Nous sommes jeudi après-midi, et votre ingénieur data senior reçoit un message Slack de la part de l'équipe finance. La requête est simple : une jointure, un renommage, une colonne recalculée. L'interruption n'est pas mineure. Chacune de ces demandes prend du temps sur la plateforme que votre équipe utilise, et avec le temps, cette préparation de routine commence à définir la feuille de route.
Ce compromis est visible partout. L'étude State of AI 2025 de McKinsey révèle que, bien que l'adoption de l'IA soit désormais presque universelle, 88 % des organisations déclarent une utilisation régulière de l'IA dans au moins une fonction métier, mais seulement environ un tiers ont commencé à déployer l'IA à grande échelle dans l'entreprise. Dans de nombreuses organisations, les obstacles ne sont pas liés à la qualité du modèle. Ce sont des problèmes de workflow, de données et de modèle opérationnel. Cela signifie que la pression retombe directement sur les équipes IT et data qui assurent déjà la modernisation, la gouvernance et la mise en œuvre de l'IA en même temps.
Pendant ce temps, les métiers ont toujours besoin de réponses. Les analystes accumulent les demandes de préparation qu'ils pourraient probablement gérer eux-mêmes si les outils étaient plus faciles et la gouvernance claire.
Le langage naturel commence à changer la donne. Un analyste peut décrire le workflow dont il a besoin en langage clair et obtenir en retour un élément qu'il peut examiner, ajuster, et exécuter. Pour l'IT, cela crée une réelle opportunité, mais seulement si le workflow est construit au sein du même plan de contrôle que le reste de vos tâches data. Sinon, vous facilitez la mise en place de processus non gérés.
Ce que le langage naturel change réellement dans la préparation des données
Imaginez un analyste tapant : « Combine l'exportation d'opportunités Salesforce avec les données de campagne Marketo, supprime les doublons par adresse e-mail, et signale toute personne ayant ouvert plus de trois e-mails le trimestre dernier. »
Conception de workflow conversationnel
Un assistant en langage naturel peut transformer cela en étapes de workflow, avec jointures, filtres, standardisation, validation, et tout ce que la requête demande. L'analyste continue de contrôler visuellement le workflow, de vérifier les transformations, de modifier tout ce qui semble anormal, et de l'exécuter lorsqu'il est satisfait. Le résultat n'est pas une réponse en black box. C'est un workflow qu'un utilisateur peut inspecter.
Nettoyage et transformation assistés par l'IA
Le langage naturel permet également d'automatiser les types de tâches de nettoyage que les analystes passent des heures à effectuer manuellement :
- Alignement des schémas entre systèmes sources non cohérents
- Standardisation des formats de dates et devises
- Nettoyage des champs en texte libre avec les clients ayant saisi « U.S.A. », « USA » et « États-Unis » dans la même colonne
- Identification des valeurs manquantes, des doublons ou des valeurs aberrantes avant le reporting en aval
Le langage naturel fonctionne de manière optimale lorsqu'il gère ce travail dans le même environnement géré que le reste de votre stack, pas dans un canal secondaire où les données quittent les limites d'audit.
Documentation du workflow comme sous-produit
Il y a aussi un autre avantage pratique. L'assistance de l'IA permet de décrire la logique du workflow, de détecter les anomalies et de générer de la documentation pendant la construction du workflow. La plupart des équipes n'ont pas assez de temps pour documenter correctement les solutions au fur et à mesure de leur création. Si la documentation est capturée pendant la construction, au lieu d'être une tâche de suivi, il y a beaucoup plus de chances qu'elle soit réellement présente lorsque le workflow devra être géré par quelqu'un d'autre plus tard.
Ce qui change pour les équipes data et d'ingénierie
Le langage naturel n'élimine pas le besoin d'ingénieurs ou de data scientists. Il permet de rapprocher le travail préparatoire de base des personnes qui comprennent le contexte métier, et de libérer les spécialistes pour des tâches nécessitant leurs compétences.
C'est là la vraie redistribution : moins d'interruptions pour les jointures, renommages, nettoyage et enrichissement léger, et davantage de temps pour l'architecture de pipeline, la conception de la gouvernance, l'ingénierie des caractéristiques, et les questions de qualité qui nécessitent en réalité un jugement technique plus approfondi.
