Pendant la majeure partie de la dernière décennie, le rapport était le produit. Les dirigeants ouvraient un tableau de bord, et tout ce qui rendait les chiffres compréhensibles se trouvait sur la page : le titre, la note de bas de page, la mise en page, et l’analyste qui l’avait conçu et pouvait l’expliquer. Le modèle sémantique, la couche qui contient les définitions d’affaires, les relations et les calculs derrière chaque rapport, relevait de la tuyauterie que seule l’équipe BI voyait.

L’IA générative change la donne. Lorsqu’un dirigeant demande à un assistant comme Copilot dans Power BI quelle région n’a pas atteint son plan au dernier trimestre, la réponse est construite à partir du modèle lui-même : ses tables, ses colonnes, ses mesures et ses relations, et les descriptions que quelqu’un a pris la peine d’écrire. Le modèle est devenu l’interface, et la plupart des modèles n’ont jamais été conçus pour être lus par quelqu’un d’extérieur à l’équipe qui les a bâtis.

Ce que l’assistant lit vraiment

Un assistant qui répond à une question d’affaires travaille à partir des métadonnées du modèle : le nom de chaque table, colonne et mesure, la façon dont les tables sont reliées, les champs masqués, la mise en forme des valeurs, ainsi que les descriptions et les synonymes associés à chacun. C’est là tout ce qu’il sait de vos activités. Là où le modèle est muet, l’assistant n’a rien sur quoi s’appuyer et, pire, il risque de combler le vide par une supposition.

Il ne lit pas la diapositive qui précise que les revenus excluent les ventes intersociétés, le courriel qui a tranché ce qu’est un client actif, ni la mémoire de l’analyste qui sait pourquoi une région apparaît deux fois. Le contexte qui accompagnait le rapport, ou la personne qui le présentait, doit maintenant vivre dans le modèle. Si une règle n’y est pas écrite, l’assistant ne l’appliquera pas, aussi assurée que soit sa réponse.

Les noms et les descriptions sont les nouvelles étiquettes

Dans un rapport, un nom de colonne cryptique n’avait aucune importance, puisque personne ne le voyait; le visuel portait un titre clair. Dans un modèle lu par l’IA, le nom est l’étiquette. « Revenus nets » dit à l’assistant ce qu’il regarde. « Amt_NR_Adj » ne lui dit rien, et « Ventes » peut désigner les ventes brutes, nettes ou enregistrées, selon la personne qui a bâti la table.

Rédigez les descriptions pour un lecteur sans aucun contexte, car c’est exactement ce qu’est un assistant. Une description utile dit ce que le champ signifie, ce qu’il inclut et exclut, et quand l’utiliser plutôt que ses proches voisins. Des phrases courtes et simples suffisent. Ajoutez ensuite les synonymes que les gens emploient vraiment, comme revenus, ventes et chiffre d’affaires, pour qu’une question posée en langage courant mène au bon champ.

Les relations déterminent les réponses possibles

Les relations, c’est-à-dire les liens entre les tables, déterminent les questions que le modèle peut traiter et la façon de les traiter. Une personne qui bâtit un rapport sait que les commandes peuvent être analysées par date de commande ou par date d’expédition, et choisit la bonne. Un assistant devant deux chemins possibles entre les mêmes tables doit choisir, et il ne choisira pas toujours comme le ferait l’équipe des finances.

Gardez un seul chemin évident entre deux tables. Lorsqu’une date joue plusieurs rôles, donnez à chaque rôle son propre champ, clairement nommé. Supprimez les relations qui n’existent que pour faire fonctionner un vieux rapport. La complexité qu’un auteur de rapports chevronné contourne tous les jours devient un piège pour un assistant qui ne voit pas le contournement. Une structure simple inspire davantage confiance aux gens et se prête beaucoup mieux au raisonnement d’un assistant.

Les mesures certifiées sont les réponses

Les mesures, ces calculs comme les revenus nets, la marge brute ou le délai moyen de recouvrement, sont la source des réponses. Au fil des ans, la plupart des modèles accumulent plusieurs versions d’une même idée : une marge pour l’équipe des ventes, une autre pour la finance, une troisième laissée par un projet dont personne ne se souvient. Une personne choisit celle qu’utilise son rapport. Un assistant choisit celle qui semble correspondre à la question, et le chef de la direction financière entend un chiffre qui ne concorde pas avec le dossier du conseil.

La solution est un petit ensemble de mesures certifiées : une définition par concept d’affaires, confiée à la fonction qui en répond, décrite en langage clair et visible de tous. Les calculs intermédiaires sont masqués. Les doublons sont retirés, pas seulement renommés. Lorsque la même mesure certifiée alimente le tableau de bord de la direction et la réponse de l’assistant, les deux ne peuvent pas diverger, et le chemin entre le système source et la réponse peut être démontré sur demande. La certification envoie aussi un signal aux gens : elle désigne la version que la direction a convenu d’utiliser.

Pièce : la traçabilité des revenus nets, des systèmes sources au tableau de bord de la direction, en passant par le modèle et sa mesure certifiée.

Gérer le modèle comme un produit

Si le modèle est l’interface, quelqu’un doit en être responsable, comme un gestionnaire de produit l’est d’une application. En pratique, cette responsabilité repose sur quelques rôles clairs :

  • Un responsable d’affaires pour chaque domaine, généralement en finance, aux ventes ou aux opérations, qui décide de ce que signifie chaque mesure certifiée et approuve chacune de ses modifications.
  • Un intendant du modèle au sein de l’équipe d’analytique, qui tient à jour les noms, les descriptions, les synonymes et les relations, et traite chaque changement de nom comme une modification susceptible de changer les réponses.
  • Les personnes qui utilisent les réponses, dirigeants comme analystes, qui signalent les questions auxquelles l’assistant a mal répondu, afin que les lacunes soient corrigées dans le modèle plutôt que contournées dans des rapports individuels.

C’est cette responsabilité qui stabilise l’interface. Une colonne renommée un vendredi en fin de journée brisait autrefois un rapport; aujourd’hui, elle peut changer discrètement des réponses dans toute l’organisation. Les modifications au modèle méritent la même rigueur de revue, d’essai et de mise en production que celles de tout système dont dépendent les clients. Publiez aussi les définitions là où les gens peuvent les lire, afin que l’assistant et l’équipe des finances travaillent visiblement à partir du même glossaire.

C’est dans les tests que l’effort se voit. Tenez une courte liste de vraies questions dont les réponses sont connues, et exécutez-la chaque fois que le modèle change. Notre expérience montre que les plus grands gains de qualité des réponses viennent du travail sur le modèle, et non d’une IA plus récente.

Pièce : part des questions test auxquelles le même assistant répond correctement, à mesure que le modèle est renommé, décrit et certifié.

En définitive

Les rapports ne disparaîtront pas; les dirigeants ont toujours besoin d’une page pour suivre les activités. Mais le travail de conception le plus important en analytique est descendu d’un niveau. Les organisations qui traitent le modèle sémantique comme un produit, avec des noms clairs, des descriptions honnêtes, une structure simple, une courte liste de mesures certifiées et un responsable imputable, obtiendront de l’IA des réponses sur lesquelles agir. Les autres obtiendront des réponses fluides à des questions que leur modèle n’a jamais été en mesure de traiter. Les budgets devraient suivre ce virage : moins d’argent pour de nouveaux rapports, davantage pour le modèle que lisent chaque rapport et chaque assistant.

Le même travail rapporte deux fois : un modèle qui s’explique à un assistant rend aussi chaque rapport Power BI bâti sur lui plus rapide à construire et plus digne de confiance.