FRENNous contacter

· Par Équipe HeyData

Assistant IA et Qlik : pourquoi il se trompe sur vos chiffres, et comment préparer vos applications

Brancher un assistant IA sur Qlik Cloud ne prend plus qu’une journée : le serveur MCP de Qlik donne à Claude ou ChatGPT l’accès à vos applications, à vos produits de données et à votre glossaire, avec les droits de chaque utilisateur. Qlik Answers fait de même à l’intérieur de la plateforme.

Les premières questions arrivent vite, et avec elles une déception fréquente : l’assistant répond avec assurance, mais pas toujours juste. La cause est rarement le modèle de langage. Elle est presque toujours dans l’application.

Pourquoi l’assistant se trompe

Un assistant ne connaît de votre application que ce qu’elle dit d’elle-même : des noms de champs, des tables, éventuellement des descriptions. Face à un champ CA_HT_N1_cumul, à trois tables de dates ou à une mesure que chaque feuille calcule à sa façon, il fait ce que ferait un nouvel arrivant sans documentation : il devine.

Il choisit un champ qui « ressemble » à la bonne réponse, écrit sa propre formule de chiffre d’affaires, ignore une exclusion que tout le monde connaît dans l’équipe. Le résultat est plausible, bien formulé, et faux.

Le serveur MCP ne crée donc pas de valeur : il révèle celle qui est déjà présente dans votre modèle. Deux applications branchées sur le même assistant donneront des réponses de qualité très différente selon leur préparation.

Premier levier : les Master Items

Qlik le documente clairement : Qlik Answers s’appuie en priorité sur les dimensions et les mesures maîtres plutôt que sur les champs bruts. Une mesure maître « Chiffre d’affaires » avec sa formule officielle, c’est une formule que l’assistant n’a plus à inventer.

  • Créez une mesure maître pour chaque indicateur que vos utilisateurs demandent réellement, avec un nom métier.
  • Créez les dimensions maîtres correspondantes, en particulier pour les axes de temps et les hiérarchies.
  • Classez-les par tags : ils servent aussi aux humains qui maintiennent l’application.

Deuxième levier : les descriptions et le glossaire

Le nom ne suffit pas. Pour Qlik Answers, la description d’un Master Item est sa signification principale. Une bonne description dit ce que mesure l’indicateur, son périmètre et ce qu’il exclut, en une ou deux phrases.

Le glossaire métier va plus loin : un terme relié à une mesure maître lui apporte sa définition et ses synonymes, que l’assistant utilise pour comprendre le vocabulaire de vos utilisateurs (« CA », « ventes », « revenu »). Deux règles à connaître :

  • en cas de désaccord entre la description et la définition du terme, Qlik Answers ne mélange pas les deux et retient la description du Master Item : gardez-les cohérentes ;
  • les Master Items et leurs termes sont lus à l’indexation : une modification du glossaire demande une nouvelle indexation pour être prise en compte.

Rédiger un glossaire de zéro a fait échouer bien des projets de gouvernance. Aujourd’hui, l’IA peut en proposer une première version à partir de l’application : vos experts n’ont plus qu’à valider, ce qui prend cinq à dix fois moins de temps que rédiger.

Troisième levier : un modèle de données lisible

Le reste du travail est de l’hygiène de modélisation, que tout développeur Qlik connaît, mais qui pèse ici directement sur la qualité des réponses :

  • des noms de champs explicites, et des champs différents renommés pour que leur usage soit évident ;
  • des champs techniques (clés, identifiants, horodatages de chargement) masqués, par exemple avec le préfixe % et HidePrefix ;
  • pas de clé synthétique, qui signale en général une erreur de modèle ;
  • des dates chargées comme de vraies dates, pas comme du texte ;
  • aucune donnée personnelle inutile dans le modèle.

Enfin, l’application doit être rendue disponible dans Qlik Answers pour être indexée ; elle est ensuite réindexée à chaque rechargement.

Mesurer avant de corriger

Par où commencer quand on a des dizaines d’applications ? Nous avons construit pour cela l’AI Readiness Monitor : une application Qlik qui lit les API de votre tenant et note chaque application sur 100, à partir de 17 contrôles qui couvrent les leviers de cet article. Le plan d’action trie les corrections par points à gagner, et l’évaluation suivante confirme chaque progrès.

Le score se traduit en niveau de maturité, de « Lisible » (l’assistant explore le modèle seul) à « Gouverné » (il qualifie la source, la fraîcheur et la fiabilité). Notre démarche complète, sur site ou avec Qlik Cloud MCP, est présentée sur notre page Offre.

À retenir

  • Le modèle de langage n’est pas le problème. La justesse des réponses se joue dans l’application, pas dans le choix de l’assistant.
  • Des Master Items d’abord. Chaque indicateur demandé doit avoir sa mesure maître, avec un nom métier.
  • Des descriptions et un glossaire cohérents. La description donne le sens, le glossaire apporte les synonymes ; en cas de conflit, la description l’emporte.
  • Un modèle propre. Champs explicites, champs techniques masqués, pas de clé synthétique, de vraies dates.
  • L’IA propose, l’humain valide. Descriptions et glossaire portent un sens métier : un expert les valide avant publication.

Sources