Un traçage trop tardif des données engendre des lacunes de confiance: pourquoi les entreprises ont besoin d’une visibilité complète, des systèmes d’information à l’IA.

This blog is the second in a series exploring how Rocket Software and Ataccama work together to help organizations build trusted, end-to-end data intelligence. In the first installment, Ataccama examined why complete lineage depends on visibility across mainframe, distributed, and cloud environments. In this post, we explore why that visibility matters and the role complete lineage plays in establishing trust for reporting, governance, AI, and decision-making.  

Résumé

• Complete lineage must start at the system of origin, not the point of consumption, to establish trust in reporting, governance, analytics, and AI.  
• Lineage gaps are trust gaps. Without visibility into where data originated and how it changed, organizations make decisions with incomplete evidence.  
• As AI influences decisions and actions, organizations need explainable, governed data with visibility into its full lifecycle and business context.  
• La traçabilité de bout en bout améliore les enquêtes sur la qualité des données, les rapports réglementaires, la planification de la modernisation et la préparation à l'IA en reliant les résultats en aval aux sources et dépendances en amont.
• Together, Rocket and Ataccama provide continuous visibility from operational systems to modern data platforms, helping organizations move from fragmented visibility to decision-ready context. 

Pourquoi la lignée complète est le fondement de la confiance

Most enterprise data strategies assume trust can be established once data reaches a cloud data warehouse, application, dashboard, AI model, or agent. But much of the context that determines whether the data that arrives there can be trusted is already several steps upstream. 

Much critical business data doesn’t begin in the cloud. It begins in the operational systems that run the business: claims platforms, policy, payment, and customer account systems, and legacy environments that still serve as systems of record. 

That’s why enterprise lineage can’t start at the point of consumption. It has to start at the point of origin. 
Le premier article d'Ataccama dans cette série souligne un point important: la traçabilité n'est utile que si elle est complète. Dans les environnements d'entreprise complexes, elle se fragmente dès que des systèmes sont exclus du graphe. Cette fragmentation engendre des risques pour les rapports réglementaires, les enquêtes sur la qualité des données, les analyses d'impact, la gouvernance et le raisonnement de l'IA.

Rocket addresses that challenge exactly where that challenge lives, extending lineage into the systems where critical business data originates. 

Le manque de lignée n'est pas seulement un problème de couverture technique. C'est un manque de confiance.

When organizations can’t trace data from the systems where it was created through the systems that transform, store, analyze, and use it, they are forced to make decisions with partial evidence. They know where a data asset landed, but not what operational process created it. They can see a metric in a report, but not every upstream transformation that shaped it. They can identify a data quality issue in a dashboard, but not the source condition that caused it. 

Cela mine la confiance dans les initiatives mêmes que les programmes de données modernes sont censés soutenir.

Le problème avec la lignée qui commence en aval

Enterprises have invested heavily in modern data platforms. That investment has created better analytics, broader access to data, and more scalable governance programs. But it has also introduced a common blind spot: organizations gain visibility into data only after it’s been moved. 
Cette vision en aval est précieuse, mais incomplète.

Le défi devient de plus en plus urgent à mesure que les organisations développent leur utilisation de l'IA et de la prise de décision fondée sur les données. Gartner^® prévoit que d'ici 2026, les organisations abandonneront 60 % des projets d'IA non étayés par des données compatibles avec l'IA.¹ .

Dans le même temps, 36 % des entreprises tirent encore plus de la moitié de leurs revenus des applications mainframe, et 21 % en tirent plus des trois quarts.² Lorsque le traçage commence dans l'entrepôt de données, le lac de données, la plateforme de BI ou le flux de travail d'IA, il peut passer à côté de règles métier critiques, de transformations, de déplacements de fichiers, de traitements par lots, de logique applicative et de dépendances du système source qui ont façonné les données avant leur arrivée.

