IA et données

Nous nous en servons tous les jours. C’est pour ça que nous savons la faire répondre juste.

Une intelligence artificielle branchée sur vos données répond toujours. La question n’est pas de savoir si elle répondra, mais si sa réponse sera juste, et ce qui, en dessous, décide de cela. Nous avons la réponse, et elle n’est pas dans le modèle de langage.

Portails internes où nous l’utilisons: 4
Condition qui décide de la justesse: 1
État des lieux à jour de cette page: 2026

1
Condition qui décide de la justesse : le modèle sémantique: 4
Portails internes où nous l’utilisons nous-mêmes: 11
Collaborateurs experts: 2026
État des lieux tenu à jour de cette page

Le mécanisme

Ce qui fait qu'un assistant répond juste

Posez la question « quel est le chiffre d’affaires de l’an dernier ? » à un assistant branché directement sur les tables de votre ERP. Il doit choisir : une table de lignes de facture ou une table d’écritures comptables, une date de facture ou une date de comptabilisation, avec ou sans les avoirs, avec ou sans les sociétés cédées.

Il fera un choix, et ce choix sera plausible. Mais c’est vous qui savez lequel est le bon, et cette connaissance a un endroit où vivre.

Le même assistant, branché sur un modèle sémantique où la mesure « chiffre d’affaires » est définie une fois pour toutes, n’a plus de choix à faire. Il lit la définition, l’applique, et rend le même chiffre que le rapport officiel, parce que c’est littéralement le même calcul.

L’IA ne remplace pas la modélisation des données. Elle en fait la seule chose qui compte.
Notre position, en une phrase

La couche qui décide

Un assistant ne vaut que ce que vaut la couche qui le précède

L’architecture que nous déployons depuis des années, brut, nettoyé, puis modélisé, n’a pas été conçue pour l’IA. Elle se trouve être exactement ce dont l’IA a besoin. Un assistant branché sur la couche gold hérite de toutes les décisions déjà prises et validées ; branché sur la couche bronze, il les reprend toutes à zéro, seul, et sans vous prévenir.

BronzeIngestion: Les données brutes, telles que les systèmes les produisent. ERP, CRM, Dataverse, bases SQL, fichiers.
SilverNettoyage: Règles de nettoyage et d'alignement métier. C'est ici qu'on réconcilie les plans de comptes de six filiales.
GoldModèle sémantique: Données agrégées et optimisées. Source unique de vérité, partagée par tous les rapports et tous les services.

Un cas réel

Où se place l’IA dans un circuit qui doit tenir

Un circuit de validation de factures en cinq étapes. La facture arrive dans l'application. L'IA propose le fournisseur, le montant, la TVA et le rapprochement avec la commande. Une personne confirme ou corrige. Le circuit d'approbation se déroule sur trois niveaux selon le montant. L'écriture part enfin dans l'ERP avec sa trace. L'IA occupe une étape sur cinq, et ce qu'elle propose passe toujours par une personne.

Où se place l'IA dans un circuit qui doit tenir

Un circuit de validation de factures que nous avons livré. L'IA y occupe une étape sur cinq.

Nous posons la même règle sur tous nos usages : ce qu'un modèle propose passe par une personne avant d'engager quoi que ce soit. C'est ce qui rend le gain mesurable : le temps de saisie disparaît, la responsabilité reste.

État des lieux

Ce que nous recommandons, ce que nous surveillons, ce que nous écartons

Cet arbitrage est daté : il vaut pour 2026 et il bougera. Nous le tenons à jour plutôt que de laisser une page vieillir en silence.

À déployer

Copilot pour produire du code

Écrire une mesure DAX, une transformation Power Query, une requête SQL : l’assistant propose, le consultant vérifie, et le gain est réel parce que l’erreur est immédiatement visible. Un DAX faux ne compile pas, ou rend un chiffre qu’on rapproche en dix secondes. C’est l’usage le plus mûr, et nous l’utilisons nous-mêmes quotidiennement.

Sous condition

Poser des questions au modèle

Interroger un modèle sémantique en langage naturel fonctionne, à condition que le modèle soit propre, que les mesures soient nommées comme les métiers les nomment, et que le périmètre soit restreint. Nous ne l’avons pas encore mis en production chez un client, et nous le dirons le jour où ce sera fait plutôt qu’avant.

