Pourquoi la précision est devenue mon obsession dans l'analyse IA

Tout le monde se souvient de la première fois où il a vu une IA répondre à une question relative à des données. Quelqu'un tape une question en anglais courant, et la réponse s'affiche, accompagnée de graphiques et tout le reste. On dirait de la magie. On se dit : « Ça change tout. »

Et c'est le cas, jusqu'à ce que vous posiez deux fois la même question et obteniez un chiffre complètement différent. C'est à ce moment précis que la magie disparaît.

C'est là le problème fondamental de l'« analyse IA » en tant que catégorie. Les modèles linguistiques sont très efficaces pour produire des réponses qui semblent correctes. Dans l'analyse de données, la réponse doit simplement être correcte, de manière cohérente.

Dans les entreprises, un chiffre « plausible » auquel on ne peut pas se fier est bien pire que l'absence totale de chiffre. Si un directeur financier agit sur la base d'un chiffre d'affaires fantaisiste, ce n'est pas une erreur sans conséquence, mais une responsabilité.

Combler ce déficit de confiance est notre mission première depuis le premier jour chez Wobby, et cela reste notre mission aujourd'hui chez Actian AI Analyst.

Notre objectif n'était pas simplement de créer un nouvel outil permettant de « discuter avec vos données » ; nous voulions fournir aux utilisateurs professionnels des réponses fiables afin qu'ils puissent prendre des décisions sans remettre en question les calculs mathématiques.

La paranoïa du journaliste

Mon obsession pour la précision n'a pas commencé dans une start-up spécialisée dans les logiciels, mais dans une salle de rédaction.

Avant Wobby, j'étais journaliste spécialisé dans les données. À l'époque, ma plus grande crainte était de publier une erreur de calcul qui induirait en erreur des millions de lecteurs. Lorsque votre travail devient un enregistrement public, vos calculs doivent être irréprochables.

Pendant la pandémie de COVID-19, j'ai vu un collègue copier manuellement chaque matin les données gouvernementales sur les infections dans un tableur afin de mettre à jour nos graphiques. J'ai immédiatement compris le risque que cela représentait. Une simple erreur de frappe ou une mise à jour rétroactive d'un chiffre pouvait fausser la réalité d'une crise sanitaire publique. J'ai automatisé ce workflow la vérité était trop fragile pour être confiée à une saisie manuelle.

Cette même paranoïa guide notre approche de l'analyse par IA. Nous savions que si nous voulions demander aux entreprises de confier leurs indicateurs à une IA, nous ne pouvions pas nous contenter de « suggérer » notre chemin vers la précision.

Une architecture différente pour des analystes IA dignes de confiance

Lorsque les équipes sont confrontées au problème des « réponses différentes pour une même question », elles essaient généralement de le résoudre en fournissant davantage d'instructions. Davantage d'exemples. Davantage de contexte. Davantage de garde-fous. Un message système plus long. Une invite en quelques étapes qui « enseigne » au modèle ce que signifie le revenu.

Nous avons tout essayé. Cela fonctionne dans les démos. Cela ne fonctionne pas en tant qu'architecture.

Car le problème n'est pas que l'invite manque une phrase magique. Le problème est que vous demandez à un système probabiliste de se comporter comme un système déterministe.

Nous avons donc fait un pari différent. Nous avons cessé de « dire » au modèle comment calculer les définitions commerciales.

Au lieu de cela, nous les avons définis de manière explicite et déterministe dans une couche sémantique. Des termes tels que « chiffre d'affaires », « client actif » ou « taux de désabonnement » sont structurés à l'avance, tout comme les filtres et les relations qui déterminent leur mode de calcul. Lorsqu'une personne pose une question, l'IA interprète le langage, mais elle assemble la réponse à partir d'une logique qui a déjà été définie.

La flexibilité réside dans la manière dont les gens posent leurs questions. La cohérence dans la manière dont les chiffres sont calculés.

En rendant le contexte des données déterministe, nous avons éliminé la variation qui provoque la dérive des réponses.

Pourquoi choisir Actian ?

En tant que start-up composée de cinq personnes, notre plus grand défi n'a jamais été le produit. Il s'agissait plutôt de convaincre les entreprises qu'une petite équipe pouvait résoudre des problèmes auxquels Snowflake, Databricks et Microsoft étaient encore confrontés. Et même lorsque nous avons prouvé que nous en étions capables, une nouvelle question se posait : existeriez-vous encore dans trois ans ?

C'est ce qui nous a conduits vers Actian — et honnêtement, cela semble tellement logique à bien des égards que cela paraît presque inévitable.

Pour que l'analyse IA fiable fonctionne en production, il faut plus qu'un agent intelligent. Il faut gouvernance. Une qualité des données. Une traçabilité. Une gestion. Un contrôle d'accès. Une infrastructure complexe et peu attrayante qui détermine si les agents IA peuvent réellement fonctionner de manière fiable dans une grande organisation.

Actian a passé des décennies à construire exactement cela. Il ne manquait plus que l'intelligence artificielle pour relier le tout, et c'est ce que nous apportons.

Nous avons tous vu des démonstrations qui fonctionnent à merveille. Une question bien formulée, une réponse claire. Mais l'analyse d'entreprise ne se limite pas à des démonstrations. Elle repose sur des centaines de questions spontanées, posées par différentes personnes, de différentes manières. Notre objectif n'a jamais été de créer des démonstrations magiques. Il s'agissait plutôt de créer quelque chose sur lequel les entreprises peuvent réellement compter.

À propos de l'auteur

À propos de Amra Dorjbayar

Amra Dorjbayar est cofondatrice de Wobby (rachetée par Actian en 2026) et responsable du projet Actian AI Analyst. Ancienne journaliste d'investigation et de données primée, Amra a passé de nombreuses années à dévoiler des histoires à partir de jeux de données complexes. Elle a mis à profit cette expertise pour créer des systèmes d'IA « agents » qui démocratisent l'accès aux données grâce au langage naturel.