L'analyse en langage naturel permet de poser facilement une question à un tableau de bord. Le plus difficile est de s'assurer que cette question possède un sens clair et mesurable.
Nous avons testé cela avec ChartGen en utilisant un jeu de données de performances régionales contrôlées, qui comprend les revenus, les bénéfices, les marges bénéficiaires, les commandes, les taux de retour, la croissance en glissement annuel et les données trimestrielles de quatre régions.
La première question était délibérément vague :
« Quelle région a obtenu les meilleurs résultats ? »
Nous avons ensuite posé une question plus précise :
« Comparez le chiffre d'affaires total par région pour le deuxième trimestre de 2026 et classez les régions du plus élevé au plus faible. »
Les deux prompts ont généré des types de réponses très différents.
Cette différence met en évidence une limitation importante des tableaux de bord d'IA conversationnels : le langage naturel facilite l'exploration des données, mais il ne définit pas automatiquement ce que signifient réellement des termes commerciaux tels que « meilleur », « performant » ou « réussi ».
Une simple question a donné lieu à plusieurs réponses valides
Notre premier prompt ne définissait pas ce que signifiait « obtenir les meilleurs résultats ».
ChartGen n’a pas contraint l’ensemble de données à un classement arbitraire unique. Au lieu de cela, il a évalué les performances régionales sur la base de plusieurs indicateurs disponibles.
La région Ouest se distinguait par sa rentabilité. Sur l'ensemble des données trimestrielles disponibles, elle affichait une marge bénéficiaire globale d'environ 20,8 %, la plus élevée des quatre régions.
La région Nord s'est distinguée en tête du classement : elle a enregistré le chiffre d'affaires et le volume de commandes les plus élevés, bien que sa marge bénéficiaire globale ait été plus faible, s'établissant à environ 16,8 %.
La région Sud a enregistré la plus forte croissance, avec une hausse moyenne d'environ 11 % en glissement annuel.
La région Est a enregistré la meilleure performance en matière de taux de rendement, avec un taux global d'environ 2,56 %, le plus faible des quatre régions.
Par conséquent, ChartGen a conclu que West était plus performante si la rentabilité était la priorité, tandis que North se distinguait lorsque l’échelle et le volume d’activité revêtaient une importance plus grande.
Ce résultat est utile car il met en évidence le véritable problème inhérent à la question initiale.
Les données ne fournissaient pas de définition unique du terme « meilleur ».
\(Le même jeu de données a généré des leaders différents selon que la performance était mesurée par le chiffre d'affaires, la rentabilité, la croissance ou le taux de rendement.\)
« Meilleure performance » n’est pas un champ dans le tableur
Le fichier source comportait les données de chiffre d'affaires, de bénéfice, de marge bénéficiaire, de commandes, de taux de retour et de croissance en glissement annuel, mais il ne contenait aucun champ intitulé « Région la plus performante ».
Lorsque nous avons demandé à ChartGen « Quelle région a enregistré les meilleures performances ? », la réponse a reflété cette ambiguïté. Au lieu de contraindre les données à un classement unique, ChartGen a comparé les régions sur la base de plusieurs indicateurs.
Dans ce test, la région Nord se classe en tête pour le chiffre d'affaires et le volume de commandes, la région Ouest pour le bénéfice et la marge bénéficiaire, la région Est affiche le taux de retour le plus bas, tandis que la région Sud enregistre la plus forte croissance.
Le point important n’est pas que l’IA ait choisi la mauvaise réponse. La question métier elle-même n’a pas défini ce que signifiait « le meilleur ».
Une question plus précise a permis d'obtenir une réponse vérifiable
Pour le deuxième test, nous avons supprimé le mot ambigu « meilleur » et défini précisément ce qui devait être comparé.
Nous avons demandé :
Comparez le chiffre d'affaires total par région pour le deuxième trimestre de 2026 et classez les régions du plus élevé au plus bas.
Cette fois-ci, le résultat était beaucoup plus précis.
ChartGen a classé le chiffre d'affaires du deuxième trimestre comme suit :
Nord — 520 000 $
Est — 470 000 $
Sud — 455 000 $
Ouest — 430 000 $
（Une fois la métrique et la période définies, ChartGen a renvoyé un classement clair des revenus du deuxième trimestre 2026 par région.）
Les revenus du deuxième trimestre les plus élevés et les plus bas diffèrent de 90 000 dollars.
