Des données financières aux décisions prêtes pour l'IA : Power BI, Microsoft Fabric, modèles sémantiques et agents IA avec Rishi Sapra [MVP]

Que se passe-t-il lorsque des agents IA commencent à interpréter les données financières et commerciales, et non plus seulement à les afficher ?Dans cet épisode de M365.FM, Mirko Peters s'entretient avec Rishi Sapra, Microsoft MVP, sur l'architecture nécessaire pour dépasser les tableaux de bord traditionnels et aller vers une analytique pilotée par l'IA et sensible au contexte, avec Microsoft Fabric, Power BI, Copilot Studio, les modèles sémantiques, les ontologies et les agents de données.Les organisations disposent déjà d'énormes volumes d'informations réparties entre les systèmes ERP, les classeurs Excel, les rapports Power BI, Microsoft Fabric, SharePoint, les systèmes financiers, les budgets, les prévisions et les applications opérationnelles.Ajouter l'IA par-dessus ces données ne signifie pas automatiquement que l'IA comprend l'entreprise.Que signifie réellement le « chiffre d'affaires » ? Quelle définition de la marge un agent IA doit-il utiliser ? Quels KPI représentent la version officielle de la vérité ? Et comment un agent comprend-il les relations entre clients, produits, régions, centres de coûts, contrats et processus métier ?La réponse réside de plus en plus dans la couche de contexte qui se situe entre les données brutes et l'IA.

DE LA BI EN LIBRE-SERVICE À L'IA EN LIBRE-SERVICE
Rishi explique son parcours, de la modélisation financière et d'Excel à Power Query, en passant par les débuts de Power BI, jusqu'à l'écosystème actuel de Microsoft Fabric et de l'IA.Power BI a contribué à sortir la business intelligence des départements informatiques centralisés pour la mettre entre les mains des utilisateurs métier.Mais la plateforme est également devenue nettement plus sophistiquée.Modèles sémantiques, DAX, lakehouses, OneLake, Direct Lake, Copilot Studio, agents de données, ontologies, outils basés sur MCP, gouvernance et IA composent désormais une architecture qui peut rapidement devenir difficile à appréhender pour les utilisateurs métier individuels.Les agents IA pourraient modifier cette relation.Plutôt que d'exiger de chaque utilisateur métier qu'il devienne à la fois ingénieur données, développeur BI et ingénieur IA, les agents pourraient de plus en plus construire et exploiter une partie de l'architecture technique, tandis que les humains apportent le contexte métier.

POURQUOI LE CONTEXTE MÉTIER COMPTE POUR L'IA
L'une des questions centrales de l'épisode est étonnamment simple :Dans quelle mesure vos processus et décisions métier sont-ils documentés ?Une grande partie de la connaissance réelle d'une organisation ne réside pas dans une base de données. Elle existe dans les formules Excel, les mesures Power BI, les fichiers SharePoint, les processus métier, la documentation, et dans la tête des collaborateurs.Pour que des agents IA produisent des analyses métier pertinentes, les organisations doivent capturer bien plus que des données.Elles doivent capturer du contexte.Qui pose la question ?Quelles décisions cette personne doit-elle prendre ?Quels KPI comptent ?Quelles règles métier s'appliquent ?Que signifie une mesure donnée dans ce contexte particulier ?Cela conduit au concept d'analyses centrées sur les personas : concevoir l'analytique autour des décisions et des questions de chaque utilisateur métier, plutôt que de simplement exposer davantage de données.

MODÈLES DE DONNÉES, MODÈLES SÉMANTIQUES ET ONTOLOGIES
La conversation explore trois concepts de plus en plus importants dans l'architecture analytique moderne de Microsoft.Un modèle de données structure les données sous-jacentes et leurs relations.Un modèle sémantique Power BI ajoute la logique métier, les mesures, les calculs, les relations et la sécurité, créant ainsi une couche analytique gouvernée et une source fiable pour les KPI.Mais l'IA a souvent besoin de davantage.Une ontologie peut décrire les entités métier et leurs relations de manière à permettre à l'IA de raisonner sur des concepts tels que clients, produits, magasins, collaborateurs, régions, contrats, chiffre d'affaires et processus métier.Les modèles sémantiques aident à répondre à la question :« Quel est le chiffre ? »Les ontologies et le contexte complémentaire peuvent aider l'IA à investiguer :« Pourquoi ce chiffre a-t-il changé ? »Ensemble, ces couches offrent un ancrage beaucoup plus solide aux agents IA.

