La présentation doit être prête cet après-midi. Vous avez reçu trois fichiers d’exportation : billing_events (31 482 lignes, du 01/01/2026 au 30/06/2026), customers (8 104 lignes) et support_tickets (12 760 lignes). Une partie prenante souhaite une diapositive unique indiquant si le taux d’attrition (churn) augmente et pour quelles raisons.
Un outil d’IA peut rapidement rédiger un récit et proposer des graphiques. Toutefois, vous restez responsable des chiffres. Si le taux d’attrition figurant dans la présentation est erroné, vous en assumez les conséquences. L’IA n’a pas validé la définition de la métrique ni vérifié les clés de jointure, et elle ne peut être tenue pour responsable lorsque le service financier conteste le chiffre.
Découvrez comment un processus d’analyse descriptive de bout en bout s’articule avec l’assistance de l’IA.
Un LLM (modèle de langage étendu) est un modèle de génération de texte qui prédit les mots susceptibles de suivre. Dans le cadre d’une analyse, cela signifie qu’il produit des propositions de résumés et d’étapes, et non des résultats validés.
Un prompt (ou invite) correspond à l’instruction donnée au modèle. Si vous ne précisez pas la dimension de segmentation, le modèle résumera généralement les moyennes globales, occultant ainsi la tendance que vous cherchiez à expliquer. Il s’agit d’une défaillance du prompt ayant des répercussions sur le reporting.
Une fenêtre de contexte désigne la quantité limitée de texte que le modèle peut traiter simultanément. Si vous ne fournissez que le tableau des indicateurs (KPI) sans la définition de la métrique, le modèle décrira avec assurance un chiffre qu’il ne comprend pas.
Une hallucination est un contenu inventé présenté comme un fait avéré. Dans une présentation d’indicateurs, cela se manifeste par des facteurs explicatifs imaginaires, des définitions erronées ou la description d’un graphique ne correspondant pas aux données agrégées sous-jacentes.
L’utilisation d’outils signifie que le modèle peut faire appel à des fonctions externes, telles qu’une requête dans un tableur ou une connexion à une base de données. Cette capacité améliore l’accès aux données, mais ne garantit pas leur exactitude. Il vous incombe toujours de vérifier que les filtres, les jointures et le traitement des valeurs nulles correspondent bien à votre intention.
Découvrez comment ces termes s’articulent avec les risques liés à l’exactitude, à la confidentialité et à l’auditabilité.
L’IA excelle à traduire en langage clair des résultats déjà calculés. Vous pouvez lui demander de rédiger des titres de diapositives, d’annoter un graphique ou de proposer des analyses complémentaires, comme la segmentation du taux d’attrition par niveau d’abonnement (plan_tier) ou par mois de cohorte d’inscription (signup_cohort_month).
L’IA est également utile pour faire émerger des tendances potentielles. Elle peut analyser un tableau récapitulatif et signaler que les résiliations se concentrent sur les forfaits « Basic » ou que le volume de tickets a augmenté avant la hausse de l’attrition. Il s’agit là de générer des hypothèses, et non d’apporter des preuves.
L’IA est peu fiable lorsqu’il s’agit de garantir l’exactitude des données. Elle ne sait pas si l’identifiant client (customer_id) est unique dans la table customers, si la table billing_events contient des lignes rétrospectives ajoutées a posteriori, ou si l’attrition se définit par une « absence de paiement sur 30 jours » ou par une « résiliation explicite ». Ces questions de définition et de qualité des données relèvent de votre responsabilité ; si vous les négligez, vous assumez les risques d’erreur.
Avant de communiquer une information générée avec l’aide de l’IA, vérifiez au moins un chiffre en le comparant à l’exportation source et reformulez la définition de la métrique avec vos propres mots. C’est ce qui rend l’ébauche vérifiable.
Distinguez les résultats de l’IA que vous pouvez réutiliser directement de ceux qui nécessitent une vérification.