Les dirigeants d'entreprise, les équipes de gouvernance et les ingénieurs de données ont tous besoin de réponses aux mêmes questions fondamentales: d'où proviennent les données, quels systèmes et processus les ont créées, comment ont-elles évolué au fil du temps et quels rapports, applications, modèles et processus métier en aval en dépendent.

Pourquoi le contexte du système source est plus important que jamais

Lineage has long been important for governance, compliance, and data quality. But its importance is increasing as enterprises move from analytics-driven data use to AI-assisted decision making and agentic workflows.

AI initiatives depend on more than data availability. They require data that is accurate, explainable, current, governed, and connected to business context.

Business context originates in the operational systems where business events occur. For many organizations, particularly in regulated industries, those systems continue to include mainframe and legacy platforms that remain the authoritative source of critical enterprise data. When those environments sit outside lineage coverage, organizations aren’t simply missing a technical node in a graph. They're missing the operational truth behind the data. 

Cela a des conséquences bien réelles.

A regulatory report becomes harder to defend when teams can’t trace figures back to the systems of record that produced them. A data quality issue takes longer to resolve when teams can see the downstream failure but not the upstream cause. Any change initiative becomes riskier when teams don’t understand which reports, applications, data products, or AI pipelines depend on the system being changed. An AI initiative becomes harder to govern when teams can’t explain the lineage behind the data used to ground model outputs or agent recommendations.

Pourquoi l'IA renforce l'importance de la filiation

AI changes what organizations expect from enterprise data. It's no longer enough for data to be available, cataloged, or approved for use in a dashboard. As data begins to ground copilots, models, agents, and automated decision workflows, organizations need to understand whether that data is explainable enough to trust. That requires more than a view of the final data product. It requires visibility into the full path the data traveled before it reached an AI workflow. 

AI systems inherit the blind spots of the data that feeds them. When lineage starts after data has already been transformed, aggregated, replicated, or separated from its source-system context, teams can't explain how that data was created, what changed along the way, or which assumptions are embedded in it. 

À mesure que l'IA passe de la simple génération d'informations à l'influence sur les décisions et les actions, ces lacunes deviennent de plus en plus importantes. Les utilisateurs professionnels doivent avoir la certitude que les réponses, les recommandations et les actions optimales générées par l'IA reposent sur des informations actuelles, fiables et explicables.

That's where lineage becomes a foundational component of AI readiness. It provides evidence that organizations understand the data behind the intelligence and can demonstrate where that data originated, how it changed, and why it can be trusted.

Quelle lignée complète rend possible

When lineage extends from operational systems into modern data platforms, organizations gain more than a better graph. They gain the context needed to make higher-confidence decisions. 

Analyse plus rapide des causes profondes des problèmes de qualité des données: les problèmes de qualité des données apparaissent souvent en aval, mais leur origine se situe généralement bien plus tôt dans le parcours des données. Un défaut dans un champ source, un traitement par lots, un processus de transformation ou des définitions métier contradictoires peuvent tous engendrer des problèmes qui se manifestent ailleurs. Grâce à une traçabilité complète, les équipes peuvent remonter à la source des problèmes au lieu de s'appuyer sur des investigations manuelles et une documentation fragmentée. Cela réduit les efforts et renforce la confiance dans la résolution des problèmes.

Des rapports réglementaires plus fiables: les rapports réglementaires exigent plus que de simples chiffres exacts. Les organisations doivent être en mesure de retracer l’origine de chaque chiffre, son mode de calcul et son parcours au sein de l’environnement. Lorsque la traçabilité exclut le système d’information de référence, prouver la chaîne de responsabilité devient complexe. Une traçabilité complète permet de relier les données de reporting aux systèmes opérationnels et aux transformations qui les ont générées.

Modernisation plus sûre: avant de moderniser, remplacer, intégrer ou mettre hors service un système, les équipes doivent avoir une visibilité complète sur les rapports, applications, produits de données, processus et pipelines d’IA qui en dépendent. Les systèmes existants contiennent souvent des années de logique métier et de dépendances accumulées, mal documentées. Une traçabilité complète révèle ces relations avant toute modification, permettant ainsi aux équipes d’identifier les risques plus tôt et de prendre des décisions de modernisation avec plus d’assurance.

