne reflètent pas la logique prévue. Elles reflètent des règles formelles mêlées à des solutions de contournement informelles, à la discrétion individuelle, et à des exceptions traitées en dehors du système et jamais enregistrées. Un modèle entraîné sur ces données apprend une version corrompue de la logique prévue, pas les règles, mais la moyenne de ce que les gens ont réellement fait, y compris chaque raccourci et chemin d’escalade non documenté. Déployé à grande échelle, il reproduit ces schémas à la vitesse de la machine : de manière cohérente, confiante, et erronée. Établir une logique décisionnelle correcte avant l’entraînement, et construire un jeu de données qui reflète le comportement prévu plutôt que celui observé, n’est pas une étape d’hygiène. C’est la différence entre un système d’IA qui accélère les bonnes décisions et un qui amplifie les mauvaises.

Séquence Avant Sélection

L’intelligence opérationnelle n’est pas un flux de travail qui fonctionne en parallèle de la mise en œuvre. C’est le préalable qui rend les décisions de mise en œuvre défendables. Avant de choisir une plateforme ou de rédiger un cahier des charges pour l’automatisation, trois questions doivent recevoir des réponses basées sur les données : quels chemins le travail emprunte-t-il réellement, et à quelle fréquence chaque variante apparaît-elle ? Où s’accumulent les retards, et quels attributs les prédisent ? À quels points de décision le flux de travail se divise-t-il, qu’est-ce qui gouverne ces bifurcations en pratique, et quelle est la cohérence de cette gouvernance entre les équipes et dans le temps ?

Felicia Oyedara est une analyste de données basée au Royaume-Uni, spécialisée dans les opérations numériques, l’optimisation des processus, et l’analyse des personnes dans les environnements fintech, bancaire, et de conseil. Elle se concentre sur la traduction des données opérationnelles et de main-d’œuvre en insights clairs et exploitables qui améliorent la performance, rationalisent les processus, et soutiennent une meilleure prise de décision.