Chat analytique : simple innovation ou véritable révolution ?
- hermineloignon
- 2 oct.
- 7 min de lecture
Dernière mise à jour : 6 oct.
Les organisations n’ont jamais autant investi dans la donnée et l’analytique. Pourtant, les résultats peinent à suivre. La frustration croît chez les utilisateurs face à la lenteur, la rigidité ou la complexité des dispositifs analytiques en entreprise - seuls 25% des employés utilisent les dashboards mis à leur disposition. (1)
L’analytique conversationnelle, rendue possible par l’IA générative et l’IA agentique, ouvre une nouvelle voie. À première vue, c'est une interface moderne propulsée par l’IA pour remplacer ou compléter les dashboards.
Mais en réalité, elle ouvre la voie à une rupture profonde, qui transforme déjà la manière dont l’analytique est produite, distribuée et consommée. Les agents analytiques vont devenir une nécessité pour préserver une stratégie data & IA pertinente.
En résumé L’analytique conversationnelle va devenir un nouveau standard pour produire et consommer l’analytique. Les utilisateurs vont dialoguer avec des agents IA qui interrogent la donnée et livrent des analyses et synthèses.
Le chat analytique va devenir un artefact majeur de consommation, aux côtés du rapport et du dashboard ; pensez interaction ouverte à la place de visuels figés.
Les éditeurs (Microsoft, Databricks, Snowflake…) investissent massivement pour proposer des solutions faciles à créer et utiliser.
Les bénéfices sont majeurs : time-to-analytics accéléré, coûts de production en baisse, vrai self-service (créer un agent, questionner en langage naturel).
Deux points d’attention sont à noter : la fiabilité et le coût. Néanmoins, des actions sont possibles pour mitiger ces aspects, tels que la préparation de la couche de données.
La transition vers l’analytique conversationnelle ne se limite pas à une nouvelle façon de consommer la donnée, elle va redéfinir la chaîne de valeur analytique en profondeur :
La couche de données devra être "Gen-AI ready".
Les rôles des équipes vont devoir évoluer. Par exemple, La gouvernance interviendra en amont et sera clé pour produire une couche de donnée AI-ready.
La livraison et l’architecture va devenir Agent First. Les dashboards seront réservés aux analyses récurrentes et formalisées.
La production de dashboard sera améliorée, notamment par l’analyse des logs des chats pour connaître le véritable besoin des utilisateurs.
Cette transition offre un ROI extrêmement intéressant et permet de capitaliser sur ses investissements passés. Pour aller plus loin, rejoignez-nous le jeudi 16 octobre lors de notre événement dédié à ce sujet : pour vous inscrire, c'est par ici.
L'analytique conversationnelle, une nouvelle façon de produire et consommer l'analytique
L’analytique conversationnelle est une nouvelle discipline qui propose des solutions pour converser avec un agent IA. Ce dernier fournit des analyses, informations et synthèses en exploitant les données disponibles dans la plateforme analytique.
Alimenté par un ou plusieurs agents, le chat analytique est une nouvelle façon de consommer la donnée. L’interaction avec une interface visuelle figée est remplacée par un dialogue intelligent. Le chat analytique est en passe de devenir le troisième artéfact de consommation aux côtés du rapport paginé et du dashboard interactif.
Un agent analytique peut répondre à tout type de question
Avec les progrès des LLM et le développement de solutions performantes et intégrées par les éditeurs majeurs du marché, les agents IA permettent d’effectuer des analyses avancées sur tout type de thématiques.
Un agent analytique opère comme un analyste et met en œuvre le RAG
Un agent analytique fonctionne comme un data analyst ou un data scientist, à l’inverse d’un LLM pur. Contrairement à une idée reçue, il n’injecte pas la donnée brute dans un prompt. Il interprète la demande, établit un plan d’action, génère du code (SQL, Python…) et interroge les sources. L’intelligence du LLM sert à cadrer la demande et expliquer les résultats.
Les étapes de fonctionnement d’un agent analytique suivent celles d’une application RAG :
L’utilisateur pose une question.
L’agent IA interprète la demande et récupère des informations pour contextualiser la demande. Cette opération s’appelle le grounding.
L’agent IA génère un plan d’action, le code associé et lance l’exécution.
L’agent IA récupère les résultats et formule une réponse lisible (texte, visuel...).
Le processus est itératif grâce à l’expérience de type chat conversationnel.
Les chats analytiques, le fer de lance des grandes plateformes du marché
La gamme de solutions d’analytique conversationnelle s’étoffe.Les éditeurs majeurs – comme Microsoft, Databricks ou Snowflake - implémentent des solutions intégrées et managées dans leur plateforme. Simples à configurer, les agents analytiques exploitent nativement les connecteurs et les jeux de données de la plateforme. Cette proximité est essentielle pour industrialiser une couche d’intelligence : elle supprime l’intégration ad hoc, la réplication et les reprises de sécurité entre la donnée et l’IA.
Avec ces investissements massifs, les solutions basées sur les agents IA analytiques évoluent et se perfectionnent. On retrouve :
L’agent spécialisé, pour un cas d’usage précis sur un périmètre limité de données.
L’agent généraliste, pour une variété de cas d’usage sur un périmètre large.
Le système multi-agents, orchestré par un agent central, coordonnant des agents spécialisés pour traiter des demandes variées et une chaîne d’étapes cognitives complexe.
L’agent global, variante d’un système multi-agents capable de considérer l’entièreté du patrimoine de données à disposition de l’utilisateur, fournissant un unique point d’entrée.
