Contexte
Le socle BI construit depuis 2021 a fait du décisionnel un outil central de pilotage. Il montre aussi ses limites : Power BI reste un très bon outil, mais il est coûteux à mesure que les usages s’élargissent, et la préparation des données demeure fastidieuse dès qu’il faut agréger plusieurs sources.
En juin 2026, j’ai ouvert un POC à la demande de la direction générale, sur deux questions liées : comment agréger des données facilement et localement, et ce que l’IA apporte réellement à leur analyse au-delà du discours ambiant.
Rôle
- Je suis à ce jour le seul à avoir travaillé sur le projet.
- J’ai pris en main DuckDB et construit le socle d’agrégation.
- J’ai écrit un RAG dédié, portant sur la manière d’analyser et de requêter ce socle, pour donner au modèle le contexte nécessaire.
- J’ai développé un agent chargé de l’exécution des requêtes et du dialogue avec le modèle de langage.
- J’ai branché la chaîne sur l’API Mistral pour aller vite, après avoir vérifié qu’elle fonctionne également avec un modèle exécuté localement.
Périmètre / fonctionnalités
- Agrégation locale, dans un socle DuckDB, de données issues de plusieurs sources internes.
- Restitution ouverte à plusieurs modes de consommation selon l’usage : Power BI Desktop, Apache Superset, intranet et Excel.
- Prompt utilisateur permettant de lancer des analyses plus spécifiques, en réponse à des besoins ponctuels de responsables de service, sans passer par une demande de développement.
- Agent d’exécution qui traduit la demande en requêtes sur le socle, les exécute et renvoie les résultats au modèle pour analyse.
- RAG dédié au schéma et aux règles de requêtage, qui cadre ce que le modèle peut interroger et comment.
- Génération périodique de rapports d’analyse produits par l’IA sur des indicateurs de base, avec l’objectif de détecter des anomalies de production, de rentabilité ou de gestion et d’alerter les décideurs.
- Technologies mobilisées : DuckDB, RAG, agent d’exécution de requêtes, API Mistral ou modèle local, Power BI Desktop, Apache Superset, Excel.
Décisions / arbitrages
- Local et sobre d’abord : j’ai retenu DuckDB pour agréger localement, sans serveur analytique dédié ni coût de plateforme, plutôt que d’empiler une couche supplémentaire sur l’existant.
- Découpler le socle de la restitution : le socle ne dépend pas de l’outil qui l’affiche. Power BI reste utilisable là où il est pertinent, Superset, l’intranet et Excel couvrent les autres usages. Le pilotage cesse ainsi de dépendre d’un seul produit et de son modèle de licence.
- API pour la vitesse, local pour la maîtrise : j’ai utilisé l’API Mistral pour valider rapidement, tout en gardant la compatibilité avec un modèle local afin de ne pas enfermer l’usage dans une dépendance externe.
- Encadrer le modèle plutôt que lui faire confiance : le RAG et l’agent servent à borner ce que l’IA interroge et comment, au lieu de laisser un modèle produire librement des requêtes sur les données de l’entreprise.
- POC assumé comme tel : je n’ai pas cherché la mise en production immédiate. L’objectif était de démontrer la capacité, d’en mesurer les limites et de donner à la direction de quoi arbitrer.
Résultats / apports
- Les premiers résultats sont concluants : la chaîne agrégation, requêtage puis analyse fonctionne de bout en bout.
- Le dispositif n’est pas en production. Il reste à cadrer le format des rapports et les conditions d’usage de l’IA avant toute ouverture aux utilisateurs.
- Le POC démontre une capacité nouvelle pour l’entreprise : interroger et analyser ses propres données sans dépendre d’un outil unique ni d’un développement spécifique pour chaque demande.
- Il ouvre une voie de réduction du coût et de la charge de préparation par rapport au dispositif décisionnel actuel.
- Il prolonge concrètement l’orientation que je défends sur l’IA : un levier intégré aux processus métier, adossé à des données maîtrisées, plutôt qu’une couche isolée posée sur le SI.