Un chatbot IA sur vos données d’entreprise donne des réponses correctes s’il sait ce que vos chiffres signifient. Cela demande quatre choses : des définitions convenues pour vos principaux KPI, un responsable par définition, une visibilité sur la qualité des données et un accès à la même source que vos tableaux de bord. Davantage de données ou un modèle plus puissant ne résoudra pas le problème. Le chatbot lit les mêmes définitions ambiguës que vos collègues, mais plus vite et avec plus d’assurance.
Pourquoi davantage de données ne rend pas un chatbot plus intelligent
Beaucoup d’équipes pensent qu’un chatbot répond mieux quand on lui fournit davantage de tables et de documents. Ce n’est pas le cas. Plus de sources signifie souvent plus de versions d’un même concept, et donc plus de risques qu’il choisisse la mauvaise.
Prenons un exemple. Quelqu’un demande au chatbot : « Quel était notre chiffre d’affaires au deuxième trimestre ? » Le service financier calcule le chiffre d’affaires après remises. Le tableau de bord commercial affiche le chiffre d’affaires avant remises. L’entrepôt de données contient encore une colonne avec les montants facturés TVA comprise. Le chatbot choisit l’une de ces sources, calcule correctement et donne une réponse qui semble certaine.
Le chiffre n’est pas inventé. Ce n’est tout simplement pas celui que votre CFO a en tête. Et le lecteur ne peut pas voir quelle définition le chatbot a utilisée.
En pratique, c’est le même problème que vous rencontrez depuis des années avec les tableaux de bord. Deux rapports, deux chiffres, une réunion qui porte sur le chiffre plutôt que sur la décision. Le chatbot ne fait que rendre ce problème plus visible, parce qu’il donne la réponse en une seule phrase.
De quoi un chatbot IA sur nos données d’entreprise a-t-il besoin ?
Un modèle de langage sait bien calculer et bien formuler. Ce qu’il ne sait pas faire, c’est deviner ce que votre organisation entend par un mot. Ce contexte, c’est à vous de le fournir.
- Des définitions convenues. Une phrase, en langage courant, pour chaque KPI figurant dans un rapport de direction ou de gestion. Ce qui est inclus, ce qui ne l’est pas et sur quelle période.
- Un responsable par définition. Une personne habilitée à modifier la définition et à qui vous pouvez vous adresser si la réponse semble étrange. Pas une équipe, un nom.
- Du contexte autour des données. Quelle table ou quelle mesure correspond à quel concept, quels filtres s’appliquent par défaut et quelles colonnes il vaut mieux ne pas utiliser.
- Une visibilité sur la qualité des données. Les données du jour sont-elles entièrement chargées ? Y a-t-il des problèmes connus avec une source ? Un chatbot qui l’ignore présente une journée dont les données sont à moitié chargées comme une mauvaise journée.
- La même source que vos tableaux de bord. Si le chatbot travaille sur des tables brutes et vos tableaux de bord sur un modèle sémantique, vous obtenez forcément deux vérités.
Aucun de ces cinq éléments n’est nouveau. C’est le même travail qui rend vos tableaux de bord fiables. La différence, c’est qu’un chatbot ne peut pas masquer l’absence de ce travail.
Comment faire pour que notre chatbot IA donne les mêmes chiffres que nos tableaux de bord ?
Faites consulter au chatbot la même source que vos rapports et fournissez-lui les mêmes définitions.
- Choisissez votre modèle sémantique comme source. Dans Power BI, vos mesures se trouvent déjà dans le modèle sémantique. Si le chatbot utilise ces mesures au lieu d’écrire lui-même du SQL sur des tables brutes, il calcule de la même manière que vos tableaux de bord.
- Documentez la définition à côté de la mesure. Le nom « Chiffre d’affaires » ne suffit pas. Une courte description en langage courant aide aussi bien le lecteur du rapport que le chatbot.
- Créez un jeu de tests. Prenez vingt questions dont vous connaissez la réponse grâce à un tableau de bord certifié. Posez-les au chatbot. Chaque écart est un signal.
- En cas d’écart, vérifiez d’abord la définition. Le plus souvent, le chatbot utilise une autre table, un autre filtre ou une autre période. Cela se corrige dans la définition, pas dans le prompt.
- Demandez au chatbot d’afficher sa source. Une réponse précisant « selon la mesure Chiffre d’affaires net, responsable : service financier » peut être vérifiée. Un chiffre seul, non.
Comment créer une source unique de vérité pour les personnes et l’IA ?
La tentation est grande de créer un document distinct pour le chatbot : une liste de définitions à intégrer dans le prompt système ou dans une base de connaissances. Cela fonctionne quelques semaines. Ensuite, vous avez deux listes qui divergent, l’une pour les personnes et l’autre pour l’IA.