MICROSOFT FABRIC COMME FONDATION DE DONNÉES POUR L'IA
Microsoft Fabric joue un rôle central dans cette architecture.OneLake, les Lakehouses, les tables Delta, les modèles sémantiques, Direct Lake, les agents de données Fabric et l'intégration avec Copilot Studio peuvent créer une base unifiée pour les données organisationnelles structurées et non structurées.L'épisode explique également pourquoi Direct Lake est important.Au lieu d'importer et de rafraîchir sans cesse les données dans des modèles sémantiques Power BI traditionnels, Direct Lake permet à Power BI de travailler directement avec les données stockées au format Delta tout en maintenant les performances analytiques.Cela peut simplifier considérablement le chemin entre les données d'entreprise, l'analytique et l'IA.

LES CINQ COUCHES D'UN « CERVEAU ORGANISATIONNEL »
Rishi décrit un « cerveau organisationnel » construit autour de cinq couches interconnectées :Données — informations d'entreprise fiables et systèmes sources.Logique — DAX, SQL, Python, calculs, KPI et règles métier.Outils — modèles sémantiques, API, serveurs MCP, applications et autres capacités que les agents peuvent utiliser.Compétences — instructions et processus métier décrivant comment les agents doivent utiliser ces outils et interpréter les informations.Gouvernance — autorisations, politiques, sécurité, contrôles et règles encadrant ce que les agents sont autorisés à faire.Le but n'est pas simplement de donner à un LLM accès à davantage de données.Le but est de fournir à l'IA un environnement gouverné dans lequel elle comprend quelles données, logiques, outils et processus doivent être utilisés pour une question métier donnée.

LES AGENTS IA ONT BESOIN DE DONNÉES DÉTERMINISTES
L'IA générative est puissante parce qu'elle peut raisonner de manière souple.Le reporting financier ne peut pas reposer entièrement sur la souplesse.Le chiffre d'affaires, les marges, les prévisions, les coûts et d'autres indicateurs métier exigent souvent des calculs déterministes et une source de vérité gouvernée.L'épisode explore pourquoi l'avenir de l'IA d'entreprise dépend donc probablement de la combinaison de deux mondes :Le calcul déterministe pour les calculs fiables et la logique métier.L'IA générative pour le raisonnement, l'interprétation, l'exploration et l'interaction en langage naturel.Les modèles sémantiques et Microsoft Fabric peuvent fournir la fondation déterministe, tandis que les agents IA apportent la couche de raisonnement flexible.

DES TABLEAUX DE BORD À L'INTELLIGENCE PERSONNALISÉE
Les tableaux de bord traditionnels indiquent aux utilisateurs ce qui s'est passé.Un tableau de bord peut montrer que le chiffre d'affaires a baissé de sept pour cent. L'utilisateur doit alors explorer les dimensions, les filtres, les rapports et les jeux de données pour comprendre pourquoi.Les agents IA peuvent potentiellement effectuer automatiquement une grande partie de cette exploration.Mais une bonne narration exige toujours du contexte.Le chiffre le plus important n'est pas toujours le plus grand. Un indicateur métier peut devoir être interprété par rapport au chiffre d'affaires, au budget, aux périodes précédentes, à la structure organisationnelle ou à d'autres facteurs.C'est là que l'analytique centrée sur les personas devient particulièrement importante.Le DAF, le responsable commercial et le responsable opérationnel peuvent tous interroger le même KPI tout en ayant besoin d'explications et d'actions très différentes.

COPILOT STUDIO ET LA NOUVELLE GÉNÉRATION D'AGENTS
La conversation explore aussi l'évolution de Microsoft Copilot Studio, depuis les chatbots traditionnels fondés sur des sujets et des bases de connaissances vers des systèmes agentiques plus capables.Les agents modernes peuvent combiner outils, compétences, données d'entreprise, flux de travail et raisonnement.Cette capacité supplémentaire introduit aussi davantage de risques.Plus un agent reçoit d'autonomie, plus l'ancrage, les autorisations, la gouvernance, l'évaluation et des instructions clairement définies deviennent importants.Les agents IA ne doivent pas inventer des chiffres financiers ni choisir arbitrairement leurs sources de données.Ils ont besoin de modèles sémantiques de confiance, de données gouvernées, de compétences explicites et de garde-fous clairs.

RENDRE LA GOUVERNANCE À NOUVEAU EFFICACE
La gouvernance devient encore plus importante dans une organisation agentique.Plutôt que de traiter la gouvernance comme un document que les collaborateurs sont censés lire, les organisations peuvent de plus en plus intégrer directement la gouvernance dans les environnements, politiques, compétences et instructions utilisés par les agents IA.La discussion explore l'idée de traiter les agents davantage comme des collaborateurs numériques.Ils ont besoin de responsabilités définies, d'outils approuvés, de permissions d'accès, de règles métier, d'attentes de performance et de limites claires.La gouvernance devient donc moins une question de documentation et davantage une question d'application automatisée.

LE MODÈLE OPÉRATIONNEL POUR FABRIC ET L'IA
Enfin, l'épisode examine comment les organisations peuvent gérer cet