Trois bons chiffres peuvent raconter trois histoires
Une entreprise demande combien de ventes elle a réalisées le mois dernier. La caisse compte les transactions, le logiciel de facturation compte les factures émises et la banque compte les paiements reçus. Les trois nombres diffèrent, sans qu’aucun système soit nécessairement en panne. Une commande peut être facturée plus tard, un dépôt peut regrouper plusieurs achats et un remboursement peut appartenir à un autre mois. Le problème se présente comme un écart de données, mais il commence par une définition. Imaginons une boulangerie fictive. Sa caisse indique 312 transactions, son registre de commandes en gros contient 294 dossiers et son compte bancaire montre 276 dépôts associés à la période. Si le propriétaire demande à un assistant IA de produire « les ventes de septembre », le modèle peut choisir le nombre le plus accessible ou additionner des unités incompatibles. Une réponse fluide ne révèle pas forcément ce choix. Avant de connecter les systèmes, l’équipe doit préciser si elle veut mesurer la demande, le revenu facturé, l’argent encaissé ou le nombre de clients servis. Chacun répond à une décision différente.
La cohérence est une dimension de la qualité, pas un détail technique
Statistique Canada évalue la qualité des données selon six dimensions : pertinence, exactitude, actualité, accessibilité, interprétabilité et cohérence. Dans sa formation sur la qualité, l’organisme explique que la cohérence dépend notamment de l’utilisation des mêmes concepts, définitions et méthodes dans le temps et entre les programmes. Il recommande aussi des métadonnées qui permettent d’interpréter correctement un ensemble de données. Autrement dit, un chiffre n’est pas complet sans une explication de ce qu’il représente. Cette idée s’applique directement à une petite entreprise. Un champ nommé « client » peut désigner une personne, un compte familial ou une organisation. « Fermé » peut vouloir dire accepté verbalement, signé, facturé ou payé. Deux services peuvent employer le même mot pour des événements différents. Un outil d’IA améliore la vitesse de rapprochement, mais il n’ajoute pas spontanément une définition commune. S’il reçoit des colonnes ambiguës, il peut produire un résumé cohérent en apparence à partir de données qui ne sont pas comparables.
Ce que l’IA peut faire une fois le sens établi
Un billet d’AI Optimize décrit une approche qui part des décisions réelles plutôt que de tout ce qu’un système pourrait mesurer. Il observe aussi que des renseignements importants restent dans des formats difficiles à exploiter : factures PDF, courriels, notes libres et relevés de fournisseurs. C’est ici que l’IA apporte une capacité utile. Elle peut extraire des champs, relier une commande à une facture, signaler un dossier incomplet et expliquer pourquoi un indicateur a changé. Cette observation opérationnelle n’est pas une mesure représentative de toutes les entreprises. Notre interprétation est que l’IA devrait agir après l’accord sur la métrique, comme un lecteur et un contrôleur. Pour la boulangerie, elle peut associer chaque commande en gros à sa facture et à son paiement, puis classer les écarts : paiement en retard, facture annulée, dépôt regroupé ou dossier sans référence. Elle peut ensuite produire deux chiffres séparés, revenu facturé et revenu encaissé, avec la liste des éléments qui expliquent la différence. Ce résultat soutient une décision parce qu’il conserve la trace des dossiers, au lieu de remplacer plusieurs nombres par une moyenne arbitraire.
Écrire un petit contrat pour chaque indicateur
Avant d’automatiser un rapport, une équipe peut créer une fiche d’indicateur d’une demi-page. Elle nomme la décision soutenue, l’unité comptée, l’événement qui déclenche le compte, la période, les exclusions, la source officielle et la personne responsable. Elle précise aussi la fraîcheur attendue. Un rapport de trésorerie peut avoir besoin des paiements reçus chaque matin; une analyse des ventes peut attendre la clôture et inclure les ajustements. Ces deux rapports n’ont pas à partager le même chiffre. Pour « commandes vendues », la boulangerie pourrait décider qu’une vente existe lorsqu’une commande est acceptée et qu’un prix est confirmé, même si le paiement arrive plus tard. Les annulations sont retirées à leur date, les échantillons gratuits sont exclus et toutes les heures suivent le fuseau du Québec. La source officielle est le système de commandes; la caisse sert à vérifier les achats au comptoir et la banque à rapprocher les encaissements. L’assistant reçoit cette fiche avec les données. S’il rencontre un cas qui ne correspond pas aux règles, il doit le placer dans une file d’exception plutôt que d’inventer une catégorie.
Les définitions doivent pouvoir changer sans effacer l’histoire
Une définition utile aujourd’hui peut devenir insuffisante après l’ouverture d’une succursale, l’ajout d’abonnements ou un changement de politique de remboursement. L’entreprise doit donc dater ses règles et conserver les versions. Lorsqu’une définition change, il faut décider si les mois précédents seront recalculés ou si la rupture sera signalée dans le rapport. Sans cette trace, l’IA peut attribuer une hausse à l’activité alors qu’elle provient simplement d’un nouveau mode de comptage. Cette méthode a aussi des limites. Un accord sur les mots ne corrige pas des transactions manquantes, des doublons ou des dates erronées. L’équipe doit vérifier un échantillon de dossiers, conserver les liens vers les sources et mesurer le nombre d’exceptions. Elle ne devrait pas demander au modèle de trancher seul un désaccord comptable ou contractuel. Le gain vient d’un partage clair des rôles : les responsables définissent ce que l’entreprise veut savoir, les systèmes enregistrent les événements, et l’IA assemble les preuves et repère les incohérences. Quand trois chiffres diffèrent, le premier travail n’est pas de choisir le plus convaincant. C’est de demander quelle décision chacun permet réellement de prendre.