Quand cela fonctionne bien, les analystes avancent plus vite et l'IT reçoit moins de petites demandes qui détournent les priorités plus importantes.
Pourquoi la gouvernance devient plus difficile
Si le langage naturel facilite la création de workflow, davantage de personnes construiront des workflows. Cela peut être positif, mais cela élargit aussi la surface que l'IT doit gérer. Avec l'augmentation de l'échelle, la gouvernance devient davantage axée sur la politique, les autorisations, la formation, les parcours de révision et le suivi.
Les premiers déploiements se déroulent généralement mal. Les équipes utilisent la construction de workflow assistée par l'IA avant de définir les sources de données approuvées. Les journaux d'audit sont techniquement disponibles, mais personne n'a encore décidé qui les examine réellement. Les utilisateurs bénéficient de plus de liberté, mais il n'existe pas de remontée possible pour les données sensibles ou les résultats douteux.
Les équipes qui gèrent bien cela commencent généralement par un cas d'usage limité, un responsable de gouvernance clairement nommé, et un petit groupe d'utilisateurs formés. Une fois que ce pilote fonctionne bien, il est temps de passer à d'autres équipes et cas d'usage à plus grande échelle.
La vraie question pour l'IT
Pour les responsables IT, la question n'est pas de savoir si le langage naturel peut construire un workflow. C'est de savoir si le workflow qu'il construit est sûr, reproductible et traçable.
Une capacité de préparation en libre-service qui contourne la gouvernance est un handicap, pas un gain de productivité.
Deux couches de gouvernance sont importantes, la gouvernance des données et la gouvernance de l'IA.
Gouvernance des données : ce que deviennent les données
Les workflows construits par des utilisateurs moins techniques doivent toujours fonctionner sous les mêmes contrôles que tout le reste. En pratique, cela implique généralement :
- Des contrôles d'accès basés sur des rôles liés à votre fournisseur d'identité d'entreprise
- Des journaux d'audit pour l'exécution des workflows, l'accès aux données et les modifications
- Un lignage qui indique d'où viennent les données et comment elles ont été transformées
- Application des politiques pour les jeux de données sensibles ou réglementés
Le rapport 2025 sur le coût d'une violation de données d'IBM révèle que, parmi les organisations ayant subi des violations de modèles ou d'applications d'IA, 97 % manquaient de contrôles d'accès adéquats pour l'IA, et que des niveaux élevés de shadow IA ont ajouté en moyenne 670 000 $ aux coûts globaux des violations de données. L'utilisation non gérée de l'IA crée déjà une exposition mesurable aux risques de sécurité.
Gouvernance de l'IA : ce qui arrive au modèle
Si les workflows dépendent de LLM, l'IT nécessite des réponses claires à un ensemble de questions :
- Quels modèles sont approuvés ?
- Où les données sont-elles traitées ?
- Quels prompts et outputs sont conservés ?
- Qui peut invoquer des modèles externes ?
- Comment la consommation est-elle surveillée et facturée ?
Un exemple simple rend le problème concret. Un analyste financier souhaite une étape de workflow qui résume les PDF des contrats et extrait les dates de renouvellement. Dans une configuration gérée, l'analyste choisit parmi des connexions de modèles approuvées déjà configurées par l'IT. Le workflow s'exécute, l'activité est enregistrée et le chemin des données reste visible. L'analyste profite de la rapidité, et l'IT prend le contrôle de l'inventaire du modèle, du flux de données et de la piste d'audit.
Cadre pratique pour l'analytique en libre-service
Une façon utile de penser au déploiement est d'adapter l'intensité de gouvernance aux risques des workflows. Le libre-service ne signifie pas forcément des autorisations identiques pour tout le monde. C'est plutôt que les contrôles sont adaptés au niveau de risque.
Niveau 1 : préparation opérationnelle à faible risque
Opérations de routine de jointures, mise en forme, déduplication et résumé des données internes contrôlées. Les contrôles d'accès standard et la journalisation des audits suffisent généralement. C'est le meilleur point de départ pour la plupart des équipes.
