Qu’on se le dise, une équipe data produisant des dashboards que personne ne lit ne vaut rien. Peu importe la qualité des pipelines, la robustesse des modèles ou encore six décimales et plus de précision. Si personne ne regarde, rien de tout cela n’a d’intérêt.

C’est le piège de la carte parfaite. On la raffine, on la met à jour, des fois en se trompant, on en soigne la légende, et pendant ce temps le terrain bouge sans nous.

La rigueur, telle qu’elle est pratiquée dans la plupart des équipes data, n’est pas de l’exigence pure, mais plus ou moins de la procrastination confortable.

Fiabiliser ou créer un pipeline, documenter un modèle ou produire un dashboard, c’est produire un livrable mesurable. Cela rassure et s’évalue, mais cela permet d’éviter la seule question qui compte. Est-ce que quelqu’un a appris quelque chose qu’il ne savait pas hier ? La semaine dernière ? Le mois dernier ?

La plupart du temps, la réponse est simplement négative.

La myopie de l’exploitation

James March, un des penseurs les plus influents des sciences sociales du XXe siècle, a donné un nom à ce mécanisme en 1991 dans l’article « Exploration and Exploitation in Organizational Learning ». Il l’a appelé la myopie de l’exploitation.

Les organisations dérivent vers ce qui produit des résultats visibles et immédiats. Chaque dashboard livré renforce la croyance que la valeur est dans le dashboard. Chaque pipeline stabilisé justifie le prochain créé et la boucle se referme.

L’exploration, elle, celle qui naît de la surprise et de la découverte inconfortable, est chassée en silence. En fait, l’organisation ne décide pas d’arrêter de chercher. Elle oublie juste trop rapidement, par certitude, qu’elle pourrait (et devrait) continuer de le faire.

Le piège est pernicieux car il tient par une asymétrie de visibilité. Un pipeline livré, c’est un ticket fermé. Une corrélation suspecte explorée pendant deux jours et rejetée ? Dans un sprint review, c’est très souvent considéré comme du temps “perdu”.

L’exploitation produit des preuves d’elle-même alors que l’exploration n’en produit que rétrospectivement, quand elle a déjà réussi.

Alors les équipes cartographient compulsivement.

Terrain mouvant

Pourtant, le terrain a changé sous la carte.

En 2026, avec la montée en puissance de l’IA, le coût de production d’un insight tend vers zéro. Ce qui prenait auparavant une semaine d’investigation prend au mieux quelques minutes et l’excuse historique (“on n’a pas le temps, on a les pipelines à maintenir”) n’a plus de fondement.

Surtout que le temps dédié aux tâches d’exploitation (pipeline, mise en qualité, modélisation, etc.) tend lui aussi vers zéro.

Quand l’insight était rare et cher, la rigueur en amont était une nécessité économique. Alors que lorsqu’il est abondant et cheap, la rigueur se déplace en aval. Désormais on ne vérifie plus avant de chercher, on vérifie après avoir trouvé.

La moindre corrélation imparfaite qui ouvre une piste inédite crée plus de valeur qu’un modèle parfait qui confirme ce qu’on savait déjà. Et accepter cela, pour un analyste formé à traquer les biais et les artefacts, c’est une hérésie. Car plus on est bon cartographe, moins on supporte l’idée de marcher sans carte.

Mais le foisonnement change la donne. On peut générer cinquante hypothèses en moins d’une heure. Et sur ces cinquante, quarante-cinq seront du bruit et cinq ouvriront peut-être des territoires qu’aucun dashboard ne pourrait cartographier.

Ils n’étaient pourtant dans aucun backlog, aucune roadmap, ni aucune question posée par un stakeholder en réunion…

L’éditeur d’hypothèses

C’est un nouveau rôle qui s’annonce pour les équipes data, celui de chasseur de valeur.

L’analyste ne produira plus l’insight, il en recevra cinquante et s’occupera d’en faire le tri. Il passera de chercheur à éditeur d’hypothèses produisant cette valeur tant recherchée.

Sa responsabilité la plus importante, la plus ingrate, sera d’arbitrer, de trancher et oser dire non. Dire “cette corrélation est séduisante mais c’est un artefact” demande plus de compétence que de la trouver car désormais n’importe quel agent IA peut explorer sans se fatiguer.

Seul un humain connaissant le domaine, les biais et les pièges de composition peut dire que ça ne tient pas.

Mais j’ai la certitude qu’à ce jour ce rôle n’existe nulle part. Qu’il y a un vide à combler, une opportunité incroyable à capter.

Néanmoins, tant que les équipes data seront évaluées sur la disponibilité de leurs pipelines et la fraîcheur de leurs dashboards, elles resteront prisonnières de l’exploitation. Elles continueront de perfectionner des cartes de territoires qu’elles n’explorent jamais.

Pire, il sera séduisant d’oser penser que les stakeholders métier soient les mieux placés pour endosser cette responsabilité nouvelle. On verra sans doute beaucoup d’équipes data se contracter sur cette simple croyance.

Le slack organisationnel

Mais March avait une solution.

Inconfortable mais documentée, il voyait dans le slack organisationnel, la solution au problème qui nous occupe.

Du temps non alloué, non justifiable, consacré à l’exploration sans garantie de retour. Certaines organisations performantes tolèrent cette inefficacité apparente, là où les autres optimisent ce qu’elles peuvent, jusqu’à l’extinction.

Le slack coûte cher précisément parce qu’il ne produit rien de rapportable. C’est sa condition, pas son défaut.

Cela poussera à re/construire des organisations plus fluides, sans doute moins freinées par les théories gestionnaires. Un sujet qui nous ramène aux impacts que certains perçoivent déjà dans l’IA appliquée à la Tech…

Mais revenons à notre sujet. Il restera néanmoins une question que j’éviterai de traiter dans cet article.

Dire aux équipes data “explorez au lieu de cartographier”, c’est facile et confortable.

Mais le vrai territoire, celui que personne ne cartographie, reste une jungle dans laquelle on peut facilement se perdre. Que se passera-t-il lorsque l’explorateur se trompera ? Quand il tuera le bon signal et gardera le mauvais ?

Le terrain ne pardonnera pas.

Et l’exploration, elle, a un coût que l’exploitation n’a jamais eu. Celui de ne pas savoir si on a raison avant qu’il soit trop tard.