Plusieurs solutions émergent : les Data Agents de Microsoft Fabric, Dataiku Answers, Genie de Databricks, ou encore Cortex Agents de Snowflake.
L'analytique conversationnel : des bénéfices majeurs
Les agents analytiques forment un incroyable vecteur d’accélération de l’analytique grâce aux capacités de l’IA générative et des développements fournis par les éditeurs. Cette nouvelle façon de produire et consommer l’analytique va provoquer trois disruptions majeures :
L’accélération drastique de la production d’analyses. L’analytique conversationnelle met fin aux cycles longs de spécification et développement. Les utilisateurs peuvent créer leurs agents et leur poser des questions en langage naturel.
La réduction du coût de production de l’analytique. Jusqu’ici, plus d’analyses signifiait plus de dashboards à construire et maintenir. Avec les agents IA analytiques, ce lien disparaît. Une infinité d’analyses ad hoc devient possible, sans effort supplémentaire de développement. Le ratio valeur / effort s’améliore drastiquement.
La réalisation de la promesse du self-service pour tous. La promesse de la BI en libre-service a longtemps buté sur la complexité des outils, malgré les outils no-code / low-code. Désormais, chacun peut créer son agent et interroger ses données sans expertise technique. Les étapes sont simples : sélectionner les sources de données et fournir un prompt.
Néanmoins, ces solutions admettent deux défis : la fiabilité et le coût à l’usage.
L’IA peut se tromper, et l’analytique conversationnelle n’y échappe pas. Plusieurs points nous permettent d’être optimistes sur ce plan : (a) le spectre fonctionnel à couvrir par les éditeurs est limité, (b) les solutions ne vont faire que s’améliorer, et (c) des possibilités pour améliorer et évaluer la fiabilité des agents existent.
L’usage de l’IA génère un surcoût de calcul à chaque requête. L’IA traite d’abord la demande, puis la requête est exécutée sur la donnée. Ce surcoût peut représenter jusqu’à 90% du coût total d’une demande. À relativiser toutefois : lors de nos tests avec Microsoft Fabric, le coût IA variait entre 1 et 5 centimes par requête.
L’analytique conversationnelle accélère l’accès à la donnée et offre un ROI trop important pour ne pas opérer la transition. Les chats analytiques vont venir compléter et compenser les rapports et dashboards. Mais ce changement permet surtout de réinventer la chaîne analytique pour une organisation davantage data & AI-driven.
Une nouvelle façon de livrer de l'analytique
L’analytique conversationnelle basée sur l’IA va redessiner le panorama des activités analytiques.
Tout d’abord, il va falloir faire évoluer la couche de données pour la rendre prête pour l’IA générative. L’IA peut réaliser toutes les combinaisons de données, à condition que la donnée ne l’en empêche pas. Livrer une donnée de qualité, structurée de manière modulaire et documentée devient un enjeu encore plus capital.
Les rôles vont devoir évoluer en conséquence pour livrer cette couche de donnée. Parmi les principaux rôles, nous voyons les évolutions suivantes :
La gouvernance en amont. Les équipes de gouvernance vont passer de “dernier contrôle” à coconcepteur dès le cadrage pour livrer une couche de données modulaire, claire et enrichies de métadonnées exploitables par l’IA.
Le data analyst augmenté. Il conçoit des agents analytiques, formalise le langage métier pour les prompts, et teste les agents comme il teste ses dashboards.
Le data engineer pour l’IA. Il va devoir développer sa palette technique et sa compréhension des concepts métiers pour proposer des données prêtes pour l’IA.
L’avènement d’une logique Agent First pour maximiser encore le time-to-analytics. L’agent analytique va devenir une commodité peu coûteuse, ce qui va permettre de créer un agent sur les couches amonts (couche Bronze), le faire évoluer au fil du raffinage (couches Silver, Gold), et livrer et tester les cas d’usage rapidement.
Le chat analytique aidera à la création de dashboards, grâce à ses logs. Les logs d’utilisation seront une mine d’or pour détecter et analyser les besoins et livrer le bon dashboard, plus vite. Le processus de création de dashboards en bénéficiera, et les analystes pourront initier leurs travaux avec une idée claire des analyses à produire.
Ces changements principaux, qui ne constituent pas une liste exhaustive, vont transformer la façon dont les équipes data opèrent, et nécessitera une évolution majeure du modèle opératoire pour livrer et gouverner la donnée et l’analytique.
La technologie est prête. Comment préparer votre organisation ?
L’analytique conversationnelle n’est pas une simple innovation technique. C’est une mutation de la façon dont l’analytique va être produite et consommée, avec un effet de levier majeur sur la valeur créée. Mais cette révolution ne s’improvise pas. Elle suppose :
Une gouvernance et un investissement renforcés des jeux de données,
Un repositionnement des rôles dans la chaîne analytique,
Une stratégie d’usage, de contrôle, et de montée en charge.
Se posent ainsi les questions suivantes :
Quelles sont les solutions disponibles ?
Quelle vision adopter ?
Quelle feuille de route suivre pour tirer parti de cette nouvelle analytique ?
Quels méthodes et accompagnement faut-il mettre en place pour favoriser cette transition ?
Vous souhaitez en savoir plus ? Retrouvez-nous le jeudi 16 octobre lors de notre événement "Chat analytique : comment préparer son entreprise à la transition", où nous explorerons plusieurs solutions analytiques conversationnelles disponibles sur le marché.
_
Sources
(1) Strategies for Driving Adoption and Usage with BI and Analytics, BARC and Eckerson Group, 2022
