Les données que vous possédez déjà valent plus que le modèle que vous allez acheter
Il existe un écart persistant entre ce que les dirigeants affirment à propos de leurs données et ce qu'ils en font réellement. La majorité les utilise pour surveiller le passé : rapports de ventes, tableaux de bord de KPI, suivi de campagnes. Certains les activent déjà pour personnaliser des expériences grâce à l'intelligence artificielle. Mais presque personne ne franchit l'étape suivante, qui n'est pas technologique mais conceptuelle : traiter les données comme un produit qui génère des revenus par lui-même, indépendamment de l'activité qui les a produites.
C'est la thèse centrale qui prend de l'ampleur dans les conversations stratégiques de 2026, et elle s'appuie sur des chiffres difficiles à ignorer. Les marges opérationnelles du commerce de détail traditionnel se situent entre 2 % et 5 %. Les marges des réseaux publicitaires fondés sur des données de première partie — construits sur les mêmes clients et la même infrastructure — peuvent atteindre 90 %. Il ne s'agit pas d'une variante du modèle d'origine : c'est une autre activité, montée sur le même actif qui existait déjà. Walmart Connect a progressé de 41 % au cours de l'exercice fiscal 2026. L'unité de revenus alternatifs de Kroger, qui comprend les médias et l'analytique de données, a généré 1,5 milliard de dollars de bénéfice opérationnel au cours de son dernier exercice fiscal. Les deux entreprises ont construit ces lignes de revenus sans acquérir de nouveaux clients ni ouvrir de nouveaux marchés. Elles ont changé la manière dont elles ont empaqueté ce qu'elles savaient déjà.
Ce qui manque dans cette analyse, et ce qui m'intéresse le plus en tant qu'analyste du comportement, c'est la question qu'aucun dirigeant ne pose à voix haute : si l'actif a toujours été là, pourquoi la majorité ne le monétise-t-elle pas ?
L'actif invisible et le biais qui le maintient en sommeil
La réponse ne se trouve ni dans la technologie ni dans les talents. Elle réside dans la façon dont les organisations perçoivent ce qu'elles possèdent.
Il existe un biais cognitif bien documenté appelé familiarité avec l'environnement propre : nous avons tendance à dévaluer ce que nous produisons ou contrôlons parce que l'exposition répétée réduit la perception de sa valeur. Une équipe marketing qui observe depuis des années les mêmes données comportementales de ses clients cesse de les percevoir comme un actif rare. Elle les traite comme un intrant opérationnel parce que c'est ce qu'elles ont toujours été. Le cerveau humain est extrêmement efficace pour normaliser ce qui est familier et sous-évaluer ce qui n'a pas de prix de marché visible.
Ce phénomène s'aggrave dans les grandes organisations parce que les données sont fragmentées entre des équipes qui ne partagent pas les mêmes incitations. L'équipe commerciale sait combien chaque segment achète. L'équipe logistique sait quand et où. L'équipe produit sait quelles fonctionnalités génèrent de la rétention. Mais personne ne se charge d'assembler ces pièces en un produit cohérent qu'une autre entreprise achèterait, parce que chaque équipe mesure sa performance selon des objectifs internes, et non selon la valeur externe de ce qu'elle sait.
La conséquence pratique est que la donnée la plus précieuse d'une entreprise — sa connaissance accumulée du comportement de ses clients — vit dispersée, sans structure, sans prix et sans propriétaire clairement désigné. Non pas parce que l'entreprise est incapable de l'organiser, mais parce que l'organiser de cette manière exige de rompre avec la logique opérationnelle qui soutient le quotidien. Et rompre avec cette logique génère une friction institutionnelle que la plupart des équipes n'ont pas d'incitation à assumer.
Le cas de 84.51°, la filiale d'analytique et de médias de Kroger, est instructif précisément parce que son point de départ n'était pas technologique. La plateforme Stratum n'a pas émergé parce que Kroger avait découvert de nouvelles données. Elle est née parce que quelqu'un a décidé de structurer ce que l'entreprise savait déjà autour des décisions que les marques de grande consommation avaient besoin de prendre : où dépenser, quoi référencer, comment mesurer les résultats. L'actif était le même. Ce qui a changé, c'est le cadre interprétatif depuis lequel il a été proposé. Ce déplacement — de donnée interne à produit externe — est davantage un acte de design organisationnel qu'un acte technique.