Une source unique de vérité signifie qu’il existe un seul endroit où sont tenus à jour la définition, le responsable et le statut de qualité. Les personnes les consultent dans leurs rapports. Le chatbot consulte la même source. Si le service financier adapte la définition du chiffre d’affaires net, elle change pour tout le monde en même temps.
Concrètement, cela demande trois choses. Un espace tenu à jour par les responsables eux-mêmes, pas par une seule personne au service informatique. Un lien avec vos rapports, pour que les personnes voient la définition là où elles lisent le chiffre. Et un moyen pour vos applications IA de consulter ces mêmes informations.
D’où un chatbot tire-t-il son contexte ?
| Source du contexte | Même chiffre que votre tableau de bord | Qui assure la mise à jour | Le lecteur voit-il la définition |
|---|---|---|---|
| Tables brutes dans l’entrepôt de données | Rarement | Personne en particulier | Non |
| Modèle sémantique avec des mesures | Oui, si le chatbot utilise les mesures | Le concepteur du modèle | Uniquement si la description est visible |
| Document distinct dans le prompt ou la base de connaissances | Parfois, tant qu’il est à jour | La personne qui a rédigé le document | Non |
| Couche partagée de définitions, de responsables et de qualité des données | Oui, si elle pointe vers le même modèle | Le responsable désigné | Oui, dans le rapport et dans la réponse |
Un cadre pratique : Définir, Attribuer, Relier, Contrôler, Tester
- Définir : une définition convenue en langage courant pour chaque KPI figurant dans un rapport de gestion.
- Attribuer : un responsable nommément désigné par définition, habilité à la modifier.
- Relier : chaque définition renvoie à la mesure ou à la table dont provient le chiffre.
- Contrôler : un statut de qualité par jeu de données, pour que les personnes et le chatbot sachent si les données du jour sont exploitables.
- Tester : un jeu fixe de questions dont vous connaissez la réponse, à poser à nouveau après chaque modification.
Le rôle de dScribe
Une couche sémantique, ce n’est pas du code. C’est une couche métier qui relie vos concepts, leurs responsables et les rapports dans lesquels ils apparaissent. dScribe vous aide à construire cette couche grâce à des suggestions intelligentes. Elles vous aident à définir vos termes et vos KPI et les relient aux rapports et aux jeux de données dans lesquels ils semblent être utilisés. Elles repèrent aussi les définitions en double et aident à documenter la traçabilité des données. Définir un KPI reste en partie un travail manuel, mais le responsable part d’une proposition plutôt que d’une page blanche.
Cette couche sémantique ne reste pas cantonnée à dScribe. Via un serveur MCP, dScribe met les définitions, les responsables, les liens et les problèmes de qualité connus à la disposition d’autres chatbots, agents IA et workflows. Votre chatbot accède ainsi au même sens que vos collègues, qui voient dans Power BI la définition et le responsable à côté du chiffre grâce à l’extension de navigateur.
Pour conclure
La qualité d’un chatbot sur vos données d’entreprise dépend des règles convenues sur lesquelles il repose. Si vos équipes débattent encore aujourd’hui de ce que signifie le chiffre d’affaires, le chatbot ne tranchera pas ce débat. Il choisira simplement un camp. Convenez d’abord des définitions, attribuez-leur un responsable et faites consulter la même source aux personnes et à l’IA.
Questions fréquentes
Pourquoi notre chatbot IA donne-t-il d’autres chiffres que nos tableaux de bord ?
Le plus souvent, parce qu’il utilise une autre définition : une autre table, un autre filtre ou une autre période. Faites calculer le chatbot à partir des mesures de votre modèle sémantique et fournissez-lui les mêmes définitions que celles utilisées dans vos rapports.
Un chatbot sur les données d’entreprise a-t-il besoin d’un modèle sémantique ?
Ce n’est pas indispensable, mais cela aide beaucoup. Un modèle sémantique définit la manière dont un KPI est calculé. Sans cela, le chatbot élabore son propre calcul, qui s’écarte souvent de ce qu’affichent vos tableaux de bord.
Suffit-il de mettre nos définitions dans le prompt ?
Pour un projet pilote, oui. À plus long terme, vous obtenez deux listes de définitions qui divergent. Mieux vaut une source unique, consultée à la fois par vos rapports et par votre chatbot.
Qui doit gérer les définitions pour un chatbot IA ?
Les mêmes personnes qui gèrent les définitions de vos rapports : le responsable métier de chaque KPI. L’équipe BI ou l’équipe IA peut mettre en place la connexion, mais le sens relève du métier.
Comment vérifier qu’un chatbot IA répond correctement aux questions sur les données d’entreprise ?
Posez un jeu fixe de questions dont vous connaissez la réponse grâce à un tableau de bord certifié. Reprenez ce jeu après chaque modification du modèle, des données ou des définitions. Chaque écart renvoie généralement à une définition ambiguë.