Bien des organisations veulent un assistant IA qui réponde aux questions d’affaires en langage courant, et la plupart commencent par choisir l’assistant. Le meilleur point de départ est pourtant la plateforme sur laquelle il s’appuie. Un assistant qui peut lire plusieurs versions du chiffre d’affaires finira par citer la mauvaise. Un assistant qui ne voit pas les règles d’accès montrera aux gens ce qu’ils ne devraient pas voir. Un assistant que personne ne surveille échouera en silence, et la première personne à s’en apercevoir sera un membre de la direction.
Microsoft Fabric réunit l’ingénierie des données, l’entreposage, les données en temps réel et Power BI sur une seule plateforme, avec une seule copie des données dans OneLake, le magasin unique que Fabric met à la disposition de toute l’organisation. Une plateforme prête pour l’IA devient ainsi possible, mais pas automatique. Cinq propriétés distinguent une plateforme que l’IA peut lire en toute sécurité d’une plateforme qui se contente de stocker des données.
Une seule copie gouvernée des données
Chaque copie supplémentaire d’un jeu de données est une occasion d’obtenir deux réponses différentes à la même question. Sur Fabric, les données peuvent arriver une seule fois dans OneLake et être partagées à partir de là, de sorte que la finance, les ventes et les opérations lisent les mêmes commandes, factures et clients plutôt que leurs propres extraits. Les données passent par des étapes claires, de brutes telles que chargées à nettoyées et harmonisées, puis prêtes pour l’usage d’affaires, et chaque étape a un responsable désigné.
Le test est simple. Pour chaque domaine clé, pouvez-vous désigner l’endroit unique où se trouve la version prête pour les affaires, et nommer la personne qui en répond? Si la réponse honnête comprend plusieurs extraits et un chiffrier tenu à la main, c’est de là que viendront les mauvaises réponses.
Des modèles sémantiques certifiés comme contrat
Lorsque l’IA répond à une question d’affaires dans Power BI, elle lit le modèle sémantique : les tables, relations, mesures, noms et descriptions qui traduisent les données brutes en termes d’affaires. Ce modèle est le contrat entre les données et tous ceux qui les interrogent, personnes comme assistants. Une seule définition certifiée par mesure, des noms qu’un gestionnaire reconnaîtrait, des descriptions en langage clair et des colonnes techniques masquées font plus pour la qualité des réponses que le choix du modèle d’IA.
La certification doit vouloir dire quelque chose de précis : le responsable d’affaires a approuvé les définitions, les chiffres concordent avec le système de référence et chaque modification passe par une revue. Des modèles non certifiés peuvent encore servir à l’exploration, mais l’assistant sur lequel la direction s’appuie ne devrait lire que des modèles certifiés.
Une traçabilité démontrable
Lorsqu’un dirigeant remet un chiffre en question, la plateforme devrait répondre en quelques minutes : de quel système source il provient, par quelles transformations il est passé et quelle mesure l’a produit. Fabric enregistre la façon dont ses éléments dépendent les uns des autres. Le travail consiste à garder cette chaîne complète, en effectuant les transformations dans la plateforme plutôt que dans des fichiers personnels et des bases de données parallèles qu’aucune vue de traçabilité ne peut voir.
La traçabilité compte encore plus dès que l’IA entre en jeu. Une réponse qui nomme la mesure certifiée utilisée, et qu’on peut suivre de là jusqu’à la source, est une réponse que les gens peuvent vérifier. Une réponse impossible à retracer sera contestée, et la première contestation sérieuse marque souvent la fin du projet pilote.
Une sécurité de l’information dont l’IA hérite
L’accès par rôle devrait être défini une seule fois, avec les données et le modèle sémantique, et non reconstruit dans chaque rapport. Dans ce cas, chaque rapport, chaque exportation et chaque assistant IA qui lit le modèle applique les mêmes règles à la personne qui pose la question : une gestionnaire régionale qui s’informe de la marge voit sa propre région, et rien d’autre. Des étiquettes de confidentialité qui suivent les données dans les fichiers exportés comblent une lacune que les rapports seuls laissent ouverte.
Si les règles d’accès n’existent que dans les filtres des rapports, un assistant qui lit le modèle sous-jacent ne les appliquera pas. Cette seule décision de conception détermine si l’IA peut être ouverte à toute l’organisation ou doit rester entre les mains d’un petit groupe de confiance.
Une surveillance qui devance l’entreprise
Une plateforme prête pour l’IA connaît son propre état. Les actualisations qui ont échoué ou se sont terminées en retard, les données plus anciennes qu’elles ne devraient l’être, les contrôles de qualité qui n’ont pas réussi et les modèles dont les totaux ne concordent plus devraient tous alerter le responsable avant que quiconque pose une question. La surveillance de l’utilisation complète le portrait : quels modèles, rapports et questions servent réellement, et donc où doit aller le prochain investissement.
Pour les assistants, ajoutez un contrôle de plus : un ensemble de vraies questions d’affaires aux réponses connues, exécuté après chaque modification des données ou du modèle. Quand la part de bonnes réponses diminue, vous l’apprenez par le test plutôt que par le comité de direction.
Ce qu’il faut bâtir d’abord, et ce qui peut attendre
Tout n’a pas à être en place avant la mise en service du premier assistant. Pour le premier domaine ou les deux premiers que l’assistant couvrira, bâtissez la copie gouvernée, un modèle sémantique certifié et documenté, l’accès par rôle et la surveillance des actualisations et de la fraîcheur des données. La traçabilité des autres domaines suivra à mesure que chacun passera sur la plateforme.
Plusieurs éléments peuvent attendre : les flux en temps réel pour des décisions prises chaque semaine, un catalogue complet de tous les jeux de données de l’organisation, la migration de chaque ancien rapport et l’apprentissage automatique sur mesure. Chacun a de la valeur. Aucun ne se dresse entre l’entreprise et des réponses fiables dans les premiers domaines. Les remettre à plus tard n’est pas un compromis : cela garde la première version assez petite pour être terminée et testée correctement.
La préparation se bâtit, elle ne s’achète pas
La préparation à l’IA n’est ni un projet distinct ni une fonction de produit. C’est la même discipline qui rend les rapports fiables, appliquée en sachant qu’une machine, et pas seulement une personne, lira désormais chaque nom, chaque définition et chaque règle d’accès. Les organisations qui intègrent ces cinq propriétés à leur plateforme Fabric constatent que chaque nouvel assistant arrive plus vite que le précédent, parce que le plus difficile est déjà fait.