Copilot dans Power BI, les agents de données de Microsoft Fabric, Copilot Studio et les outils de lakehouse comme Databricks Genie promettent tous la même chose : poser une question en langage courant et obtenir une réponse fiable. En pratique, la qualité de cette réponse dépend bien moins du modèle d’IA que des données sur lesquelles il s’appuie.

Lorsqu’un agent donne un chiffre erroné, la cause profonde est presque toujours connue : des noms ambigus, une logique dupliquée, un contexte manquant ou une sécurité définie là où l’agent ne peut pas la voir. La bonne nouvelle, c’est que les correctifs sont tout aussi connus de toute équipe d’analytique solide.

Les points à vérifier

  1. Des schémas en étoile propres. Des faits et des dimensions à la granularité bien définie, des relations un-à-plusieurs et aucun piège plusieurs-à-plusieurs caché. Les agents raisonnent à partir de la structure : gardez-la simple.
  2. Des noms parlants pour les utilisateurs. « Chiffre d’affaires net » plutôt que « Amt_2 ». Masquez les colonnes techniques et les tables auxiliaires que personne ne devrait interroger.
  3. Des descriptions et des synonymes. Décrivez ce que signifie chaque table, colonne et mesure, et ajoutez les mots que les gens emploient réellement : ventes, chiffre d’affaires, commandes.
  4. Une seule définition certifiée par KPI. Si trois mesures peuvent vraisemblablement répondre à « quel a été le chiffre d’affaires du dernier trimestre? », l’agent finira par choisir la mauvaise. Consolidez et certifiez.
  5. Une sécurité appliquée au niveau des données. Lorsque les règles d’accès sont rattachées aux données, les agents en héritent automatiquement. Si elles ne sont définies que rapport par rapport, ce n’est pas le cas.
  6. Des lacunes connues et documentées. Précisez aux utilisateurs, et dans les instructions de l’agent, ce que les données ne couvrent pas, par exemple les mois qui ne sont pas encore clôturés.

Mesurer avant d’élargir

Avant de déployer un agent, consignez de 30 à 50 questions réelles posées par les personnes qui l’utiliseront, avec les bonnes réponses. Exécutez ce jeu de questions après chaque modification du modèle ou des instructions de l’agent, et suivez la précision au fil du temps. Ce jeu d’évaluation est l’artefact le plus utile d’un projet d’analytique fondé sur l’IA : il transforme « ça semble fonctionner » en un chiffre.

Journalisez les questions que les gens posent réellement et celles qui échouent. Elles vous indiquent quels synonymes, quelles mesures et quelles descriptions ajouter ensuite.

Commencer petit

Choisissez un domaine (cycle des revenus, performance des ventes ou chaîne d’approvisionnement), un public et un modèle bien gouverné. Prouvez la précision dans ce périmètre, puis élargissez. C’est avec des agents trop larges et mal ciblés, branchés sur des dizaines de modèles, que la confiance se perd.

Connecter les agents aux outils avec discernement

Des normes comme le Model Context Protocol (MCP) facilitent la connexion des agents aux systèmes de l’entreprise : modèles sémantiques, gestion des demandes, documents et flux de travail. Traitez chaque connexion comme n’importe quelle autre intégration. Accordez le moindre privilège nécessaire, gardez un humain dans la boucle pour les actions qui modifient des données ou envoient des messages, et journalisez chaque appel.

Protéger la vie privée dès la conception

Tenez les renseignements personnels et de santé à l’écart des invites, sauf s’ils sont réellement nécessaires, conservez les données dans les régions qu’exigent vos obligations, et assurez-vous que vos services d’IA sont couverts par les mêmes ententes et contrôles que le reste de votre plateforme de données.

En définitive

Les organisations dont les données sont bien modélisées, bien documentées et bien sécurisées tireront rapidement de la valeur des agents IA. Les autres obtiendront des réponses erronées, livrées avec aplomb. Le travail nécessaire pour combler cet écart n’a rien d’exotique, et il améliore du même coup les analyses consultées par vos équipes.