Sur le papier, la révolution de l'analyse semble terminée. L'IA est passée de la nouveauté à une ligne budgétaire. Dans l'enquête RSM 2025 sur l'IA du marché intermédiaire, 91% des répondants ont déclaré utiliser l'IA générative, mais la plupart se sont décrits comme seulement "quelque peu préparés".
C'est dans cet écart entre l'adoption et la confiance que Mohammad Hamid s'est forgé une réputation comme l'une des voix les plus pragmatiques de l'analyse à Detroit. Basé au Michigan, Hamid est un consultant et ancien fondateur de logiciels dont le travail s'étend de la création de produits d'analyse, au conseil aux grandes entreprises, en passant par l'aide aux dirigeants du marché intermédiaire à transformer les discussions sur l'IA en décisions qu'un directeur financier et un responsable de première ligne peuvent tous deux reconnaître. Il décrit son rôle moins comme une "transformation par l'IA" et davantage comme l'alignement des personnes, des processus et de la technologie autour d'une histoire de valeur qui peut être expliquée en langage simple. Mohammad Hamid Detroit "Les outils font beaucoup de bruit en ce moment", dit-il. "Mais la plupart des organisations ne manquent pas de logiciels. Il leur manque une histoire causale partagée et les habitudes opérationnelles qui donnent vie à cette histoire."
L'éthique analytique de Hamid vient de la construction avant le conseil. Au début de sa carrière, il a aidé à créer Unison, une entreprise de logiciels à l'intersection de l'écoute sociale, de la durabilité et de l'aide à la décision. Ce travail lui a donné une place de choix pour observer comment les produits d'analyse gagnent ou perdent la confiance. "Une information à laquelle personne ne fait confiance n'est qu'une capture d'écran avec de l'ambition", dit-il.
Aujourd'hui, son travail se concentre de plus en plus sur les entreprises du marché intermédiaire au Michigan et au-delà : des organisations suffisamment grandes pour ressentir la pression concurrentielle, mais pas assez grandes pour financer une organisation de données moderne complète. On dit aux dirigeants que l'IA compressera les cycles de décision, personnalisera les expériences et automatisera les rapports. Ils veulent cet avenir, mais vivent avec un effectif d'analyse réduit, des systèmes fragmentés, une propriété floue et une file d'attente de feux opérationnels.
La réponse de Hamid n'est pas de minimiser l'IA, mais de séquencer l'ambition. "On ne commence pas par demander : 'Où pouvons-nous mettre l'IA générative ?'", dit-il. "On commence par demander : 'Qu'est-ce qui, selon nous, crée de la valeur ici, et pouvons-nous le mesurer honnêtement ?'" Cette question est au centre de ce qu'il appelle le Cadre de la Boussole Causale.
La Boussole Causale commence par amener les dirigeants à s'accorder sur un modèle causal pour la fonction sur laquelle ils travaillent. Pour une équipe de vente ou de marketing, Hamid se concentre sur trois couches : les leviers à haute valeur (choix contrôlables comme la conception de l'offre ou le mix de canaux), les actions à haute valeur (comportements et signaux d'entonnoir qui montrent si les leviers fonctionnent), et les résultats à haute valeur (résultats comme le revenu, la rétention ou la marge). Organiser l'analyse autour de ces couches, plutôt qu'autour des outils, débloque souvent plus de valeur qu'une refonte de plateforme. "Les métriques ne sont pas la stratégie", dit-il. "Elles sont la grammaire. Une fois que nous sommes d'accord sur la grammaire, nous pouvons écrire de meilleures phrases."
Après la fondation causale, la Boussole Causale se tourne vers les personnes. Selon Hamid, les équipes d'analyse sous-performent moins par manque de compétences techniques que par manque de diversité cognitive. Il souligne comment les organisations technologiques performantes embauchent des profils inhabituels pour construire de meilleurs systèmes : des journalistes qui interrogent les données comme une source, des scientifiques comportementaux qui comprennent l'expérimentation et l'expérience client, des enseignants qui savent comment favoriser l'adoption. Alors que l'IA compresse l'analyse de routine, Mohammad Hamid résume la fonction d'analyse moderne en trois rôles complémentaires : la stratégie (choisir les bons problèmes et définir le modèle causal), la mise en œuvre (faire fonctionner les données, les pipelines et la gouvernance), et la narration (rendre les informations utilisables et exploitables).
Le processus et la technologie complètent le tableau. Il y a dix ans, les équipes d'analyse passaient la majeure partie de leur temps sur l'ETL : extraire des données des systèmes sources, les nettoyer et les charger dans des entrepôts. L'ETL compte toujours, mais les plateformes cloud modernes, les API et l'automatisation ont modifié l'équilibre et ont fait de la discipline DataOps et DevOps un élément central de l'ingénierie analytique. Hamid soutient que les pipelines liés aux revenus ou aux risques devraient être traités comme des produits, avec une propriété claire et des attentes de service.
En pratique, cette philosophie se manifeste dans tous les secteurs. Dans l'automobile et la fabrication industrielle, Mohammad Hamid a aidé des opérations multi-sites à unifier les données de qualité, d'approvisionnement et de maintenance en un seul modèle opérationnel, la plus grande victoire provenant de définitions partagées pour les défauts et les temps d'arrêt, de sorte que les équipes d'usine ont cessé de se disputer sur ce qui était "réel". Dans les services financiers, il a travaillé à l'affinage des signaux de risque en superposant la segmentation comportementale aux attributs de crédit traditionnels, montrant que l'organisation ne manquait pas de données ; il lui manquait une histoire cohérente sur la façon dont le risque, la conception du produit et la communication client évoluaient ensemble au fil du temps.
Interrogé sur ce qu'il dirait à un PDG ou CIO du marché intermédiaire du Michigan essayant de comprendre l'IA et l'analyse, Mohammad Hamid propose un court manuel. Commencez par une carte de décision et de valeur ancrée aux quelques décisions qui font vraiment avancer l'entreprise, puis remontez aux données et à la cadence opérationnelle requises. Traitez la qualité des données et la gouvernance comme une préparation à l'IA, en vous concentrant sur une poignée d'"ensembles de données d'or" avec des propriétaires et des SLA clairs. Investissez dans l'alphabétisation des dirigeants afin qu'ils puissent parrainer les bons cas d'utilisation et refuser les mauvais. Et construisez de petites victoires vérifiables qui améliorent une boucle de décision hebdomadaire et prouvent que l'analyse et l'IA peuvent changer la façon dont l'entreprise fonctionne réellement.
Le marché plus large de l'analyse devrait continuer à se développer tout au long de la décennie, alimenté par le cloud, l'IA et l'évolution vers la prise de décision en temps réel. Mais le message de Hamid depuis Detroit est que l'échelle sans cohérence n'est pas un progrès. "L'IA élargira l'écart entre les organisations qui savent ce qu'elles essaient de prouver et les organisations qui espèrent simplement que le tableau de bord les sauvera." Pour les organisations du marché intermédiaire au Michigan et au-delà, le Cadre de la Boussole Causale n'est pas un rejet de l'IA. C'est un rappel que l'analyse moderne est toujours, d'une manière profondément humaine, une question de jugement. Et pour les dirigeants qui tentent de construire des avantages durables à l'ère de l'IA, cela pourrait être l'information la plus rassurante de toutes.
