Arrête de regarder tes dashboards, fais-les parler

Tu as accès à tous tes chiffres. Tu vois que le CPA a grimpé de 30 %. Et tu restes bloqué là, à fixer le graphe, sans savoir pourquoi ni quoi faire. Voilà comment brancher l'IA sur tes données pour qu'elle réponde à ces deux questions, et comment savoir quand ne pas la croire.

Lundi matin. Tu ouvres ton dashboard pub. Le coût par acquisition a bougé de 30 % en une semaine. Le graphe est net, la courbe monte, la donnée est là, sous tes yeux. Et tu es incapable de dire si c'est une campagne qui a dérapé, une audience qui s'est saturée, une saisonnalité, ou juste du bruit.

Tu n'as pas un problème d'accès à la donnée. Tu en as trop. Tu as un problème d'interprétation.

C'est le vrai mur de 2026. L'IA a fait tomber la barrière d'accès : n'importe qui peut sortir un chiffre en une phrase. Mais elle a monté celle d'après, la compréhension. Regarder un dashboard ne suffit plus. Il faut le faire parler.

Le mur a changé de place

Pendant vingt ans, la difficulté était d'obtenir la donnée. Il fallait un analyste, une requête SQL, un export, un tableau croisé. Le marketeur non-tech attendait son chiffre. Aujourd'hui il le sort seul, en langage courant. Le goulot d'étranglement s'est déplacé, de l'accès vers le sens.

Les chiffres le disent. Dans le rapport State of Data & AI Literacy 2026 de DataCamp, mené auprès de plus de 500 dirigeants aux États-Unis et au Royaume-Uni, 88 % jugent la littératie data essentielle au quotidien, mais seulement 42 % forment leurs équipes à grande échelle, et 60 % constatent un déficit de compétences dans leur organisation. Là où ça coince précisément, d'après ces dirigeants : "interpréter les dashboards et les sorties d'IA" et "transformer l'information en décisions saines".

Autrement dit, le problème n'est plus de produire le rapport. C'est de comprendre ce qu'il raconte et de savoir quelle confiance lui accorder. Un graphe qui monte n'est pas une réponse. C'est une question déguisée en réponse.

Faire parler tes données, c'est trois questions

Faire parler un dashboard va plus loin qu'afficher une courbe. C'est lui faire répondre à trois questions dans l'ordre, celles qu'un bon analyste te poserait.

1. Quoi. Qu'est-ce qui a bougé, de combien, sur quelle période. Le constat chiffré. C'est la partie que ton dashboard fait déjà, et la seule.
2. Pourquoi. Décompose le mouvement. Quel canal, quelle campagne, quelle audience porte l'écart. Isole la cause probable au lieu de la moyenne.
3. Et donc. Qu'est-ce que je fais. Une action, ou au moins une hypothèse testable et classée par impact.

Ton dashboard s'arrête à la première. Il te montre le "quoi" et te laisse seul avec le "pourquoi" et le "et donc". Brancher l'IA sur tes données, c'est lui faire enchaîner les trois. Le CPA a monté de 30 % (quoi), portés à 80 % par une seule campagne Meta dont le CTR s'est effondré (pourquoi), donc tu coupes cette campagne avant de toucher au budget global (et donc).

Comment brancher l'IA sur tes données

La bonne nouvelle : les tuyaux existent déjà, et tu n'as pas à coder.

Le standard qui relie une IA à tes outils s'appelle le MCP, pour Model Context Protocol. C'est un protocole ouvert publié par Anthropic en novembre 2024 pour connecter un modèle à des sources de données externes, dans les deux sens. Depuis, il est devenu le connecteur commun de l'industrie. Si tu as lu comment brancher Claude sur tes outils, c'est le même mécanisme, pointé sur tes données au lieu de tes docs.

Côté produit analytics, PostHog expose un serveur MCP hébergé à l'adresse https://mcp.posthog.com/mcp, compatible avec Claude. Une fois branché, tu interroges tes données en langage courant. Une question comme "quelles sont mes 5 principales erreurs cette semaine" te ressort les groupes classés par fréquence et impact utilisateur. Connecter le serveur est gratuit, mais certains outils consomment de l'IA facturée en crédits PostHog, à activer dans les réglages.

Côté web analytics, Google a lancé Ask Advisor dans Google Analytics, en bêta, propulsé par ses modèles Gemini. Il gère explicitement les questions de diagnostic, les "pourquoi" qui enquêtent sur un changement de performance ou une anomalie, et propose des recommandations. Deux limites à connaître : c'est réservé aux propriétés en anglais et ça reste en bêta.

Le résultat n'est plus un graphe. C'est un raisonnement, avec un point d'attaque. Reste à savoir le provoquer, et à ne pas le gober.

La bonne question fait la bonne réponse

L'IA branchée sur tes données est une junior brillante et un peu trop sûre d'elle. Elle répond exactement à ce que tu demandes. Demande mal, elle répond mal, avec le même aplomb.

La différence entre une réponse molle et une réponse qui pilote tient dans la question.

Une bonne question fait quatre choses. Elle donne le constat de départ, elle demande une décomposition et pas une moyenne, elle exige une hypothèse et pas une description, elle borne le périmètre et la période. Tu n'interroges plus une base de données. Tu briefes un analyste. Et un bon brief vaut ici ce qu'il vaut partout : c'est le même réflexe que prompter au niveau d'après, appliqué à tes chiffres.

Savoir quand douter de la réponse

Voilà la moitié que personne ne t'apprend. Une IA branchée sur tes données te répond toujours, et toujours avec assurance. Y compris quand elle a tort.

Elle ne refuse jamais de répondre. Elle écrit, pour aller chercher ton chiffre, une requête qui a l'air juste et qui vise la mauvaise colonne. Une étude de 2026 sur les erreurs des modèles qui traduisent une question en requête (text-to-SQL) en recense 27 types répartis en 7 catégories. La réponse sort propre, formatée, crédible. Rien à l'écran ne signale qu'elle repose sur le mauvais filtre. Même Google note que son Ask Advisor reste en bêta avec des limites de fiabilité.

Douter, ça tient en trois gestes rapides. Rien qui ralentit ton pilotage.

Le fil commun : tu ne demandes pas à l'IA d'avoir raison, tu lui demandes de te montrer son travail. La requête, les données brutes, le volume, les hypothèses concurrentes. C'est le même réflexe que les evals, version pilotage : tu ne crois pas une sortie d'IA sur parole, tu la vérifies sur un point que tu maîtrises.

La routine de pilotage

Trois gestes, à répéter à chaque anomalie qui compte.

Ce que ça change

Tu arrêtes de fixer des courbes en te demandant ce qu'elles veulent dire. Tu poses une question cadrée, tu obtiens une cause probable et une action, et tu vérifies avant de bouger. Le test est simple : à ta prochaine anomalie, chronomètre le temps entre "je vois le mouvement" et "je sais quoi faire". Si tu passes de deux jours à dix minutes, ton dashboard s'est mis à parler.

L'IA n'a pas supprimé le besoin de comprendre tes chiffres. Elle l'a déplacé. Le boulot n'est plus de lire le graphe, c'est de poser la bonne question et de savoir quand douter de la réponse. C'est ça, la compétence data de 2026 pour un marketeur. Pas savoir requêter. Savoir interroger, et vérifier.