Pourquoi l'IA ne résout pas le problème et le rend plus urgent
Il existe une tentation compréhensible en ce moment du cycle technologique : croire que l'implémentation de modèles de langage ou d'outils d'intelligence artificielle générative suffit à capitaliser sur les données qu'une entreprise possède. Ce n'est pas le cas, et comprendre pourquoi nécessite de distinguer deux types d'avantage.
Le premier type est l'avantage d'accès aux outils. Il y a trois ans, avoir accès à des modèles de langage à grande échelle représentait un avantage réel, car peu d'entreprises pouvaient se permettre leur développement. Cet avantage a pratiquement disparu. Les modèles les plus performants sont accessibles à toute entreprise disposant d'un budget raisonnable. Le marché des modèles de base tend vers la parité, de la même manière que l'accès aux serveurs en nuage a cessé d'être un facteur différenciateur il y a une décennie.
Le second type est l'avantage de l'intrant propriétaire. Ce qu'une entreprise fournit au modèle importe davantage que le modèle lui-même. Les 62 millions de foyers et les 2 milliards de transactions annuelles que 84.51° traite ne sont pas reproductibles. Une entreprise de logistique disposant de cinq ans de données de routes et de demande régionale ne l'est pas non plus. Un système de santé avec des dossiers cliniques liés à des résultats ne l'est pas davantage. L'avantage ne réside pas dans l'algorithme, mais dans ce que l'algorithme traite — et c'est précisément ce que la plupart des entreprises continuent de traiter comme un intrant opérationnel plutôt que comme un actif commercialisable.
Le paradoxe est que la massification de l'intelligence artificielle rend plus urgente — et non moins — la résolution du problème de la monétisation des données. Si tout le monde a accès aux mêmes outils, le différentiel migre entièrement vers ceux qui disposent des données les plus riches, les plus propres et les mieux structurées pour produire des résultats que les autres ne peuvent pas reproduire. Les entreprises qui n'auront pas résolu l'architecture de leurs données propriétaires d'ici 2027 ne seront pas désavantagées par manque de technologie. Elles seront désavantagées parce qu'elles auront laissé leur seul véritable avantage concurrentiel — la connaissance accumulée de leurs clients — sans monétisation, tandis que leurs concurrents l'auront transformée en marge.
Cette logique s'applique en dehors du commerce de détail avec la même pertinence. Un média qui sait quels formats de contenu favorisent la conversion pour quels segments peut construire un outil de planification pour les annonceurs. Une entreprise de logistique qui sait quand et où se concentre la demande peut proposer des benchmarks à ses propres clients. Un assureur qui comprend les modèles de risque avec une granularité géographique peut vendre cette connaissance à des gouvernements ou à des promoteurs immobiliers. Le dénominateur commun n'est pas le secteur : c'est le fait de détenir une information dont d'autres ont besoin pour prendre de meilleures décisions, et qu'ils ne peuvent pas construire par eux-mêmes à court terme.
Ce qui bloque le mouvement n'est pas technique
Jusqu'ici, l'analyse semble pointer vers une opportunité évidente qui ne requiert que de la volonté dirigeante. La réalité organisationnelle est considérablement plus complexe, et le comportement humain au sein des institutions explique pourquoi la plupart des entreprises ne franchissent pas ce pas, même lorsque la logique le justifie.
Le premier obstacle est l'identité de l'entreprise. Les organisations se construisent des récits sur ce qu'elles sont. Une banque est une banque. Une compagnie aérienne est une compagnie aérienne. Une chaîne de supermarchés vend des aliments. Lorsque quelqu'un propose en interne de transformer les données clients en un produit vendu à des tiers, la réaction instinctive de nombreuses équipes n'est pas analytique mais identitaire : « ce n'est pas ce que nous faisons ». Cette résistance n'est pas irrationnelle du point de vue de l'individu qui l'exprime. C'est un signal que le changement proposé menace le modèle mental avec lequel cette personne a construit sa trajectoire professionnelle. La banque qui décide de monétiser des données de comportement financier devient, en partie, une entreprise de données. Et cela implique que certains profils internes perdent en pertinence tandis que d'autres, qui n'existaient pas auparavant, deviennent centraux.
