Analyser des tableaux avec l’IA : fiabilité et contrôle
Demander à un assistant d'IA « quelle région a le plus progressé ? » sur un fichier de ventes donne une réponse en quelques secondes. Elle peut être juste, approximative ou fausse, avec la même assurance. Tout dépend de la façon dont l'IA a travaillé.
Un fichier de 40 000 lignes de ventes, une question posée en français à un assistant d’IA, et une réponse en dix secondes : « La région Nord a le plus progressé, avec une hausse de 18 % ». La réponse est peut-être juste. Elle est peut-être fondée sur une colonne mal comprise, sur l’oubli des avoirs, ou sur un calcul approximatif fait « de tête » par le modèle. Elle est formulée avec la même assurance dans les trois cas. L’IA et l’analyse de données tabulaires font bon ménage à une condition : savoir comment l’IA a travaillé, et contrôler ce qui peut l’être.
Ce guide s’adresse aux responsables financiers, aux contrôleurs de gestion, aux analystes et aux directions qui voient leurs équipes utiliser des assistants d’IA sur des fichiers de données. Il ne s’agit pas de l’interdire, mais d’en faire un usage fiable.
Deux façons très différentes de « lire » un tableau
Un assistant d’IA peut traiter un tableau de deux manières, et la différence est décisive.
La lecture directe. Le contenu du fichier est transmis au modèle comme du texte, et le modèle répond en le « lisant ». C’est rapide, mais les modèles de langage ne calculent pas : ils prédisent du texte. Sur quelques lignes, le résultat est souvent juste. Sur des milliers, les sommes, moyennes et comptages deviennent approximatifs, et une partie du fichier peut même être ignorée si elle dépasse la capacité de lecture du modèle.
L’analyse par le code. Le modèle écrit un programme (souvent en Python, parfois en SQL), le fait exécuter dans un environnement prévu à cet effet, lit le résultat et le commente. Les calculs sont alors faits par une machine qui ne se trompe pas en arithmétique, et le programme peut être relu. C’est le mode à privilégier pour tout chiffre qui servira à décider.
Demander à voir le code. Si l’outil ne peut pas montrer le programme qui a produit un chiffre, ce chiffre ne doit pas sortir de la phase d’exploration.
Où se cachent les erreurs
Une fois le calcul confié au code, les erreurs se déplacent. Elles ne portent plus sur l’arithmétique, mais sur la compréhension des données, exactement comme chez un analyste débutant qui découvre un fichier.
| Erreur | Exemple | Contrôle |
|---|---|---|
| Colonne mal interprétée | « Montant » pris hors taxes alors qu’il est toutes taxes comprises | Faire décrire chaque colonne utilisée avant le calcul ; comparer au dictionnaire des données |
| Lignes à exclure oubliées | Avoirs, commandes annulées, lignes de total intégrées au fichier | Faire lister les valeurs distinctes des colonnes de statut ; vérifier l’absence de lignes de sous-total |
| Doublons | Une même commande exportée deux fois | Compter les identifiants uniques et les comparer au nombre de lignes |
| Valeurs manquantes | Cellules vides traitées comme zéro, ou ignorées sans le dire | Faire compter les vides par colonne et expliquer leur traitement |
| Formats | Dates lues au format américain, virgules décimales mal converties | Vérifier les minimums et maximums des dates et des montants |
| Filtre implicite | « Les ventes de l’année » calculées sur l’année civile au lieu de l’exercice | Faire reformuler la question avec la période et le périmètre exacts |
| Conclusion excessive | Une corrélation présentée comme une cause | Exiger que les limites de l’analyse soient énoncées |
Une méthode de travail fiable
- Décrire les données avant de poser la questionCommencer par demander une description du fichier : nombre de lignes, colonnes, types, valeurs manquantes, valeurs distinctes des colonnes clés. Corriger les malentendus à ce stade coûte peu.
- Poser une question précisePériode, périmètre, définition des indicateurs, traitement des cas particuliers. « Évolution du chiffre d’affaires hors taxes, hors avoirs, entre les exercices 2023 et 2024, par région de facturation » laisse moins de place à l’interprétation que « quelle région a le plus progressé ? ».
