Lorsqu’un assistant IA donne une mauvaise réponse, le premier réflexe est d’accuser l’IA. Le plus souvent, ce sont les données qui étaient fausses au départ : un chargement en retard, une région qui n’est jamais arrivée, un client compté deux fois. Un analyste d’expérience aurait remarqué que le chiffre semblait étrange et l’aurait vérifié avant de l’envoyer. Un assistant n’hésite pas. Il répond à partir de ce qu’il trouve, avec la même assurance que d’habitude.
Les vérifications que les bons analystes font d’instinct doivent donc devenir automatiques, et s’exécuter avant que l’assistant ne lise les données, et non après qu’un dirigeant a remis la réponse en question. Cinq contrôles couvrent l’essentiel de ce qui tourne mal.
1. Complétude : tout est-il arrivé?
Vérifiez que chaque source, entité, région et journée attendue est présente, et que les champs dont dépendent les réponses, comme le client, le produit, la date et le montant, sont remplis. Comparez le nombre d’enregistrements avec la source et avec la fourchette habituelle pour ce jour-là. Un chargement partiel est le plus dangereux, car ses totaux semblent plausibles. Surveillez les silences autant que les erreurs : une région sans ventes hier peut trahir une extraction ratée, et un assistant la présentera comme un effondrement de la demande.
Où il s’exécute : dans le pipeline, juste après chaque chargement. Qui est alerté : l’équipe d’ingénierie des données. Si le contrôle échoue, les nouvelles données ne sont pas publiées dans le modèle que lit l’assistant.
2. Fraîcheur : les données sont-elles à jour?
Chaque jeu de données a une heure promise à laquelle il doit être actualisé. Vérifiez l’heure du dernier chargement réussi et la date de la transaction la plus récente, et comparez-les à cette promesse. La fraîcheur doit aussi être visible pour l’assistant : une réponse doit indiquer à quel point ses données sont récentes et, lorsque les données sont en retard, l’assistant doit le signaler ou refuser les questions portant sur la journée en cours.
Où il s’exécute : selon un horaire fixe, avant le début de la journée de travail. Qui est alerté : d’abord l’ingénierie des données, puis le responsable des données si le retard touche les décisions du matin.
3. Rapprochement : les chiffres concordent-ils avec le système de référence?
Les totaux de la plateforme analytique doivent concorder avec le système de référence : les revenus avec le grand livre, l’effectif avec le système de RH, les unités expédiées avec l’ERP. Convenez de la tolérance avec le responsable, faites la comparaison après chaque chargement et de nouveau à la clôture, et ne certifiez pas une période tant que les chiffres ne concordent pas.
Où il s’exécute : après chaque chargement et à chaque clôture. Qui est alerté : le responsable des données côté affaires, généralement en finance ou aux opérations, tandis que l’équipe d’analytique fait enquête.
4. Doublons et orphelins : chaque enregistrement compte-t-il une seule fois, au bon endroit?
Les clients, factures ou expéditions en double gonflent les totaux. Les enregistrements orphelins, comme une vente dont le code de produit est absent de la liste des produits, disparaissent de toutes les ventilations, si bien que la somme des régions ne correspond plus au total. Les assistants IA y sont particulièrement exposés, car ils découpent les données selon des combinaisons qu’aucun concepteur de rapports n’avait prévues.
Où il s’exécute : lors de la création ou de l’actualisation du modèle, en vérifiant les clés uniques et les relations entre les tables. Qui est alerté : l’ingénierie des données et le responsable des données de référence à corriger. Corrigez les doublons à la source lorsque c’est possible : les filtrer dans le modèle cache le problème à tous ceux qui travaillent encore dans le système source.
5. Dérive des définitions : chaque mesure veut-elle encore dire ce qu’elle annonce?
C’est la défaillance la plus silencieuse. Un système source ajoute un nouveau type de commande ou un nouveau code de statut, un produit change de catégorie ou quelqu’un modifie une mesure, et le chiffre d’affaires net change de sens sans bruit. Rien ne se brise, donc aucune alerte ne se déclenche. Surveillez l’apparition de nouvelles valeurs dans les champs dont dépendent les définitions, comparez les mesures certifiées à un ensemble de réponses connues et exigez une approbation pour toute modification d’une mesure certifiée.
Où il s’exécute : à chaque modification du modèle et chaque fois que de nouveaux codes apparaissent. Qui est alerté : le responsable de la mesure côté affaires et le responsable de l’analytique. Lorsqu’une définition change volontairement, consignez la date et la raison, et informez les utilisateurs : un assistant qui compare cette année à l’an dernier doit savoir que la règle a changé entre-temps.
Où exécuter les contrôles et qui alerter
Deux principes comptent davantage que les outils. D’abord, les contrôles s’exécutent avant la publication : un échec empêche les données d’atteindre le modèle, ou les marque comme non certifiées, au lieu de laisser l’assistant répondre à partir de celles-ci. Ensuite, chaque contrôle a un responsable désigné et un circuit d’alerte. Si seule l’équipe d’analytique entend parler des problèmes, les problèmes attendent.
Commencez par les tables qui alimentent les questions que les dirigeants posent le plus souvent. Fixez les seuils à partir de l’historique récent plutôt qu’au jugé, et ajustez-les au cours des premières semaines pour que les alertes restent assez rares pour être traitées. Un contrôle qui se déclenche tous les jours est vite ignoré.
Publiez l’état de chaque contrôle là où l’assistant peut le lire, afin qu’il puisse ajouter une mise en garde ou refuser de répondre. Conservez aussi l’historique. Un registre de contrôles réussis jour après jour est la preuve qui permet aux dirigeants de se fier aux réponses, et il montre où les pipelines de données ont besoin d’investissements.
En définitive
Aucun de ces contrôles n’est nouveau. Ce que l’IA change, c’est le coût de s’en passer : un chiffre erroné n’attend plus dans un rapport qu’un analyste le repère; il parvient directement à un dirigeant, dans une phrase bien tournée. Les organisations qui intègrent les cinq contrôles à leurs pipelines, avec des responsables et des alertes, donnent à leurs assistants des données qui méritent d’être lues.