Beaucoup de dirigeants abordent l'IA en regardant le modèle et la puissance de calcul. Ils se trompent de variable. Depuis deux ans, j'accompagne des comités de direction et des DRH sur l'entrée de l'IA dans leurs métiers, et je constate la même chose : la ressource qui décide de tout, l'avantage réel, c'est la donnée. Sa qualité, sa propriété, sa gouvernance. Un talk de la conférence AI Ascent 2026 de Sequoia met des mots précis sur cette intuition de terrain, et je vous propose de le traduire ici en décisions concrètes de dirigeant.

Le talk s'adresse d'abord à des laboratoires d'IA, pas à des DAF ou des DRH. Mais son raisonnement se transpose presque mot pour mot à votre organisation. C'est ce pont que je veux construire : comprendre pourquoi la donnée est le vrai point de blocage, puis en tirer les questions que vous devriez poser en CODIR avant d'investir un euro de plus dans l'IA.

1. Pourquoi la donnée, et pas le compute, est le vrai goulot

Parce que le calcul se scale et que la donnée, non. C'est la thèse centrale défendue par Ben et Asher Spector : les modèles sont devenus excellents là où les données abondent, et restent faibles partout où elles manquent.

1.1 L'IA brille là où la donnée est abondante

Les grands succès des modèles de langage se concentrent sur deux terrains : la recherche web et le code. Ce n'est pas un hasard. Pour la recherche, la matière d'entraînement, c'est à peu près tout internet. Pour le code, c'est une large fraction d'internet, complétée par des données synthétiques faciles à produire en masse. Selon les intervenants d'AI Ascent 2026, ces deux tâches représentent déjà un marché d'au moins mille milliards de dollars. Elles ont un point commun : ce sont les problèmes les mieux dotés en données de toute l'économie.

1.2 Le reste de l'économie manque de données

Or l'économie réelle ne ressemble pas à la recherche et au code. La robotique, le trading, la découverte scientifique, et surtout la longue traîne de chaque secteur d'activité, sont pauvres en données exploitables. C'est le point le plus important pour un dirigeant : votre métier fait presque toujours partie de cette longue traîne mal dotée. La même reconfiguration touche déjà les métiers de l'entreprise, comme je l'analyse à propos de l'effet de l'IA sur le métier de product manager.

1.3 Deux raisons économiques de fond

Les intervenants avancent deux arguments simples. D'abord, la puissance de calcul devient exponentiellement moins chère, et son marché est homogène : quand une entreprise a les moyens, elle peut acheter du compute en quantité, presque comme une commodité. Ensuite, la donnée n'a pas de fournisseur centralisé. Pour aller chercher la longue traîne des tâches économiques, il faut négocier avec des entreprises, gérer des droits d'usage, composer avec des régulations. C'est lent, coûteux et pénible.

Le calcul, vous le louez au cloud à la demande. Vos données, personne ne peut vous les vendre. C'est exactement ce qui en fait un actif, et un goulot.

Cette thèse n'est pas une lubie de chercheurs. Début 2026, Sequoia et Index Ventures ont investi 180 millions de dollars dans ce laboratoire précisément sur ce pari : la donnée, pas le compute, est le prochain point de blocage de l'IA.

2. Ce que l'efficience de la donnée change pour vous

Elle déplace l'avantage concurrentiel du modèle vers vos données. Voilà l'implication stratégique qu'aucun dirigeant ne devrait manquer.

2.1 Faire plus avec beaucoup moins de données

L'efficience de la donnée, c'est la capacité à obtenir les mêmes performances avec beaucoup moins d'exemples. L'intuition vient de l'humain, comme l'expliquent les fondateurs de Flapping Airplanes : une personne apprend à coder avec dix mille à cent mille fois moins de données qu'un modèle actuel. L'objectif que se donnent ces laboratoires est de rendre l'entraînement mille fois plus efficient. Or, disent-ils, un modèle mille fois plus économe en données serait mille fois plus facile à déployer dans les recoins mal dotés de l'économie.

2.2 Le modèle devient une commodité, vos données non

Suivez la conséquence. Si spécialiser un modèle demande de moins en moins de données, cette capacité se démocratise : beaucoup plus d'organisations peuvent y accéder. Le modèle de base devient alors une commodité banalisée, comme le compute. Ce qui reste rare, non reproductible et réellement différenciant, c'est votre patrimoine de données. Les intervenants le formulent crûment : si la donnée est le moat, alors l'efficience de la donnée est précisément ce qui élargit la compétition.

3. Pourquoi vos données propriétaires sont votre actif stratégique

Parce qu'elles sont exactement ce que personne d'autre ne possède. Interrogés à AI Ascent 2026 sur ce qui constitue le véritable rempart concurrentiel dans l'IA, les acteurs présents ont répondu, en majorité : la donnée. Si c'est vrai pour les laboratoires, ce l'est encore plus pour vous.

3.1 Votre longue traîne est votre trésor

Les données que les grands modèles peinent à obtenir, ce sont vos historiques clients, vos cas particuliers, vos incidents et leurs résolutions, les spécificités réglementaires de votre secteur, le savoir tacite de vos experts. Cette matière n'existe nulle part sur internet. Elle est le fruit de votre activité, parfois de décennies. C'est précisément cette rareté qui lui donne de la valeur à l'ère de l'IA. Faire remonter et structurer ce savoir dispersé rejoint un travail que je connais bien : faire émerger le savoir collectif de vos équipes.

