L'analyse par IA donne des réponses différentes à une même question. Découvrez la solution.

Vous posez une question simple à votre outil d'analyse basé sur l'IA : « Qu'est-ce qui a provoqué la baisse des ventes le mois dernier ? »

L'outil fournit une réponse qui semble plausible, voire pertinente. Quelques jours plus tard, vous lui posez la même question, mais en la formulant un peu différemment : « Pourquoi les ventes ont-elles baissé en avril ? »

Cette fois-ci, la réponse est différente. Certes, ce n’est pas un changement radical, mais suffisamment différent pour vous inciter à réfléchir avant d’agir. Tout à coup, votre question ne porte plus sur les ventes du mois dernier. Il s’agit désormais de savoir à quelle réponse vous devez vous fier.

La confiance constitue un enjeu majeur. Selon une étude mondiale menée par KPMG, seules 46 % des personnes dans le monde sont prêtes à faire confiance aux systèmes d'IA. Pourtant, la majorité d'entre elles, soit 66 %, s'appuient sur les résultats fournis par l'IA sans en évaluer la précision, et 56 % commettent des erreurs dans leur travail à cause de l'IA.

Quand la confiance s'effrite

À première vue, les outils d'analyse basés sur l'IA semblent simples. Il suffit de poser une question en langage naturel et courant pour obtenir une réponse. Mais en réalité, il se passe beaucoup de choses en coulisses. Cela signifie que de nombreux problèmes peuvent survenir, comme des réponses incohérentes.

Les outils d'analyse basés sur l'IA fournissent des réponses différentes à des questions identiques ou similaires pour les raisons suivantes :

• Le langage naturel est intrinsèquement ambigu et sujet à interprétation. Les humains excellent dans l'interprétation du contexte, mais les outils d'IA ont du mal à en faire autant. Même de légères variations dans la formulation peuvent donner lieu à des interprétations différentes. Par exemple, la question « Qu'est-ce qui a eu un impact sur notre pipeline au dernier trimestre ? » peut faire référence au pipeline total ou qualifié, à des périodes différentes ou à des étapes de transaction variées. En l'absence de contexte clair, l'IA comble les lacunes, et des hypothèses différentes conduisent à des réponses différentes.
• Il n'existe pas de définitions communes au sein de l'entreprise. Dans la plupart des organisations, indicateurs clés définis de manière uniforme. Par exemple, le service commercial peut définir le pipeline d’une certaine manière, le service financier d’une autre, et le service marketing peut avoir sa propre version liée à l’impact des campagnes. En l’absence d’une définition unique et commune, l’IA ne dispose pas d’une base cohérente sur laquelle s’appuyer, ce qui conduit à des réponses qui, bien que techniquement correctes, peuvent être en décalage avec l’ensemble de l’entreprise.
• Les relations entre les données ne sont pas définies explicitement. Les outils d'analyse basés sur l'IA s'appuient sur la compréhension des liens entre les données au sein des systèmes, notamment la manière dont les tables sont jointes, dont les métriques sont calculées et dont les dimensions sont liées. Lorsque ces relations ne sont pas clairement modélisées, l'IA doit les déduire. Ces conjectures entraînent des jointures incohérentes, des données non concordantes et, au final, des réponses différentes à une même question.

Quand chaque question peut être interprétée de différentes manières, il devient plus difficile de se fier à chaque réponse.

Pourquoi les réponses divergentes constituent un grave problème

Au premier abord, des réponses incohérentes peuvent sembler être un désagrément mineur, mais leur impact négatif peut être considérable. Ces incohérences se manifestent notamment par :

• Des chiffres contradictoires entre les équipes. Lorsque différents utilisateurs obtiennent des réponses différentes à la même question, la cohésion et la confiance s'effritent. Les réunions ne portent plus sur « Que devons-nous faire ensuite en fonction des résultats de l'IA ? », mais sur « Pourquoi nos chiffres diffèrent-ils ? ». Sans réponses cohérentes, la dynamique s'essouffle rapidement et l'adoption des outils d'IA ralentit.
• Un ralentissement prise de décision. Lorsque les réponses ne sont pas fiables, chaque décision doit être validée. Les équipes se mettent à vérifier à deux fois les données et les hypothèses de l'IA. Des décisions qui devraient être simples et ne prendre que quelques minutes finissent par prendre des heures, voire des jours, ce qui entraîne des occasions manquées.
• Une dépendance accrue vis-à-vis des analystes. Les outils d'analyse basés sur l'IA sont censés réduire la dépendance vis-à-vis des équipes chargées des données et des analystes. Lorsque les résultats ne sont pas cohérents, c'est l'inverse qui se produit. Les analystes sont alors sollicités pour aplanir les divergences, expliquer les résultats et valider leur exactitude. On se retrouve alors avec les mêmes goulots d’étranglement cherchait à éliminer.

