Depuis deux ans, une grande partie de la conversation publique sur l'IA se résume à une question : À quel point ce modèle est-il bon pour répondre à des questions ?
Benchmarks. Classements. Scores de raisonnement. Taux d'hallucination.
Cette question devient lentement la mauvaise – car le changement le plus intéressant n'est pas à quel point les modèles *parlent* bien, mais s'ils peuvent travailler sur les mêmes artefacts que les équipes utilisent déjà.
Nous avons donc mené une expérience simple. Au lieu de puzzles, d'énigmes ou de prompts synthétiques, nous avons donné à une IA quelque chose de plus proche de la réalité : des données.
Le cadre : analyste, pas chatbot
L'idée était claire : traiter le système comme un analyste, pas comme un chatbot.
Nous avons collecté 20 ensembles de données provenant de situations professionnelles ordinaires – ventes hebdomadaires, résultats de campagnes, tableaux de désabonnement, exports d'enquêtes, journaux d'inventaire, métriques de produits. Aucun formatage spécial. Aucun pack de benchmark sélectionné. Juste le genre de tables désordonnées que les gens s'envoient par e-mail tous les jours.
Ensuite, nous avons demandé quelque chose de plus difficile qu'un résumé :
« Dites-nous ce qui importe ici. »
Pas « décrivez les colonnes. » Analysez.
L'objectif était de voir si l'IA pouvait dépasser l'assistance conversationnelle et se comporter comme quelqu'un qui essaie d'arriver à une conclusion.
Ce que nous attendions
Nous supposions trois résultats :
- Elle produirait des graphiques
- Elle raconterait des tendances
- Elle hallucinerait occasionnellement
Elle a fait les trois. Mais le résultat qui a changé notre façon de penser à cette catégorie était différent.
Surprise 1 : elle n'a pas commencé par la visualisation
Les analystes humains suivent souvent un chemin familier : ouvrir un tableur, nettoyer, graphiquer, puis interpréter.
Le système n'a pas systématiquement reflété cet ordre. Il a commencé par soulever des incertitudes – des questions sur la saisonnalité, la comparabilité entre régions, les changements de prix pendant la période, et d'autres lacunes contextuelles qui déterminent si un graphique serait même honnête.
Ce comportement correspond à ce que de nombreuses équipes appellent désormais des agents de données : des systèmes capables de porter plus d'une étape du workflow analytique, pas seulement de répondre à un seul prompt.
En d'autres termes, elle ne faisait pas que dessiner. Elle formait des hypothèses.
Surprise 2 : les graphiques n'étaient pas le résultat le plus précieux
Nous pensions que les graphiques seraient l'avantage phare. Ce n'était pas le cas.
Les moments les plus porteurs sont survenus lorsque le système expliquait pourquoi un nombre avait bougé.
Exemple à partir d'un fichier de type vente au détail : une baisse de revenus une semaine. Un humain pourrait s'arrêter à « quelque chose a chuté ». L'analyse a lié la baisse à une baisse de conversion, un pic de trafic mobile et un lancement de campagne spécifique – puis a produit une explication concise : les visiteurs à faible intention ont dilué la conversion après que la campagne a attiré un trafic plus large.
Ce n'est pas une prédiction magique. C'est un raisonnement à travers les signaux – et cela a recadré ce que l'« analyse IA » devrait optimiser.
Surprise 3 : la vitesse a changé le comportement, pas seulement le débit
Les workflows d'analyse classiques héritent de frictions : demande, file d'attente, analyse, réunion, décision.
Lorsque les réponses arrivent en secondes au lieu de jours, les gens ne vont pas seulement plus vite – ils posent plus de questions. Plus petites, plus précises :
- « Qu'est-ce qui a changé hier ? »
- « Pourquoi la région B a-t-elle battu la région A ? »
- « Que se passe-t-il si on exclut les week-ends ? »
Le goulot d'étranglement était rarement le volume brut de données. C'était le coût de la question. Une fois ce coût réduit, la curiosité – et l'itération – augmentent. Cela change complètement la façon dont les équipes se rapportent aux données.
D'assistant à analyste
Les chatbots aident à écrire. La recherche aide à trouver. Les systèmes analytiques devraient aider à décider.
Les entreprises expérimentent déjà avec des systèmes plus autonomes qui coordonnent les données opérationnelles et les workflows. Ce que nous avons vu à plus petite échelle était le même changement directionnel : l'IA passant de répondre à interpréter à guider l'attention.
Au lieu de : « Voici le graphique que vous avez demandé. »
Cela devient : « Voici ce qui mérite un examen – et pourquoi. »
La véritable implication
Pendant des années, la culture BI s'est fortement appuyée sur les tableaux de bord. Les tableaux de bord supposent que les utilisateurs savent déjà quoi chercher, quelle vue est importante et comment lire un changement.
La plupart des équipes n'échouent pas parce qu'elles ne peuvent pas accéder aux données. Elles échouent parce que la compréhension est coûteuse.
Le problème de l'industrie n'a jamais été seulement la visualisation. C'était la cognition sous pression temporelle.
Ce que cela signifie pour le travail
La peur commune est le remplacement. L'expérience a pointé vers quelque chose de plus étroit.
L'IA n'a pas effacé le rôle de l'analyste. Elle a remplacé l'attente, l'assemblage répétitif de graphiques et le premier passage de la comparaison mécanique.
Ce qui est resté du côté humain :
- Le jugement
- La prise de décision
- La communication
- Le contexte que seul un acteur impliqué peut fournir
Le travail n'a pas disparu. Il a monté en gamme.
Une catégorie d'outil différente
Nous sommes au début d'un changement vers ce que vous pourriez appeler une infrastructure de réflexion – un logiciel qui met en évidence des motifs, explique les anomalies, dirige l'attention et raccourcit le chemin des données à l'action.
La prochaine génération d'analyse ne sera pas définie par le graphique par défaut le plus joli.
Elle sera définie par la rapidité avec laquelle une équipe peut passer :
de la donnée → à la compréhension → à l'action
Cadre de conclusion
Pendant longtemps, nous avons noté l'IA sur sa capacité à répondre comme un humain.
Après des expériences comme celle-ci, un meilleur test est plus simple :
Aide-t-elle les humains à comprendre plus rapidement – et avec suffisamment de traçabilité pour faire confiance à l'étape suivante ?
Car la révolution durable n'est pas celle de machines qui sonnent intelligentes.
Ce sont des machines qui rendent les gens plus décisifs.
Cette transition est déjà en cours – discrètement, dans les tableurs et exports que les équipes ont déjà.