3.2 Le paradoxe que j'observe sur le terrain

Le message pour un dirigeant est donc contre-intuitif. Votre actif IA ne se mesure pas au poids de vos bases. Il se mesure à votre capacité à identifier, capturer et rendre exploitable la donnée rare que votre activité génère et que personne ne peut acheter à votre place.

4. Qualité ou quantité de données : que privilégier

La qualité, le contexte et les droits d'usage priment sur le volume brut. Une donnée massive mais illisible, sans contexte ni droit d'usage clair, n'est pas un actif : c'est un stock mort qui coûte à héberger.

Beaucoup de dirigeants confondent « nous avons beaucoup de données » avec « nous avons un actif exploitable ». Ce n'est pas la même chose. Une donnée n'a de valeur pour l'IA que si elle est activable, ce qui recouvre plusieurs dimensions concrètes. Ce biais du volume qui rassure est d'ailleurs un piège de jugement classique, de la même famille que ceux que je décris dans la théorie des perspectives et l'évaluation des risques.

5. Ce que la gouvernance des données doit garantir

Elle doit répondre à trois questions : qui possède quoi, qui peut en faire quoi, et à quelle condition de qualité et de sécurité. La gouvernance de la donnée n'est pas un sujet technique de plus. C'est la condition qui transforme un stock dormant en actif activable.

5.1 Les cinq garanties d'une gouvernance utile

• La propriété : chaque donnée critique a un responsable nommé, comptable de sa qualité et de son bon usage.
• Les droits et la conformité : les usages autorisés sont tracés, dans le respect du RGPD, des contrats et des engagements pris envers vos clients.
• La qualité et la fraîcheur : la donnée est documentée, datée, et sa péremption est connue.
• La sécurité : des garde-fous contre la fuite, l'accès non maîtrisé et le Shadow AI, ces usages d'IA hors radar de la direction.
• L'accessibilité : la donnée circule entre les silos selon des règles claires, au lieu d'être enfermée service par service.

5.2 Un sujet de direction, pas seulement de DSI

Le talk rappelle que même les meilleurs laboratoires butent sur les régulations et la négociation des droits pour accéder à la donnée. Ce qui est vrai entre entreprises l'est aussi à l'intérieur de la vôtre, entre vos silos. Or, dans mes accompagnements, la donnée est presque toujours traitée comme un sujet technique délégué à la DSI, alors que le vrai blocage est organisationnel : personne ne sait qui possède quoi, ni qui a le droit d'en faire quoi.

La gouvernance des données est donc d'abord un sujet de gouvernance tout court : des rôles, des responsabilités, des arbitrages. C'est le même enjeu de contrôle que je développe à propos de comment garder l'initiative humaine face aux agents IA. La donnée mal gouvernée ne produit pas seulement de la valeur perdue : elle produit du risque, ce qui place le patrimoine de données au cœur de la cybersécurité et de la gouvernance de l'IA.

On peut accumuler des téraoctets sans jamais créer un gramme d'avantage concurrentiel. Sans gouvernance, la donnée reste un coût, pas un actif.

6. Par où commencer concrètement

Par une cartographie honnête de votre patrimoine de données, avant tout projet de modèle. Je ne vends pas de méthode miracle : je propose une séquence sobre, qui remet la donnée au centre de la décision plutôt que la technologie à la mode.

1. Cartographier votre patrimoine de données. Recensez où se trouve la donnée qui a réellement de la valeur, en particulier la longue traîne et le savoir tacite non documenté de vos équipes. C'est souvent là, et non dans les grandes bases, que se cache l'avantage.
2. Qualifier chaque source. Passez chaque source au crible des dimensions vues plus haut : qualité, contexte, fraîcheur, droits d'usage, sensibilité. Une source qui échoue sur les droits ou la sécurité n'est pas prête, quel que soit son volume.
3. Gouverner. Nommez des responsables de données, clarifiez les accès, la conformité et la sécurité. C'est le socle qui rend tout le reste possible et durable.
4. Choisir un cas d'usage dense en données propriétaires. Priorisez un cas où vous détenez une donnée que personne d'autre ne possède, plutôt que le cas d'usage médiatique du moment. C'est là que l'IA vous rendra difficilement copiable.
5. Mesurer et itérer. Instrumentez le cas d'usage dès le départ pour vérifier son impact réel, puis élargissez. La preuve d'abord, l'échelle ensuite.

Cette séquence n'a rien de spectaculaire, et c'est voulu. Faire évoluer une organisation vers un vrai rapport à sa donnée relève de la conduite du changement, pas de l'achat d'un outil : cela suppose d'installer une culture de la donnée et du projet qui dépasse la seule DSI. Ce chantier s'inscrit dans une transformation de l'organisation par l'IA plus large, où la vraie question n'est pas la puissance de calcul mais l'efficience avec laquelle vous mobilisez vos ressources. L'IA ne fera pas ce travail à votre place. Elle rend seulement son absence beaucoup plus coûteuse.