Le deuxième obstacle est la friction de gouvernance. Les données clients sont soumises à des réglementations sur la vie privée qui varient selon le marché et le secteur. Construire un produit de données commercialisable, juridiquement défendable et fiable pour des tiers exige une architecture de consentement, d'anonymisation et de conformité réglementaire que la plupart des entreprises n'ont pas encore en place. Non pas parce qu'il est impossible de la construire, mais parce que sa construction nécessite un investissement transversal dans des équipes qui n'ont historiquement pas travaillé ensemble : technologie, juridique, produit et commercial. Coordonner cet investissement sans qu'aucune équipe ne puisse le comptabiliser comme sa propre victoire génère exactement le type d'inertie politique qui paralyse les initiatives stratégiques les plus prometteuses.
Le troisième obstacle est l'absence de prix visible. Les marchés financiers valorisent les unités d'affaires lorsqu'elles génèrent des revenus avec une structure propre. Tant que les données d'une entreprise sont enfouies dans l'opération sans générer une ligne de revenus distincte, leur valeur n'apparaît dans aucun modèle financier. Cela signifie qu'aucun analyste externe ne fait pression pour les valoriser, qu'aucun mécanisme de rémunération dirigeante ne les récompense directement, et qu'aucun conseil d'administration ne les impose comme priorité. L'actif reste invisible au bilan parce qu'il n'a pas de prix, et il n'a pas de prix parce que personne n'a pris la décision de lui en attribuer un.
Surmonter ces trois obstacles ne nécessite pas de nouvelle technologie. Cela requiert un changement dans la manière dont les dirigeants cadrent le problème en interne : passer de « comment utilisons-nous nos données pour mieux opérer ? » à « pour quelle décision d'une autre entreprise sommes-nous la source d'information la plus précieuse et la plus irremplaçable ? ». Cette seconde question oblige à regarder vers l'extérieur avant de regarder vers l'intérieur. Et cela, pour la plupart des équipes dirigeantes, représente un mouvement psychologique considérablement plus difficile que d'implémenter n'importe quelle plateforme d'analytique.
La monétisation des données est un problème de design avant d'être un problème de technologie
La leçon qui émerge du cas Kroger, et des schémas qui se répètent en logistique, dans la santé et dans les médias, n'est pas que les entreprises ont besoin de plus de données ou de meilleurs modèles. C'est que la valeur est piégée dans un écart de design entre ce qu'une organisation sait et la manière dont elle structure cette connaissance pour qu'un tiers puisse la payer.
Cet écart a une anatomie spécifique. D'un côté, il y a des informations accumulées au fil de années d'exploitation : transactions, comportements, tendances, anomalies. De l'autre, il y a des décisions que des acteurs externes ont besoin de prendre avec de meilleures informations que celles dont ils disposent : quel budget allouer à quel canal, quel inventaire maintenir à quel point de la chaîne, quels profils de risque méritent des conditions différenciées. L'écart entre les deux côtés est le produit. Le travail de design consiste à construire la structure qui relie ce que l'entreprise sait à la décision que le client externe a besoin de prendre, de manière suffisamment claire et fiable pour que ce client accepte de payer pour y accéder de manière récurrente.
Ce que la massification de l'intelligence artificielle fait dans ce contexte, c'est réduire le coût de construction du pont. Organiser, nettoyer et structurer des données qui nécessitaient auparavant des équipes d'ingénierie de données pendant des mois peut désormais se faire en quelques semaines avec les bons outils. Cela n'élimine pas le problème de design ni ne résout la friction organisationnelle. Mais cela réduit suffisamment la barrière à l'entrée pour que des entreprises qui ne pouvaient auparavant pas se permettre ce développement disposent maintenant de la capacité technique de le réaliser, à condition qu'elles aient la clarté stratégique nécessaire pour décider quoi construire et pour qui.
La décision reste humaine. Et la raison pour laquelle la majorité des entreprises ne la prend pas, malgré la disponibilité de l'actif, reste d'ordre psychologique avant d'être technique. L'identité de l'entreprise, la friction politique interne et l'invisibilité comptable des actifs de données sont des forces qu'aucun modèle de langage ne peut résoudre. Ce sont des forces qui requièrent que quelqu'un au sommet de la hiérarchie décide de regarder ce qu'il possède déjà avec des yeux différents de ceux qu'il a utilisés pour le construire. Ce déplacement perceptif est, en ce moment du cycle technologique, l'avantage concurrentiel le plus rare et le moins imitable qui soit.
