J’appelle Declarative Business Intelligence une approche où le raisonnement d’affaires devient un actif déclaratif au même titre que les données, les métriques ou les connaissances.
Lorsque j’ai complété ma maîtrise en intelligence d’affaires, la discipline vivait une période de transformation majeure. Les organisations investissaient massivement dans les entrepôts de données, les processus ETL, les modèles dimensionnels et les tableaux de bord interactifs. Pour plusieurs entreprises, il s’agissait de la première occasion de centraliser leurs données, de produire des indicateurs fiables et de démocratiser l’accès à l’information. Cette architecture, popularisée notamment par les travaux de Bill Inmon et Ralph Kimball, a profondément transformé la manière dont les organisations prennent leurs décisions.
Au cours de la dernière décennie, cette architecture a continué d’évoluer. Les entrepôts de données ont migré vers le nuage, l’Analytics Engineering a introduit une approche plus rigoureuse des transformations de données, les couches sémantiques ont commencé à centraliser les définitions d’affaires et les pratiques inspirées du génie logiciel. Malgré ces avancées, le modèle de développement d’une solution BI est demeuré étonnamment stable. Nous continuons essentiellement à construire des plateformes dont le produit final est un tableau de bord destiné à être consulté par un humain. Le BI produit des représentations.
L’arrivée des grands modèles de langage (LLM) et, plus récemment, des agents d’intelligence artificielle, remet cette hypothèse en question. La plupart des discussions portent actuellement sur la capacité des modèles à répondre à des questions, à générer du SQL. Bien que ces usages soient prometteurs, ils ne constituent probablement que des améliorations incrémentales et non d’une refonte des pratiques et des modes de fonctionnements du BI.
Si nous devions concevoir aujourd’hui un environnement décisionnel dans une organisation, en supposant que les agents IA en feront demain partie intégrante, construirions-nous encore cet environment de la même manière ?
Dans le fond, si le consommateur de vos données a changé, il est légitime de se demander si sa représentation doit, elle aussi, évoluer.
Je crois que cette seconde voie mérite d’être explorée. Cet article propose une réflexion sur ce que pourrait être une nouvelle discipline que j’appelle Declarative Business Intelligence : une approche où l’ensemble des couches de l’intelligence d’affaires se voit être une déclaration pour vos agents.
Pourquoi le raisonnement est-il un actif de l’entreprise ?
Une organisation ne se distingue pas uniquement par les données qu’elle possède, mais aussi par la manière dont elle les interprète. Deux entreprises d’un même secteur, disposant d’indicateurs similaires, peuvent parvenir à des conclusions différentes parce qu’elles ne mobilisent ni les mêmes hypothèses, ni les mêmes méthodes d’investigation, ni les mêmes critères de décision.
Ce raisonnement est le fruit de l’expérience accumulée par les experts de l’organisation. Pourtant, contrairement aux données, aux modèles ou aux procédures, il demeure rarement explicité. Il se transmet par l’expérience, les échanges informels ou le compagnonnage, ce qui le rend difficile à partager, à faire évoluer ou à reproduire.
À l’ère des agents d’intelligence artificielle, cette limite devient particulièrement visible : un agent peut accéder aux données, aux métriques et à la documentation, mais il ne peut reproduire un raisonnement qui n’a jamais été représenté. Si les données constituent la mémoire de l’organisation, son raisonnement en constitue le savoir-faire.
Il mérite donc d’être considéré comme un actif à part entière.
Quelques morceaux sont déjà en place
Cette vision n’émerge pas de nulle part vide. Plusieurs initiatives récentes montrent que l’industrie évolue déjà vers une représentation plus déclarative des systèmes d’information.
Avec dbt, les transformations de données sont devenues des artefacts versionnables, testables et gouvernés comme du code. Les couches sémantiques ont commencé à extraire les métriques et les définitions d’affaires des tableaux de bord afin qu’elles puissent être réutilisées à travers plusieurs outils.
dbt a déplacé la transformation des données hors des interfaces graphiques pour en faire un actif déclaratif.
L’émergence de l’Open Knowledge Format (OKF) illustre bien cette évolution. En présentant ce standard ouvert, Google part d’un constat simple : malgré les progrès spectaculaires des modèles de fondation, leur principal facteur limitant n’est plus leur capacité de raisonnement, mais leur manque de contexte afin de Pour produire des résultats fiables, les agents ont besoin d’accéder à une connaissance structurée, portable et interopérable plutôt qu’à une collection de documents ou d’applications disparates.
L’OKF pousse cette logique un cran plus loin. Là où dbt déclare les transformations et les couches sémantiques déclarent les métriques, l’OKF cherche à représenter explicitement la connaissance afin qu’elle puisse être comprise, partagée et exploitée par différents systèmes, humains comme intelligents.
Pourtant, malgré ces avancées, un élément fondamental demeure absent : aucune de ces approches ne décrit la manière dont une organisation raisonne à partir de cette connaissance.
Un exemple
Lorsqu’on observe un analyste financier expérimenté, on constate rapidement que son expertise ne réside pas seulement dans sa capacité à lire des indicateurs, mais dans la façon dont il raisonne. Une baisse de la marge brute ne déclenche pas la même démarche d’analyse qu’une hausse des revenus ou des coûts. Selon la situation, il formule des hypothèses différentes, compare certains indicateurs et applique des méthodes d’investigation propres à son expertise. Pourtant, ce raisonnement demeure aujourd’hui largement implicite et rarement représenté de manière structurée.
Au final, une organisation ne devrait plus se contenter de déclarer ses données et ses métriques (dbt) ainsi que la sémantique des données (OKF), mais elle se doit aussi de déclarer également son raisonnement d’affaires.
Un agent doit expliquer une variation de la marge brute, il ne cherche plus à reconstruire la logique métier à partir de tableaux de bord ou de rapports. Il consulte directement une représentation déclarée de cette méthode.
Cette représentation pourrait progressivement s’étendre à d’autres concepts fondamentaux tels que les hypothèses, les éléments de preuve, les décisions, le niveau de confiance ou encore les mécanismes d’escalade. L’objectif n’est pas de définir un format, mais d’illustrer qu’il devient possible de représenter explicitement des activités intellectuelles qui demeurent aujourd’hui largement implicites.
Grâce à cette représentation, un même raisonnement peut être exécuté par un agent, présenté dans un tableau de bord, documenté dans une procédure interne ou réutilisé par une autre équipe sans être réimplémenté. Ceci serait la base afin qu’un agent IA puisse produire les interprétations qui cadre avec l’ADN de l’organisation.
La suite
Pendant plusieurs décennies, nous avons appris à déclarer nos infrastructures, puis nos données, puis nos métriques et, plus récemment, nos connaissances. Je crois que la prochaine étape de l’intelligence d’affaires consiste à déclarer le raisonnement métier lui-même. Si cette hypothèse est juste, alors le principal livrable d’une plateforme BI ne sera plus uniquement un tableau de bord, mais une représentation explicite de la manière dont une organisation comprend, analyse et prend ses décisions.
Inscrivez-vous à l’infolettre Eficio et soyez le premier à recevoir notre actualité !