Plus important encore, le résultat peut désormais être vérifié directement par comparaison avec le fichier source téléversé.
L'intelligence artificielle n'avait pas besoin de déterminer ce que signifiait le terme « performance ».
La métrique était le chiffre d'affaires.
Le calcul portait sur le chiffre d'affaires total.
Le périmètre concernait la région.
La période concernée est le deuxième trimestre de 2026.
Ces quatre éléments ont transformé une question commerciale ouverte en une réponse reproductible par un autre évaluateur.
La période temporelle peut également modifier le sens
Le premier prompt a également laissé une autre décision non définie.
Quelle région a enregistré les meilleures performances ?
ne précise pas si les performances doivent être évaluées pour le premier trimestre, le deuxième trimestre, le dernier trimestre ou toutes les périodes disponibles.
Lors de nos tests, ChartGen a exploité les données trimestrielles disponibles pour formuler des observations plus générales sur les quatre régions.
C’était une manière raisonnable d’explorer l’ensemble de données, mais cela montre aussi pourquoi la période considérée importe lorsqu’une réponse sera utilisée dans un rapport officiel.
Comparez ces deux questions :
Quelle est la région qui génère le chiffre d'affaires le plus élevé ?
et :
Quelle région a généré le chiffre d'affaires total le plus élevé au deuxième trimestre de 2026 ?
La deuxième question est plus facile à vérifier, car une autre personne sait exactement quels enregistrements doivent être inclus.
Le même problème se pose avec des expressions telles que « croissance récente », « performance actuelle », « principaux clients » ou « meilleur produit ».
En l'absence de période définie ou de métrique claire, l'intelligence artificielle doit tout de même procéder à une interprétation.
Pourquoi l'analytique conversationnelle nécessite un contexte métier
Ce problème n'est pas propre à ChartGen.
Microsoft a fait évoluer Power BI en délaissant son ancienne fonctionnalité de questions-réponses pour privilégier Copilot. L’ancien système de questions-réponses s’appuyait déjà sur des synonymes et la terminologie du modèle pour permettre aux questions en langage naturel d’être associées aux champs correspondants, et Microsoft prévoit de mettre hors service les anciennes fonctionnalités de questions-réponses en décembre 2026. \(Microsoft Learn, « Introduction : Explorer des données avec le langage naturel à l’aide de Questions et réponses Power BI »\)
Google va encore plus loin sur ce point avec Looker Conversational Analytics. Ses agents de données peuvent s'appuyer sur des modèles sémantiques et des instructions personnalisées qui définissent quels champs sont pertinents, comment les calculs doivent être effectués et ce que signifient des termes métier spécifiques. \(Google Cloud, « Présentation de l'analytique conversationnelle dans Looker »\)
Cela met en évidence la différence entre la compréhension du langage et la compréhension de la signification métier.
Un système peut comprendre l'expression « région la plus performante », mais il a encore besoin d'une définition de la performance pour que la réponse ne soit plus ambiguë.
Quatre précisions rendent une question de tableau de bord IA plus facile à vérifier
Une question pertinente pour un tableau de bord définit généralement quatre éléments.
Définir la métrique
Remplacez les termes vagues comme « meilleur », « le plus fort » ou « le plus performant » par des éléments mesurables.
Au lieu de :
Quel a été le produit le plus performant ?
demander :
Quel produit a généré le bénéfice brut le plus élevé ?
Désormais, ce résultat s’appuie sur une métrique spécifique.
Définir le calcul
Il faut bien préciser si la question demande un total, une moyenne, un décompte, un pourcentage ou un taux.
« Chiffre d'affaires le plus élevé » est différent de « revenu moyen par commande le plus élevé ».
« Rendements les plus élevés » ne signifie pas « taux de rendement le plus élevé ».
Définir le périmètre
Indiquez quelle partie des données doit être incluse dans l'analyse.
Cela peut concerner toutes les régions, une ligne de produits, de nouveaux clients, un canal de vente spécifique ou un marché donné.
Un outil de création de tableaux de bord IA peut automatiser une grande partie du processus d'analyse et de visualisation, mais il doit encore savoir quelles données la question vise à couvrir.
