L'IA sur les données échoue sans métriques métier uniques
En bref
Selon Qonto, la néobanque a d'abord traduit les questions métier en SQL, puis a laissé Claude interroger l'entrepôt de données. Des définitions d'indicateurs différentes selon les équipes ont conduit à des réponses incorrectes. L'entreprise a ensuite créé un référentiel de métriques validées, vise plus de 90 % de couverture et, d'ici fin 2026, toutes les questions prioritaires.
Source : Silicon.fr - « Comment Qonto a basculé du text-to-SQL à l’analyse agentique »
Ce que ça change pour une PME
Pour une PME de 10 à 250 personnes, un assistant qui interroge vos données en langage naturel peut renvoyer de mauvais chiffres si chaque équipe a sa propre définition des indicateurs. Selon Qonto, l'effort d'ingénierie s'est concentré plusieurs mois sur les modèles existants, sans nouvelles fonctionnalités, et d'autres projets ont été reportés. Vos équipes métier devront valider les résultats, car l'analyste n'est plus un intermédiaire. Le risque porte sur la qualité des décisions et le coût sur le temps d'ingénierie, plus que sur l'outil d'IA lui-même.
Ce que vous pouvez faire
- Vérifiez qu'une seule définition officielle existe pour chaque indicateur métier important.
- Testez quelques questions clés auprès d'un outil d'IA et comparez les réponses aux chiffres déjà validés par vos équipes.
- Prévoyez du temps d'ingénierie pour clarifier les modèles de données avant d'ouvrir un accès en langage naturel.
Parlons de vos gains de temps.
En 20 minutes, on identifie où l'IA peut vous faire gagner du temps ou de l'argent. Offert, sans engagement.