Quand l’IA joue au pronostiqueur du Ballon d’Or : ce que ça dit (vraiment) de vos projets data

Et si le vrai scandale du Ballon d’Or, c’était les données ?

Imaginez la scène : vous êtes au bistrot, troisième café, et un pote vous sort tout fier que l’IA a prédit un Ballon d’Or sans Mbappé ni Messi dans le top 3. Vous hochez la tête, impressionné. Puis vous réalisez une chose : cette prédiction a autant de valeur qu’un pronostic du Loto donné par votre voisin qui n’a jamais regardé un match de sa vie.

Cette semaine, pendant que la planète foot s’étrangle devant les prédictions d’un modèle d’IA sur le Ballon d’Or, nous, chez Smarsys, on voit surtout une magnifique métaphore de ce qui se passe dans 80% des projets data en entreprise. Spoiler : ce n’est pas très glorieux. Mais c’est très instructif.

Le piège du « l’IA a dit que »

Reprenons calmement. Un modèle d’IA sort une prédiction qui contredit le consensus des experts. Deux réactions possibles :

• Réaction 1 (naïve) : « Waouh, l’IA voit ce que les humains ne voient pas, c’est forcément vrai. »
• Réaction 2 (lucide) : « OK, cool. Elle a été entraînée sur quoi, cette IA ? Avec quelles données ? Quels critères ? Qui a défini la fonction objectif ? »

La réaction 1, c’est celle de 70% des COMEX quand un consultant leur présente un dashboard « augmenté par l’IA ». La réaction 2, c’est celle qu’on aimerait entendre plus souvent. Parce que c’est elle qui différencie un projet data qui crée de la valeur d’un projet qui finit en PowerPoint oublié sur SharePoint.

Le Ballon d’Or, c’est votre pipeline commercial

Prenons une analogie business toute bête. Vous demandez à votre CRM boosté à l’IA de prédire quels deals vont closer ce trimestre. Il vous sort un top 10. Trois questions à vous poser avant de communiquer ce top 10 à votre direction :

1. Quelles données nourrissent le modèle ? Les emails ? L’historique CRM ? Les tickets support ? Les logs d’activité commerciale ? Si c’est juste « le montant du deal et le stage dans Salesforce », on est au niveau d’un pronostic café-croissant.
2. Quels biais sont intégrés ? Si historiquement vos gros deals signent toujours avec les mêmes 3 secteurs, l’IA va vous dire que les gros deals sont dans ces 3 secteurs. Merci Captain Obvious.
3. Qui challenge le résultat ? Un commercial expérimenté qui dit « non mais ce deal-là, c’est mort, ils ont changé de DAF la semaine dernière » vaut dix modèles.

La leçon Ballon d’Or appliquée à vos projets Salesforce + IA

Chez Smarsys, on déploie beaucoup d’Einstein, d’Agentforce et de briques prédictives dans Salesforce. Et à chaque fois, la même règle s’applique : une prédiction d’IA n’a de valeur que si elle est actionnable et explicable.

Actionnable

« Mbappé pas dans le top 3 » : vous en faites quoi ? Rien. C’est du contenu à clics. En revanche, « ce client a 73% de risque de churn dans les 90 jours à cause d’une baisse de son activité support + 2 contacts clés qui ont quitté LinkedIn » : là, votre CSM peut agir. Décrocher son téléphone. Proposer une revue de compte. Sauver le contrat.

Explicable

Si vous ne pouvez pas expliquer pourquoi le modèle a sorti ce résultat, vous ne pouvez pas le défendre. Et si vous ne pouvez pas le défendre, votre direction ne vous suivra pas. Les frameworks d’IA explicable (SHAP, LIME, et toutes les options natives de Salesforce) ne sont pas un gadget pour data scientists. C’est votre assurance-vie politique en interne.

Le vrai sujet : la qualité des données en amont

Si l’IA du Ballon d’Or sort des résultats bizarres, c’est probablement parce qu’elle a été nourrie avec des stats brutes (buts, passes dé, minutes jouées) sans intégrer les critères subjectifs qui pèsent réellement dans le vote : narratif de la saison, aura médiatique, trophées collectifs, moments iconiques. Garbage in, garbage out, comme dirait l’autre.

Dans vos projets d’entreprise, c’est pareil. On rencontre régulièrement des PME romandes qui veulent « faire de l’IA » avant même d’avoir :

• Un référentiel client unifié (combien de fois le même client existe-t-il dans vos systèmes ?)
• Des processus métiers documentés (sur quoi l’IA va-t-elle s’appuyer ?)
• Une gouvernance de la donnée (qui est responsable de la qualité ?)
• Un cas d’usage précis (vous voulez prédire quoi, exactement, et pour en faire quoi ?)

Avant d’entraîner Einstein ou de déployer un agent Agentforce, il faut faire le ménage dans la cave. Pas glamour. Mais indispensable.

Alors, qui va gagner le Ballon d’Or ?

Honnêtement, on s’en fiche un peu. Ce qui nous intéresse, c’est que vous retiriez de cette histoire une règle simple pour vos projets data : une prédiction sans contexte, sans explicabilité et sans action possible, c’est du bruit. Du contenu à clics. Du vernis.

Un projet IA réussi, en 2026, ce n’est plus « on a mis du machine learning dans notre CRM ». C’est : « on a identifié un problème métier précis, on a aligné les données nécessaires, on a choisi le bon modèle, on a rendu la prédiction actionnable pour les équipes terrain, et on mesure l’impact business tous les trimestres. »

Le reste, c’est du Ballon d’Or. Divertissant. Mais pas très utile pour signer vos prochains deals.

Sources

• Goal.com — L’intelligence artificielle prédit des surprises retentissantes au Ballon d’Or