Faire parler ses données : promesses et réalité

« Quel est notre chiffre d’affaires sur la région Ouest ce trimestre, et pourquoi baisse-t-il ? » Poser cette question en français, à l’écrit ou à l’oral, et obtenir la réponse dans la seconde : c’est la promesse du « chat with your data ». Interroger ses données en langage naturel, sans passer par un analyste ni apprendre un outil de BI : l’idée séduit tous les dirigeants à qui nous la montrons.

La promesse est réelle. La technologie a beaucoup progressé. Et pourtant, la plupart des démonstrations enthousiasmantes butent sur les mêmes obstacles une fois branchées sur de vraies données d’entreprise. Voici où en est ce sujet, honnêtement.

La promesse : le chiffre sans l’analyste

L’attrait est évident. Aujourd’hui, entre la question d’un dirigeant et sa réponse, il y a soit un outil de BI qu’il faut savoir manier, soit une personne à solliciter, avec le délai et la file d’attente qui vont avec. Interroger ses données en langage naturel supprime en théorie cette friction : chacun devient autonome sur ses propres questions et l’analyse cesse d’être un goulot d’étranglement. Les décisions du lundi matin s’appuient alors sur des chiffres du lundi matin.

Interroger ses données en langage naturel : plus difficile qu’il n’y paraît

Le problème des définitions. « Chiffre d’affaires » : facturé ou commandé ? Net d’avoirs ? En normes groupe ou en local ? Un analyste tranche grâce au contexte ; la machine, elle, doit trouver la définition quelque part. Si votre organisation a trois définitions de la marge selon les services, l’IA n’en résoudra aucune : elle en choisira une, sans vous dire laquelle.

Le contexte implicite. « La région Ouest » : celle du découpage commercial, du découpage logistique ou de la carte des agences ? « Ce trimestre » : calendaire ou fiscal ? L’humain devine, la machine suppose. Et une supposition invisible est plus dangereuse qu’une erreur visible.

La confiance. Un chiffre faux énoncé avec assurance est pire que pas de chiffre du tout. Pour décider sur la réponse d’une IA, il faut pouvoir vérifier d’où vient le chiffre : quelle mesure, quelle table, quels filtres. Sans cette traçabilité, l’outil reste un jouet de démonstration.

L’état de l’art réel : Copilot dans Power BI et agents SQL

Le cas le plus abouti pour une PME équipée de l’écosystème Microsoft est Copilot dans Power BI. À la date où nous écrivons, la documentation officielle décrit deux niveaux : un volet Copilot dans les rapports, disponible en version stable, qui résume un rapport ouvert et répond à des questions sur ses données ; et une expérience autonome en plein écran, encore en préversion, capable de chercher et d’interroger l’ensemble des rapports et modèles auxquels l’utilisateur a accès.

Trois conditions concrètes méritent d’être connues avant de s’emballer :

• La facturation. Copilot exige une capacité Fabric payante (F2 ou plus) ou Premium (P1 ou plus) : une licence Power BI Pro ou Premium par utilisateur seule ne suffit pas. Pour une PME, c’est un poste de coût à chiffrer avant tout engagement.
• La langue. Toujours selon la documentation Microsoft, l’usage multilingue n’est pas officiellement pris en charge à ce jour : les questions en français obtiennent souvent des réponses pertinentes, sans garantie de l’éditeur. Pour des équipes francophones, cela impose de tester sur vos cas réels avant de déployer.
• La préparation. Microsoft l’écrit sans détour : sans préparation du modèle, les réponses peuvent être « génériques, inexactes, voire trompeuses ». Le résultat dépend du travail en amont, pas de la magie du modèle.

L’autre famille d’outils, les agents SQL et « data agents », traduit la question en requête exécutée sur votre entrepôt de données. Le principe est prometteur, puisque le calcul est fait par la base, pas improvisé par le modèle. Mais l’exigence reste la même : si les tables et les indicateurs ne sont pas documentés, l’agent écrit des requêtes justes syntaxiquement et fausses métier.

Le prérequis que tout le monde sous-estime : le modèle sémantique

La vraie bataille ne se joue pas dans l’IA, mais dans la couche sémantique : des tables et des mesures nommées clairement, des définitions uniques et documentées, des relations propres. C’est tellement structurant que Microsoft fournit désormais un outillage dédié, décrit dans sa page « préparer ses données pour l’IA » : schéma de données destiné à l’IA, instructions métier, et « réponses vérifiées », des réponses validées par un auteur, servies telles quelles quand la question correspond.

Ce que nous constatons en mission : sur un modèle sémantique propre, les réponses en langage naturel deviennent réellement utilisables pour l’exploration ; sur un modèle hérité d’années d’ajouts successifs, l’IA amplifie la confusion au lieu de la résoudre. Chez un distributeur, nous avons trouvé trois mesures nommées « marge » dans le même modèle : l’assistant en choisissait une au hasard de la formulation. Le chantier prioritaire n’était pas l’IA. C’était de faire le ménage. C’est exactement le même constat que pour les assistants documentaires, où la qualité du corpus fait tout, comme nous l’expliquions dans notre article sur le RAG en entreprise : la donnée gouvernée d’abord, l’IA ensuite.

Verdict honnête : pour qui, pour quoi

Ce qui fonctionne aujourd’hui : l’exploration guidée par un utilisateur qui connaît son métier, les résumés de rapports, la première réponse rapide qu’un humain vérifie avant de décider. Le tout sur un modèle préparé. Ce qui ne fonctionne pas encore : le chiffre engageant produit sans validation, et la promesse « branchez, posez vos questions » sur un système d’information non gouverné, aux données en vrac.

Concrètement, deux profils d’entreprises. Si vous avez déjà un socle BI sérieux (modèle sémantique propre, définitions partagées, par exemple sur Power BI), le langage naturel est un quick win à tester dès maintenant, en encadrant les cas d’usage. Si vos reportings vivent encore dans des fichiers épars, commencez par les fondations : notre quiz de maturité data vous situe en cinq minutes, et le verdict est souvent plus utile qu’une démonstration d’IA.

Envie de savoir si vos données sont prêtes à répondre en français, et ce qu’il faudrait pour y arriver ? Découvrez notre approche de l’agent IA d’entreprise, branché sur vos données gouvernées, et réservez un appel de 30 minutes : nous vous dirons franchement où vous en êtes.