Face à l'accélération de l'intelligence artificielle générative en entreprise, une conviction s'impose chez de nombreux groupes industriels : l'IA ne peut délivrer de la valeur que si elle s'appuie sur une donnée préparée, gouvernée et contextualisée. Lors du Tech For Industry Show, Franck Coste, Account Executive (Snowflake) et Simoh-Mohamed Labdoui, Group Head of Data (Saint-Gobain) ont présenté la stratégie data mise en place par le groupe pour structurer cette base avant d'accélérer sur l'IA.

Saint-Gobain, leader mondial de la construction durable et légère, conçoit, fabrique et distribue des matériaux de construction à travers 160 000 employés dans 80 pays, sous des marques comme Isover, Weber ou Placo, distribuées notamment via Point P, Plateforme du Bâtiment ou CDO. Pour Simoh-Mohamed Labdoui, Group Head of Data du groupe, la donnée chez Saint-Gobain ne se résume pas à des chiffres : elle décrit le savoir-faire de l'entreprise — formulations, procédés industriels, qualité, performance énergétique, usages clients et spécificités de marché — ce qui en fait un actif stratégique pour l'excellence opérationnelle.

Le point de départ de la démarche de Saint-Gobain est une conviction forte : il n'est pas possible de brancher l'intelligence artificielle directement sur de la donnée brute, non préparée. Il faut d'abord construire des fondations solides.

La conférence détaille une chaîne de valeur en quatre temps :

Saint-Gobain insiste sur le fait que la gouvernance de la donnée, souvent perçue comme complexe et coûteuse par les équipes métier, doit devenir plus opérationnelle et plus lisible — via la contextualisation, la définition claire des rôles et responsabilités, et des politiques d'accès à la donnée.

Au-delà de la stratégie, Simoh-Mohamed Labdoui identifie quatre critères déterminants pour la réussite opérationnelle de cette démarche : la simplification (sans laquelle l'adoption échoue, et sans adoption, pas de valeur créée), la maîtrise des coûts (réduction du TCO pour libérer des ressources et éviter que les métiers ne rejettent des solutions trop coûteuses à faire évoluer), le recours à des technologies matures intégrant nativement l'IA, et enfin la transformation des équipes data elles-mêmes — data engineers, BI engineers, DevOps — dont les méthodes de travail doivent évoluer pour intégrer l'IA au quotidien.

Saint-Gobain travaille avec Snowflake depuis environ six ans, choisi pour sa capacité à simplifier l'architecture data (en s'appuyant sur la virtualisation des données, limitant la duplication) et pour un coût total de possession maîtrisé, comparé aux architectures historiques plus complexes (Hadoop, Cloudera, Hortonworks). Franck Coste, de Snowflake, illustre ce changement de rapport à l'expertise technique par une analogie médicale : de la même façon que les patients arrivent aujourd'hui chez leur médecin avec un pré-diagnostic déjà établi en ligne, les équipes métier attendent désormais davantage d'autonomie et de simplicité dans leur rapport à la donnée.

Baptisé Magnitude, cet outil permet aux équipes finance de poser des questions directement sur les données financières, en s'appuyant sur un travail préalable de modélisation sémantique et de catalogage. Il vise à donner aux équipes finance davantage d'autonomie pour détecter des signaux faibles dans leurs données.

Saint-Gobain a développé une data marketplace interne, pensée comme un guichet unique pour exposer le patrimoine de données du groupe : un utilisateur basé en Allemagne peut ainsi découvrir quelles données de vente existent en Australie ou au Japon, comprendre comment elles sont modélisées, et demander l'accès. L'objectif est de réduire le temps d'accès à la donnée, les coûts associés, et d'accélérer l'appropriation de la donnée par les métiers eux-mêmes — un changement de posture résumé par le passage d'une logique de "data & AI for all" (donner accès) à une logique de "data & AI by all" (transformer réellement les façons de travailler).

Un point technique important abordé lors des échanges : où placer le modèle sémantique — la couche qui définit un langage métier commun (client, contrat, stock, usine) ? Saint-Gobain a fait le choix de le construire au plus près de la donnée, au niveau de Snowflake, plutôt que dans les seuls outils de reporting.

Franck Coste précise l'enjeu du point de vue éditeur : historiquement, les couches sémantiques vivaient dans les outils de BI (type Tableau). Avec la montée de l'IA générative, ces outils de reporting perdent en centralité dans l'accès à la donnée. Si le modèle sémantique diffère entre la couche de reporting et la couche d'IA générative, le risque est de générer des hallucinations ou des réponses incohérentes selon le canal utilisé. D'où la nécessité de rapprocher la couche sémantique de la donnée elle-même, pour garantir un résultat cohérent quel que soit l'outil utilisé par l'utilisateur final.

Interrogé sur le contrôle d'accès à la donnée, Simoh-Mohamed Labdoui détaille une approche progressive plutôt qu'une gouvernance imposée globalement d'emblée : définir des rôles et responsabilités (data steward), les outiller pour réduire leur charge de travail, puis automatiser les demandes d'accès via des outils comme ServiceNow, Data Galaxy ou Collibra. La classification de la donnée s'appuie sur des questions métier simples (l'impact d'une fuite de données sur l'activité), avec un appui possible de l'IA pour détecter automatiquement les données sensibles.

Côté technique, Franck Coste souligne que Snowflake propose une gestion d'accès basée sur les rôles (RBAC) qui modélise les différentes entités et zones géographiques de Saint-Gobain — un contrôle hérité automatiquement par tous les outils qui consomment cette donnée, y compris les prompts adressés à une IA générative, qui ne peut accéder qu'aux données pour lesquelles Saint-Gobain a explicitement donné l'accès.

Sur la gouvernance dans un groupe mondial, Simoh-Mohamed Labdoui défend une approche orientée processus plutôt qu'une gouvernance strictement centralisée ou totalement déléguée : un même processus (par exemple l'analyse de cycle de vie d'un produit) implique plusieurs métiers (supply chain, manufacturing, etc.), ce qui justifie une gouvernance fédérée entre les métiers concernés, avec une responsabilité distribuée selon la maturité et l'expertise disponible. Il évoque à ce titre l'idée que le "vrai" jumeau numérique ne se limite pas à l'IoT, mais se situe au niveau du processus lui-même.

Enfin, sur la dimension collaborative, Simoh-Mohamed Labdoui décrit un curseur à ajuster entre ouverture et contrôle : un accès en lecture largement ouvert pour favoriser l'exploration et l'émergence d'idées au sein d'un domaine métier donné, mais des droits de création plus encadrés, pour éviter les dérives tout en maintenant l'adoption.

La démarche présentée par Saint-Gobain et Snowflake illustre une approche structurée de la donnée au service de l'IA : des fondations solides, une gouvernance pensée pour être lisible par les métiers, un modèle sémantique positionné au plus près de la donnée pour limiter les hallucinations, et une logique de transformation qui implique autant les équipes techniques que les équipes métier.

Retrouvez l'intégralité de cette conférence, ainsi que les autres replays du Tech For Industry Show, sur notre page dédiée.