← Accueil actu | Salle du marché
2026-10-20 · Source：Computerworld
La technologie écope du blâme quand les projets pilotes IA déçoivent, mais le point de défaillance le plus profond est plus ancien : des CMDB jamais rapprochées, des registres d'actifs enfermés dans des tableurs et un savoir tribal que l'IA ne voit pas.
Trois systèmes, un seul parc : une console d'endpoints compte 9 400 appareils, un scanner de sécurité en trouve 8 700, et la base de gestion des configurations en revendique 10 200 — dont des centaines retirés du service depuis longtemps. Chaque chiffre se défend isolément. Ensemble, ils décrivent un environnement informatique que personne ne peut voir entièrement.
Quand un projet pilote IA en opérations informatiques sous-performe, l'examen se porte généralement sur la technologie. Le modèle était-il erroné ? L'outil a-t-il trop promis ? L'équipe a-t-elle choisi le mauvais cas d'usage ? Ces questions sont légitimes, mais dans beaucoup d'organisations la réponse se trouve dans un endroit moins reluisant : une base de gestion des configurations non rapprochée depuis deux ans, des données d'actifs enfermées dans des tableurs, ou trois équipes de service desk utilisant le même champ de catégorie de trois manières différentes.
L'IA n'a pas créé ces défauts. Elle les fait remonter — vite, et en public.
La fragmentation est structurelle plutôt qu'accidentelle. La plupart des environnements IT ont grandi un outil à la fois : l'équipe endpoints a adopté une plateforme de gestion, la sécurité a introduit un scanner, la gestion des services a construit ses flux dans l'outil ITSM, et les achats suivaient les commandes dans un système distinct. Chaque décision se justifiait isolément. Rares sont ces systèmes à avoir été conçus pour partager leurs données, laissant chaque équipe avec une vue seulement partielle du même environnement — personne n'a exactement tort, mais personne n'est complet.
Les gens ont appris à contourner ces trous. Un analyste expérimenté sait à quel système se fier pour quelle question et comble le reste de mémoire. Ce savoir institutionnel a de la valeur, mais il est invisible pour l'IA — et c'est là que les ennuis commencent.
La leçon pour les entreprises qui poussent l'IA dans les opérations IT est inconfortable : le choix du modèle et celui du fournisseur peuvent importer moins que l'état des données sous-jacentes. Tant que les silos ne seront pas rapprochés, les projets pilotes IA continueront d'exposer — bruyamment et publiquement — des problèmes que l'organisation n'a jamais corrigés au départ.
Mots-clés: CMDB · ITSM · IT Operations · Data Quality · AI Pilots · IT Asset Management
萬安算交所 AIXX · AIXX · Bourse compute vérifiée · Accéder à la salle