De nombreuses entreprises pensent que des modèles d'IA plus récents ou de meilleures instructions permettront de résoudre le problème. En réalité, même les modèles d'IA les plus avancés reposent toujours sur l'interprétation du langage humain. Si une question est ambiguë, la réponse le sera aussi.

Les outils d'analyse basés sur l'IA transforment le langage naturel en requêtes. Cela signifie que si les données sous-jacentes ne disposent pas de définitions cohérentes, présentent des relations floues et ne sont pas correctement gérées, les réponses reposent sur des bases instables.

Résoudre le problème de l'incohérence

Cette incohérence n'est pas due à la technologie de l'outil. Il s'agit d'un problème structurel, ce qui signifie que la solution doit elle aussi être structurelle. Voici à quoi cela ressemble concrètement :

• Des définitions cohérentes des indicateurs. Chaque indicateur clé, tel que le taux de désabonnement, le chiffre d'affaires et le pipeline, doit disposer d'une définition unique partagée par l'ensemble de l'organisation. Un terme « communément compris » peut prêter à confusion. En revanche, un indicateur défini une seule fois et appliqué partout permet de garantir qu'une même question donne toujours la même réponse, que les équipes sont alignées et que l'IA dispose d'une base claire pour générer des résultats.

Action : Définir et centraliser les métriques dans une couche régie de manière à ce que chaque requête la même logique.

• Mettre en évidence les relations entre les données. Les outils d'analyse basés sur l'IA doivent comprendre comment les données s'articulent au sein de l'entreprise. Cela implique notamment de savoir comment les tables sont liées entre elles et comment les indicateurs sont calculés. Sans cette compréhension, l'IA devine comment relier et interpréter les données, ce qui conduit à des résultats incohérents.

Action : Montrer comment les données s'interconnectent entre les systèmes afin que les relations soient explicites et non pas implicites.

• Des garde-fous pour la manière dont les questions sont traitées. De nombreux outils d'IA présentent des lacunes car ils ne disposent pas de garde-fous appropriés pour garantir la fiabilité des réponses. Pour assurer cohérence, les outils d'IA ont besoin d'un contexte métier lors de la génération des requêtes et de contraintes qui empêchent les interprétations multiples.

Action : Mettre en place une logique métier contrôlée et une transparence permettant de retracer et de valider chaque réponse.

Le fait d'appliquer des définitions claires et de mettre en place des garde-fous permet d'obtenir des résultats reproductibles à grande échelle.

cohérence la confiance

L'analyse par l'IA recèle un potentiel énorme. Elle permet de mieux exploiter les données, de réduire goulots d’étranglement la production d'informations exploitables et d'aider les équipes à gagner en rapidité. Cependant, aucun de ces avantages n'a d'importance si l'on ne peut pas se fier aux résultats obtenus.

Cette confiance ne repose pas sur la rapidité ou la sophistication de l'outil. Elle repose sur cohérence. Si une même question donne systématiquement la même réponse, quel que soit l'utilisateur ou l'équipe, la confiance s'installe. L'outil est alors largement adopté, et l'analyse des données se généralise à l'ensemble de l'entreprise.

Sinon, c'est l'inverse qui se produit. Les équipes se rabattent sur des tableaux de bord, les analystes deviennent goulots d’étranglement et l'IA se transforme en une énième initiative qui ne parvient jamais à générer pleinement la valeur escomptée. Ce problème peut être résolu. Avec l'outil adéquat, l'analyse par l'IA fournit des réponses cohérentes et fiables sur lesquelles les équipes peuvent compter au quotidien. C'est alors que l'IA devient un moteur fiable pour les décisions commerciales.

Découvrez comment des réponses cohérentes et fiables sont générées dans la pratique.

À propos de l'auteur

À propos de Actian Corporation

Actian permet aux entreprises de gérer et de gouverner leurs données en toute confiance, quelle que soit leur ampleur. Les organisations font confiance aux solutions gestion des données d'intelligence des données d'Actian pour rationaliser leurs environnements de données complexes et accélérer la mise à disposition de données prêtes pour l'IA. Conçues pour être flexibles, les solutions Actian s'intègrent de manière transparente et fonctionnent de manière fiable dans les environnements sur site, dans le cloud et hybrides. Pour en savoir plus sur Actian, la division données et IA de HCL Software, rendez-vous sur actian.com.