Nous préparons le terrain

Brancher un assistant sur les données brutes

« Pas besoin de modèle, l’IA comprendra la base » est la promesse la plus vendue et la plus coûteuse. Elle produit des réponses plausibles et fausses, dans un contexte où plus personne ne vérifie. C’est un projet que nous refusons, et nous expliquons pourquoi plutôt que de le chiffrer.

Chez nous d'abord

Nous l'utilisons sur nos propres outils avant les vôtres

Nous avons construit nos propres portails internes : gestion de projet, ressources humaines, facturation et qualité, sur le socle applicatif que nous proposons à nos clients. Ils nous servent de terrain d’essai : ce qui ne tient pas chez nous ne part pas chez vous.

Un terrain d’essai qui nous coûte

Quand un assistant se trompe sur notre propre facturation, c’est nous qui payons la correction. Cela concentre remarquablement l’attention sur ce qui marche vraiment.

Des applications publiques et gratuites

Nous publions aussi des applications ouvertes à tous, sans contrepartie. Ce sont des bancs d’essai sincères : personne n’y tolère une réponse approximative sous prétexte qu’elle est gratuite.

Une équipe qui se forme en continu

L'équipe porte les certifications Microsoft Fabric et se forme sans interruption : c’est l’habitude qui nous vient de nos années d’indépendants, où ne pas se former signifiait ne plus travailler.

Un avis daté, pas une position de principe

Nous publions ce que nous pensons de chaque nouveauté, avec sa date, et nous revenons dessus quand nous avons eu tort. Un avis qui ne change jamais n’est pas une expertise, c’est une posture.

Aller plus loin

Ce sur quoi repose tout ce qui précède

Questions fréquentes

Ce qu'on nous demande sur l'IA

Peut-on vraiment poser une question à ses données en langage naturel ?

Oui, à une condition qui change tout : qu'il existe en dessous un modèle sémantique où « chiffre d'affaires » est défini une fois pour toutes. Un assistant branché sur un modèle propre répond juste. Un assistant branché sur des tables brutes invente une jointure plausible et rend un chiffre faux, avec le même aplomb. La différence ne vient pas de l'IA, elle vient de ce qu'il y a dessous.

L'IA remplace-t-elle le travail de modélisation ?

Elle le rend plus déterminant, pas moins. Tant que les rapports étaient lus par des humains, une définition ambiguë se rattrapait en réunion. Dès qu'une machine répond à la place d'un humain, l'ambiguïté devient une réponse fausse servie sans réserve. Le modèle sémantique cesse d'être une bonne pratique pour devenir la condition de fonctionnement.

Nos données partent-elles entraîner un modèle ?

Non, pour les services Microsoft que nous mettons en œuvre : Copilot dans Power BI et dans Fabric traite vos données sans les utiliser pour entraîner les modèles de fondation, et le traitement reste dans le périmètre de votre locataire selon les régions activées. C'est un point que nous vérifions à chaque projet plutôt que de le supposer, parce que les conditions évoluent et qu'elles diffèrent d'un service à l'autre.

Utilisez-vous l’IA dans vos propres projets ?

Tous les jours, et sur nos propres outils avant ceux de nos clients : nos portails internes de gestion de projet, de RH, de facturation et de qualité en font usage. C'est ce qui nous permet d'en parler par expérience plutôt que par lecture de documentation, et de vous faire gagner les essais que nous avons déjà faits.

Par où commencer ?

Par un périmètre où l'erreur est visible et sans conséquence. Un assistant qui répond sur le chiffre d'affaires d'une agence, dont trois personnes connaissent le chiffre par cœur, se corrige en une semaine. Le même assistant lâché sur un pilotage financier consolidé produit des erreurs que personne ne détectera avant le comité de direction.

Avant l'assistant, regardons ce qu'il y aurait en dessous.

Onze collaborateurs expertsSaint-Priest, près de Lyon

Deux heures avec un consultant, offertes. Nous regardons votre modèle de données tel qu'il est aujourd'hui et nous vous disons franchement s'il supporterait un assistant, et ce qu'il faudrait pour qu'il le supporte. Souvent, la réponse est moins de travail que prévu.

Demander un atelier de cadrage

Atelier de cadrage · 2 h · offert