Préparation renforcée à l'IA et aux agents: les systèmes d'IA, les copilotes et les agents dépendent de données explicables et gouvernées. Lorsque la traçabilité remonte aux sources opérationnelles, les organisations acquièrent le contexte nécessaire pour comprendre, gouverner et faire confiance aux données sous-jacentes aux résultats et décisions générés par l'IA.

Où Rocket et Ataccama s'intègrent

Ataccama ONE provides the central lineage and governance experience where teams consume, manage, and act on lineage across the enterprise. Rocket scanners function as supported lineage sources within that environment, so Rocket-generated metadata appears in the same graph and interface as lineage produced by Ataccama's native scanners.  

Rocket extends that visibility into the operational systems, applications, databases, jobs, code, and transformation processes that often sit outside modern lineage coverage. Together, Rocket and Ataccama connect the environments where critical enterprise data originates with the modern platforms where it’s governed, analyzed, and increasingly used by AI. 

Capturing lineage in modern platforms is only part of the challenge. The harder task is tracing data through decades of transformation logic hidden inside procedural code, complex job scheduling and orchestration with conditional branching,  and fragmented non-relational storage without context. Rocket's deep experience in complex operational environments extends lineage into the systems where critical business data is created—the systems Rocket has partnered with enterprises to run and modernize for years. 

Without visibility into those upstream systems and transformation points, organizations see only the later stages of the data journey. Together, Rocket and Ataccama provide a continuous view from operational origin to governed consumption, helping teams understand not just where data landed, but where it came from, how it changed, and what depends on it. 

That's where lineage becomes more than documentation. It becomes a trust mechanism. 
Prenons l'exemple d'un défi courant auquel sont confrontées les institutions financières: valider un chiffre clé dans un rapport et prouver son origine.

Que se passe-t-il si un numéro de déclaration réglementaire ne peut être retracé jusqu'à sa source ?

Avant: lignée fragmentée

Un organisme de services financiers prépare un rapport réglementaire trimestriel. Le chiffre publié est visible dans l'environnement analytique, mais la traçabilité s'interrompt avant d'atteindre les systèmes d'origine des données de compte, de transaction et de solde.

When a reviewer questions the number, data engineers, application teams, analysts, and governance stakeholders each investigate their portion of the process. Without a complete view from source to report, proving how the figure was derived becomes a lengthy manual exercise.  

The result: delayed validation, increased audit effort, and reduced confidence in the organization's ability to defend the reported number.

Après: Rocket Data Intelligence et Ataccama

With Rocket Data Intelligence extending lineage into operational systems and Ataccama providing a centralized lineage and governance experience, teams can trace the figure from the report back to its originating systems, transformations, and dependencies.  

When the number is challenged, the organization can quickly see where the data originated, how it changed, and which systems contributed to the final result.  

The result: faster validation, stronger audit confidence, reduced manual effort, and a more trusted foundation for reporting, governance, and AI initiatives.  

In the next article, we'll examine how trusted lineage, metadata, and business context contribute to AI readiness and help organizations establish confidence in the data that powers analytics, automation, copilots, and agents. 

In the meantime, explore how Rocket Data Intelligence and Ataccama work together to provide end-to-end visibility across operational and modern data environments.

À propos de cette série

La série a débuté par une exploration des raisons pour lesquelles une traçabilité incomplète crée des angles morts. Ataccama a démontré comment l'extension de la visibilité aux environnements mainframe, distribués et cloud permet de reconstituer la traçabilité complète nécessaire à la gouvernance, à l'analyse, à la modernisation et aux initiatives d'IA.

In the next article, Ataccama explores the shift from explainable data to governed data use. Complete lineage across environments helps organizations understand data origination, transformations, dependencies, and downstream change impacts. Governance then answers the critical question: Should this data be used for this decision? As AI takes on greater influence over business outcomes, organizations need both answers. That’s where policy-based governance becomes essential.