BI générative : dialoguer avec vos données

(Deuxième partie de la série : L’évolution de l’intelligence ERP : des données aux agents)

Dans la première partie, nous avons défini la taxonomie.
Nous avons établi que GenAI est l’« assistant » qui comprend le contexte. Mais avant que cet assistant puisse commencer à agir (comme la future IA agentique), il doit d’abord maîtriser une compétence plus simple, mais révolutionnaire : répondre aux questions concernant vos données.

Pour jeter les bases nécessaires aux agents autonomes du futur, il nous faut d'abord réparer une interface défaillante : l'expérience utilisateur des données.

L'interface standard pour les données ERP est le tableau de bord. Bien que les outils de BI modernes soient puissants, ils créent souvent un fossé entre le créateur (qui élabore le rapport) et l' utilisateur (qui le consulte). Si un CEO demande : « Pourquoi la marge est-elle en baisse en Italie ? », le tableau de bord affiche le chiffre. Pour trouver la cause profonde, l'utilisateur doit souvent filtrer, explorer les données en détail ou, si la ventilation spécifique n'était pas prédéfinie, demander à un analyste de créer une nouvelle vue.

La BI générative (GenBI) comble cette lacune. Elle change de paradigme : elle passe de la configuration de rapports à l’interaction avec des données en temps réel.

Les limites du BI statique

L'informatique décisionnelle traditionnelle repose sur un de « réponse construite » :

1. L’analyste anticipe les questions commerciales (par exemple : « Ventes par région »).
2. Ils créent un rapport ou un tableau croisé dynamique.
3. L'utilisateur le consomme.

La contrainte : si les utilisateurs avancés peuvent modifier ces rapports, les utilisateurs métiers manquent souvent de temps ou de compétences techniques pour le faire. Lorsqu’ils ont une question qui n’est pas prise en compte par les filtres existants – par exemple :« Afficher les ventes par région, mais exclure les articles abandonnés du troisième trimestre »– leur travail est bloqué. Ils sont tributaires de la conception du rapport.

La révolution « Text-to-SQL »

GenBI permet à tout utilisateur d'interroger des données en langage naturel, remplaçant ainsi la nécessité de maîtriser le glisser-déposer par une barre de discussion. Ceci repose sur une architecture d'IA spécifique appelée Text-to-SQL.

Lorsqu'on utilise une interface GenBI (comme Wren AI ou les fonctionnalités de requête en langage naturel d' Infor OS), le flux de travail change :

1. Question posée par l'utilisateur : « Afficher les bons de commande ouverts du fournisseur « SteelCorp » dont le délai est supérieur à 5 jours. »
2. La traduction (LLM) : Le Large Language Model analyse la requête.
3. La couche sémantique (élément clé) : L’IA utilise une « couche sémantique » (un glossaire métier associant les termes aux tables de la base de données). Elle comprend que « Fournisseur » fait référence à tccom100 et que « Retardé » signifie comparer la date de réception prévue à la date du jour.
4. L'exécution : Elle génère une requête SQL précise, l'exécute sur le lac de données et renvoie le résultat en temps réel.

Pourquoi la couche sémantique est essentielle : sans couche sémantique (comme la structure de données d’Infor OS), GenBI ne peut pas fonctionner correctement. Si l’IA ne connaît pas la définition précise de la « marge brute » ou du « respect des délais de livraison » dans l’ERP, elle générera des requêtes erronées. La qualité de la technologie dépend de la qualité des définitions de données sous-jacentes.

De « Recherche » à « Navigation »

L'objectif de GenBI dans un contexte ERP est de réduire le délai d'accès aux informations. Prenons l'exemple d'une différence dans le flux de travail quotidien :

Méthode standard : Vous voyez un indicateur de performance clé (KPI) rouge. Vous accédez au menu. Vous ouvrez la session « Commandes clients ». Vous filtrez par date. Vous filtrez par statut. Vous trouvez la commande. Enfin, vous l’ouvrez.

La méthode GenBI :

• Demandez : « Montrez-moi les 5 commandes critiques bloquées par la vérification de crédit. »
• Affichage : Le système renvoie instantanément la liste précise des identifiants de commande.
• Navigation : Copiez l'identifiant (ou cliquez sur le lien profond) et accédez directement à la session spécifique pour la débloquer.

Le changement : Vous n'avez pas encore automatisé l'action, mais vous avez complètement supprimé le temps d'investigation nécessaire pour trouver ce qui nécessite une attention particulière.

Regardez : Découvrez comment fonctionnent concrètement les interfaces texte-SQL :

L'essor des outils de conversion texte-SQL

Ce changement ne se limite pas à un seul écosystème. On observe une augmentation exponentielle des outils dédiés à la résolution du problème « Discuter avec une base de données ».

Voici quelques acteurs clés qui redessinent ce secteur :

• Wren AI : Un moteur sémantique open source axé sur la précision. Son atout majeur réside dans l’utilisation d’un langage de définition de modélisation (MDL) pour créer la couche sémantique essentielle dont nous avons parlé, garantissant ainsi que l’IA comprenne la logique métier et pas seulement les noms de tables.
• Vanna AI : Bibliothèque open source basée sur Python permettant aux développeurs d’entraîner un modèle spécifiquement sur leur schéma de base de données (à l’aide de RAG). Elle offre une grande flexibilité pour la création d’outils internes personnalisés.
• Text2SQL.ai / Dataherald: Plateformes spécialisées souvent axées sur les contextes d'entreposage de données, proposant des approches « API-first » pour intégrer des requêtes en langage naturel dans les tableaux de bord existants.

La différence : tandis que des outils comme Vanna sont des bibliothèques permettant aux développeurs de créer des solutions personnalisées, des plateformes comme Wren AI visent à fournir des interfaces GenBI complètes, prêtes à l’emploi pour les utilisateurs métiers. Dans l’écosystème Infor, ces fonctionnalités sont directement intégrées à la plateforme, mais la logique sous-jacente demeure inchangée.

Le bilan de la réalité

Bien que la technologie existe, la mise en œuvre de GenBI dans un ERP de fabrication complexe est plus difficile que dans un simple CRM.

• Complexité : Infor LN comporte des milliers de tables. L’IA a besoin d’une mémoire contextuelle pour comprendre ces relations.
• Confiance : Si l'IA indique « Valeur des stocks : 5 millions de dollars » et que le Finance affiche « 5,2 millions de dollars », la confiance des utilisateurs s'évapore immédiatement.

GenBI est le terrain d'entraînement de l'avenir. Avant de confier les rênes à l'IA agentique (abordée dans la partie 3), nous devons nous assurer que le système interprète les données. S'il est incapable de répondre correctement à une question, on ne peut certainement pas lui faire confiance pour exécuter une tâche de manière autonome.

Prochain sujet : nous analyserons « l’illusion de l’agent »— en explorant pourquoi le battage médiatique autour des agents entièrement autonomes se heurte souvent à la réalité rigide des transactions ERP, nécessitant une stratégie sérieuse de « maintien de l’humain dans la boucle ».

Écrit par Andrea Guaccio 

22 décembre 2025