- Exiger le code et le relirePas besoin d’être développeur pour vérifier qu’un filtre exclut bien les avoirs ou que la bonne colonne est utilisée. Les assistants savent commenter leur code en français : il faut le leur demander.
- Recouper avec un chiffre connuLe total du fichier doit correspondre à celui du système source ou d’un rapport validé. Un écart à ce stade signale presque toujours une erreur de périmètre.
- Conserver de quoi rejouerLe fichier d’entrée (ou sa référence et sa date d’extraction), le code, la question posée et le résultat. Un chiffre que l’on ne peut pas reproduire ne doit pas figurer dans un document de décision.
- Industrialiser ce qui se répèteUne analyse demandée chaque mois ne doit pas être redemandée à l’assistant chaque mois. On reprend le code produit, on le teste, on l’intègre dans un traitement versionné. L’IA aide à écrire ; le traitement, lui, ne varie plus.
L’IA rend l’analyse plus rapide ; elle ne la rend pas plus juste. La justesse vient toujours du contrôle.
La question de la confidentialité
Les fichiers que l’on a envie de confier à un assistant sont souvent les plus sensibles : paie, données clients, résultats financiers avant publication, données de santé. Avant tout usage, trois questions doivent avoir une réponse écrite. Où les données sont-elles traitées et conservées, et pendant combien de temps ? Servent-elles à entraîner les modèles du fournisseur ? Que prévoit le contrat en cas d’incident ? Les offres destinées aux entreprises répondent en général mieux à ces questions que les versions grand public, mais il faut le vérifier contrat en main.
Pour les données personnelles, le règlement général sur la protection des données s’applique pleinement : base légale, minimisation, information des personnes, et, si le traitement présente un risque élevé, analyse d’impact. Notre guide sur l’analyse d’impact relative à la protection des données donne la méthode. Souvent, la solution la plus simple est de travailler sur un extrait pseudonymisé ou agrégé, qui suffit à la question posée.
Liste de contrôle avant d’utiliser un chiffre produit par l’IA
- Le chiffre a été calculé par du code exécuté, pas « lu » par le modèle.
- Le code a été relu, au moins pour les filtres, les colonnes et les jointures.
- Le total ou un chiffre de contrôle correspond à la source.
- Les doublons, les valeurs manquantes et les lignes à exclure ont été traités explicitement.
- La période et le périmètre figurent à côté du chiffre.
- Le fichier, le code et la question sont conservés.
- Les données utilisées pouvaient l’être avec cet outil, au regard de leur sensibilité.
Notre produit IA d’entreprise part du même principe : des agents aux droits bornés, une trace de chaque action et une revue humaine définie, pour que chaque résultat puisse être vérifié. Pour aller plus loin sur la confiance que l’on peut accorder à ces outils, notre synthèse sur la confiance des utilisateurs dans l’IA montre pourquoi l’excès de confiance est un risque aussi réel que la méfiance.
Questions fréquentes
Peut-on faire confiance aux calculs d'un assistant d'IA ?
Seulement s'il les fait exécuter par un programme, et si l'on peut voir ce programme. Un modèle de langage qui additionne des colonnes « de tête » commet des erreurs, surtout sur de grands tableaux. Quand il écrit du code, l'exécute et montre le résultat, le calcul devient vérifiable, mais l'interprétation des données reste à contrôler.
Quels fichiers éviter de confier à un assistant d'IA en ligne ?
Ceux qui contiennent des données personnelles, des données de santé, des informations commerciales sensibles ou couvertes par un secret. Avant tout usage, il faut savoir où les données sont traitées et conservées, si elles servent à l'entraînement, et ce que prévoit le contrat. À défaut, on travaille sur des données anonymisées ou avec un outil hébergé dans un environnement maîtrisé.
L'IA remplace-t-elle un tableur ou un outil de visualisation ?
Non. Elle accélère l'exploration, la rédaction de formules et de scripts, et la préparation des données. Les tableaux de bord récurrents, les calculs réglementaires et les chiffres publiés restent mieux servis par des traitements écrits, testés et versionnés, que l'IA peut aider à produire.