Votre chatbot IA affiche des chiffres différents de vos tableaux de bord Power BI parce qu’il ne s’appuie pas sur les mêmes éléments. Le tableau de bord calcule un indicateur clé de performance, ou KPI, à partir d’une mesure, de filtres et d’un calendrier convenus. Le chatbot, lui, consulte souvent des tables brutes, choisit entre des champs similaires ou ignore les filtres de la page du rapport. L’IA ne commet pas un nouveau type d’erreur : elle révèle des définitions qui n’ont jamais été formalisées, confiées à un responsable ou partagées avec elle.
En bref
- Les écarts entre un chatbot et un tableau de bord ont trois causes principales : une source différente, une définition différente ou des filtres différents.
- L’essentiel du travail ne porte pas sur le modèle d’IA. Il consiste à convenir d’une définition par KPI et à lui attribuer un responsable clairement identifié.
- Cette définition doit ensuite être accessible à l’IA comme aux lecteurs du rapport. Sinon, les interprétations risquent de diverger à nouveau.
Pourquoi le chatbot et le tableau de bord ne donnent pas les mêmes chiffres
Beaucoup d’équipes mettent d’abord le modèle d’IA en cause. Pourtant, le problème se situe souvent ailleurs. Le chatbot retrouve les mêmes définitions non harmonisées que celles sur lesquelles reposent vos tableaux de bord, mais sans le contexte ajouté manuellement par la personne qui a construit le rapport.
Prenons un exemple : le directeur commercial demande au chatbot de l’entreprise le chiffre d’affaires du trimestre précédent. La réponse ne correspond pas au tableau de bord présenté au conseil d’administration. Le chatbot a additionné une table de factures. Le tableau de bord utilise une mesure qui exclut les notes de crédit et les ventes intragroupe, avec un filtre sur le trimestre fiscal. Les deux chiffres portent le nom de « chiffre d’affaires ». Un seul correspond à la définition convenue, mais rien n’indiquait au chatbot lequel utiliser.
En pratique, les écarts se retrouvent généralement à l’un des trois niveaux suivants.
Les trois niveaux où les chiffres divergent
1. Une source différente
Un tableau de bord Power BI calcule les KPI à l’aide des mesures du modèle sémantique. C’est là que réside la logique métier : les éléments à exclure, le traitement des retours ou la devise à utiliser. Un chatbot connecté à un entrepôt de données, à un lac de données ou à un fichier exporté n’a pas nécessairement accès à ces mesures. Il recalcule les résultats à partir de colonnes brutes et reconstruit donc la logique, souvent de manière plus simple.
2. Une définition différente
Même avec la même source, l’IA doit faire un choix. Si un modèle contient « Chiffre d’affaires », « Chiffre d’affaires net » et « Chiffre d’affaires (ancien) », elle peut sélectionner le champ dont le nom semble le mieux correspondre à la question. Sans description écrite précisant celui que l’entreprise entend utiliser, ce choix repose sur une supposition. Les personnes rencontrent la même difficulté, mais peuvent d’abord demander à un collègue.
3. Des filtres et un contexte différents
Une page de tableau de bord comporte un contexte qui n’est pas toujours visible pour le lecteur : un calendrier fiscal, un filtre excluant les clients de test, une région par défaut ou des règles de sécurité au niveau des lignes. Une question saisie dans un chatbot ne transmet pas automatiquement ces éléments. Il faut les documenter, les rendre accessibles et appliquer les contrôles appropriés. Pour un chatbot, « le trimestre précédent » peut désigner le trimestre civil, alors que le tableau de bord utilise le trimestre fiscal.
Copilot dans Power BI donne des réponses erronées sur nos KPI : comment y remédier ?
Copilot dans Power BI part d’une base plus proche du tableau de bord que beaucoup de chatbots, puisqu’il s’appuie sur le modèle sémantique. Le risque d’écart lié à la source est donc réduit. Les problèmes de définition et de contexte restent toutefois possibles.
Microsoft recommande de préparer le modèle sémantique avant de s’appuyer sur Copilot : donner des noms clairs aux tables, colonnes et mesures, décrire les mesures importantes et ajouter des synonymes correspondant aux mots réellement utilisés par les équipes. Microsoft documente également les options de Prep data for AI, notamment AI data schemas pour sélectionner les éléments du modèle à privilégier, AI instructions pour fournir des consignes, et verified answers pour enregistrer des réponses vérifiées.
Ces réglages réduisent l’ambiguïté, mais ne garantissent pas des résultats identiques. Ils supposent aussi que l’équipe sache déjà quelle mesure de chiffre d’affaires fait référence et ce qu’elle signifie. Sans accord sur ce point, Copilot peut reproduire la confusion. Commencez par établir la définition, puis rendez-la exploitable par Copilot.
Comment empêcher notre assistant IA d’inventer des définitions métier ?
Un assistant peut inventer une définition lorsqu’on l’interroge sur un terme sans lui fournir de référence sur laquelle fonder sa réponse. Il comble alors le vide avec un sens courant appris pendant son entraînement, qui ne correspond pas nécessairement à celui de votre entreprise.
La solution consiste à lui donner une meilleure référence. Rédigez une définition en langage clair pour chaque terme métier, désignez un responsable et rendez ce texte accessible à l’assistant au moment où il répond. De nombreux outils d’IA d’entreprise proposent des mécanismes pour cela. Le Fabric data agent de Microsoft permet, par exemple, d’ajouter des instructions. Il prend aussi en charge les exemples de requêtes pour les sources Lakehouse, Warehouse et Eventhouse, mais pas pour les modèles sémantiques. Demandez ensuite à l’assistant de signaler l’absence de définition convenue plutôt que de deviner.