Définir la période
Utilisez une période claire telle que le deuxième trimestre 2026, juillet 2026, la période depuis le début de l'année ou les six derniers mois complets.
Cela élimine une autre décision que le système devrait sinon prendre.
Le même principe s'applique lorsque vous travaillez avec un tableau de bord Excel IA. Un classeur bien structuré aide l'outil à reconnaître les champs et les valeurs, mais le classeur ne peut toujours pas déterminer quel objectif métier est important, à moins que cette définition ne figure quelque part dans le modèle de données ou dans la question.
Vérifier la réponse par rapport aux données sources
Une réponse en langage naturel ne doit pas être acceptée pour la seule raison qu'elle semble plausible.
Avant d’utiliser le résultat dans un rapport, vérifiez que le système a bien utilisé la métrique, le calcul, le périmètre et la période prévus.
Pour notre deuxième test, ces vérifications ont été simples et directes.
La question portait sur le chiffre d'affaires, donc le résultat doit utiliser le terme « chiffre d'affaires » plutôt que « bénéfice » ou « commandes ».
Il demandait le chiffre d'affaires total, donc les valeurs ne doivent pas être moyennées.
Il a spécifié la région, donc la sortie doit comparer les quatre régions.
Il a précisé qu'il s'agissait du deuxième trimestre de 2026, donc les données du premier trimestre ne devraient pas avoir d'incidence sur le classement.
La commande finale pourra ensuite être comparée directement avec le fichier CSV :
Nord d'abord, puis Est, Sud et Ouest.
C’est ce qui fait que la deuxième réponse est plus utile pour les rapports officiels : elle n’est pas simplement plus détaillée, elle présente également un chemin clair permettant de remonter jusqu’aux données sources.
L'IA peut analyser les données, mais c'est l'entreprise qui définit la question
Le premier résultat de ChartGen ne doit pas être considéré comme un échec.
En réalité, cela s'est avéré utile.
En distinguant la rentabilité, l'échelle, la croissance et le taux de rendement, l'étude a montré qu'il existait plusieurs définitions possibles de la performance régionale.
Ce type de réponse exploratoire peut aider l'utilisateur à découvrir quelle partie des données mérite une investigation plus poussée.
Les critères changent lorsque la réponse doit devenir un titre de rapport, une conclusion d'indicateur clé de performance \(KPI\) ou une décision opérationnelle.
À ce stade, la métrique doit être suffisamment explicite pour qu'une autre personne puisse reproduire le résultat.
ChartGen Générateur de tableaux de bord IA peut utiliser des données Excel ou CSV pour créer des tableaux de bord, des visualisations et des informations en langage naturel. Mais l'entreprise doit encore décider de ce que des termes tels que « meilleur », « à haute valeur », « réussi » ou « sous-performant » signifient dans son propre contexte.
L'intelligence artificielle peut traiter une définition.
Il ne doit pas devenir silencieusement le propriétaire de cette définition.
De meilleures questions génèrent des réponses plus vérifiables
Nos deux tests ChartGen ont utilisé le même jeu de données régional sous-jacent.
La première question était la suivante :
« Quelle région a obtenu les meilleurs résultats ? »
Elle a donné lieu à une interprétation à multiples indicateurs, car plusieurs réponses étaient défendables : l’Ouest se classait en tête pour la rentabilité, le Nord pour l’ampleur, le Sud pour la croissance, et l’Est affichait le taux de rendement le plus faible.
La deuxième question était la suivante :
« Comparez le chiffre d'affaires total par région pour le deuxième trimestre de 2026 et classez les régions du plus élevé au plus faible. »
Il a généré un classement clair pouvant être vérifié par rapport aux données sources : Nord à 520 000 dollars, Est à 470 000 dollars, Sud à 455 000 dollars et Ouest à 430 000 dollars.
Cette différence constitue la leçon pratique.
L'analyse en langage naturel simplifie la formulation de questions sur les données, mais elle ne fait pas disparaître les définitions métier ambiguës.
Avant de vous fier à la réponse d’un tableau de bord d’IA, définissez la métrique, le calcul, le périmètre et la période.
Plus ces quatre éléments sont clairs, plus la réponse est facile à vérifier — et plus elle peut être utilisée en toute sécurité dans un rapport d’activité.