Une définition dans une présentation ou sur une page de wiki non connectée ne suffit pas. Si l’assistant ne peut pas y accéder, elle ne peut pas servir de référence à sa réponse.
Comment vérifier que notre chatbot IA répond correctement aux questions sur les KPI ?
Traitez le chatbot comme n’importe quel rapport : testez-le avant que les équipes ne s’appuient sur ses réponses.
- Recensez les KPI utilisés dans les rapports à la direction et au conseil d’administration. Ce sont ceux sur lesquels les utilisateurs poseront des questions.
- Pour chacun, formulez la question comme le ferait un responsable métier et notez la réponse donnée par le tableau de bord.
- Posez chaque question au chatbot et comparez les résultats. En cas d’écart, identifiez lequel des trois niveaux de divergence est en cause.
- Corrigez la définition ou le contexte, plutôt que de vous limiter au prompt. Un ajustement du prompt peut résoudre une question précise. Une définition partagée traite la cause commune à plusieurs questions sur le même KPI.
- Rejouez les mêmes questions après chaque modification du modèle, ajout d’une source de données ou changement de définition.
D’où viennent les chiffres de votre chatbot ? Quatre configurations comparées
La plupart des entreprises combinent plusieurs de ces configurations. L’enjeu est de savoir si elles renvoient toutes aux mêmes définitions.
| Configuration | Ce que l’IA consulte | Réutilisation de la logique du tableau de bord | Responsable de la mise à jour |
|---|---|---|---|
| Chatbot connecté à des tables brutes ou à des fichiers | Des colonnes et des lignes | Non : il recalcule les résultats | Personne, par défaut |
| Copilot sur un modèle sémantique préparé | Des mesures, des descriptions et des synonymes | Il peut réutiliser les mesures de ce modèle, sans garantir le même contexte que le rapport | La personne qui maintient le modèle |
| Instructions copiées dans un chatbot | Du texte rédigé pour cet outil | En partie, si les instructions sont correctement transposées et appliquées | La personne qui a configuré le chatbot |
| Définitions partagées, avec un responsable, consultables par l’IA | Des définitions, des responsables et des liens vers les rapports | Possible si les définitions sont reliées aux mesures et si l’assistant utilise celles-ci | Le responsable désigné du KPI |
Une méthode pratique : nommer, définir, attribuer, partager, tester
- Nommer : un nom par KPI, utilisé de la même manière dans chaque modèle, rapport et prompt.
- Définir : une phrase en langage clair qui précise ce qui est inclus, ce qui est exclu et le calendrier applicable.
- Attribuer : une personne clairement identifiée, habilitée à modifier la définition et à répondre aux questions à son sujet.
- Partager : viser une définition de référence accessible aux lecteurs des rapports et aux outils d’IA depuis un même endroit, plutôt que des copies maintenues séparément. L’objectif est de ne modifier la définition qu’une fois, en prévoyant les mécanismes de mise à jour nécessaires dans les outils qui la consomment.
- Tester : un jeu fixe de questions sur les KPI, à rejouer dès que le modèle, les données ou la définition changent.
Alignez les définitions avant de changer de modèle
Quand un chatbot contredit un tableau de bord, il est tentant de changer de modèle d’IA ou de réécrire le prompt. Ces actions ne règlent pas nécessairement la cause du problème. L’IA révèle souvent des KPI dont la définition n’a jamais été convenue, attribuée à un responsable ou formalisée. Traitez cette cause, donnez aux personnes et à l’IA accès à la même définition, puis vérifiez par des tests que les résultats se rapprochent.
Questions fréquentes
Pourquoi un chatbot IA généraliste donne-t-il des chiffres différents de notre rapport Power BI ?
Un chatbot généraliste n’a pas automatiquement accès à votre modèle sémantique, à vos mesures ni aux filtres de votre rapport. Il calcule à partir des données ou des textes reçus et peut combler les lacunes avec des connaissances générales. Donnez-lui accès aux définitions convenues et comparez ses réponses à celles du tableau de bord.
Copilot dans Power BI est-il plus précis que les autres chatbots ?
Il part du modèle sémantique et peut donc exploiter vos mesures plutôt que recalculer à partir de tables brutes. La qualité de ses réponses dépend toutefois de la clarté des noms, des descriptions, des définitions et du contexte. Un modèle bien préparé est essentiel, mais ne garantit pas que toutes les réponses correspondent exactement au rapport.
Peut-on corriger les réponses erronées sur les KPI avec de meilleurs prompts ?
Pour une question précise, parfois. Mais un correctif de prompt reste souvent limité à un outil et peut devenir inefficace lorsque la formulation change. Une définition convenue, confiée à un responsable et accessible aux différents outils traite une cause plus profonde des écarts. Il faut ensuite tester son utilisation.
Qui doit être responsable des définitions des KPI utilisés par l’IA ?
La même personne que pour le reporting : une personne disposant de l’autorité nécessaire pour modifier le sens du KPI, généralement du côté métier plutôt que de l’IT. Séparer la responsabilité des définitions destinées aux rapports de celle des définitions destinées à l’IA risque de recréer les écarts.
Faut-il une couche sémantique avant de connecter un chatbot à nos données ?
Il faut d’abord des définitions convenues. Dans Power BI, le modèle sémantique contient déjà les mesures. Ce qui manque souvent, c’est leur signification en langage clair, un responsable identifié et un moyen de rendre ces éléments accessibles aux outils d’IA extérieurs à Power BI.