Niveau 2 : enrichissement transversal
Workflows qui combinent plusieurs systèmes métier, documents non structurés ou services d'IA externes. Ce niveau nécessite des contrôles plus réfléchis : sources de données approuvées, connexions de modèles approuvées pour les étapes assistées par l'IA, et une révision périodique des résultats.
Niveau 3 : workflows réglementés à haut risque
Tout ce qui concerne les informations personnelles identifiables des clients, le reporting réglementé, les contrôles financiers, les données de santé ou la prise de décision pilotée par modèle. Ce niveau nécessite une approbation explicite avant la production, la séparation entre le constructeur et l'approbateur, un lignage complet et une surveillance active.
Beaucoup d'organisations exercent un contrôle excessif sur les tâches de niveau 1 et un contrôle insuffisant sur celles de niveau 3. Le langage naturel ne règle pas cela à lui seul, mais il facilite l'application d'un modèle à plusieurs niveaux une fois les limites claires.
À quoi cela ressemble en pratique
Il y a plusieurs façons dont le scénario en haut de cet article peut se terminer.
La mauvaise version, c'est que les métiers n'ont plus envie d'attendre et contournent l'IT. Les utilisateurs construisent des shadow workflows dans des feuilles de calcul, ou collent des données sensibles dans des outils d'IA publics parce qu'ils ont besoin de réponses rapidement. Cela arrive déjà dans beaucoup d'organisations, et c'est généralement pire que le problème initial de retard accumulé.
La meilleure version : l'IT donne aux utilisateurs une méthode encadrée pour faire plus par eux-mêmes. Cela nécessite une plateforme avec trois éléments en un seul endroit : l'accès à des sources de données approuvées, un accès aux modèles d'IA réglementés, des capacités d'audit et de lignage, ainsi que des outils de construction de workflow que les analystes peuvent réellement utiliser. Cet exemple a pour cadre Alteryx One.
L'analyste qui a envoyé cette demande de jointure ouvre Designer et utilise Ask Alteryx, l'assistant workflow par chat anciennement connu sous le nom d'Alteryx Copilot, pour se lancer. Elle décrit la combinaison des données du pipeline Salesforce avec l'historique d'engagement Marketo, et Ask Alteryx explique la logique de jointure, la déduplication et la standardisation des champs, en proposant chaque étape permettant à l'analyste de les vérifier avant de poursuivre.
Elle peut aussi utiliser la palette d'outils IA dans Designer. Cette palette comprend des outils conçus spécialement pour des tâches telles que l'alignement des schémas entre sources incohérentes (outil Schema Fit), le fuzzy matching et la standardisation (outil Precision Match), l'extraction de données à partir de documents structurés comme les factures (outil Invoice Extractor), et des étapes configurables basées sur un LLM pour des instructions personnalisées (outil Prompt et outil LLM Override). Chaque outil fonctionne dans le même environnement géré que le reste du workflow.
En coulisses, les métadonnées d'exécution sont enregistrées, le lignage est préservé, et les politiques d'accès s'appliquent toujours via des contrôles d'identité centralisés. Les workflows assistés par l'IA ne se situent pas dans un niveau de gouvernance plus faible. Ils sont soumis aux mêmes attentes en matière de contrôle et d'audit que tout le reste.
Ce que l'IT doit configurer
Les fonctionnalités de gouvernance d'Alteryx One incluent l'authentification SAML et OAuth, l'intégration des fournisseurs d'identité avec des plateformes comme Okta et Azure AD, les autorisations basées sur les rôles, la journalisation des audits, le provisionnement SCIM pour la gestion automatisée des utilisateurs, ainsi que les voies d'intégration de lignage avec des plateformes de gouvernance telles qu'Atlan et Collibra.
Pour la gouvernance des modèles d'IA, Alteryx One prend en charge les connexions à des LLM approuvés pour les entreprises, comme OpenAI, Anthropic, Google Gemini et Cohere, ainsi que des approches de type « bring-your-own-model » (BYOM) pour les organisations ayant des exigences spécifiques en matière de conformité. La connectivité des LLM est liée au rôle d'utilisateur complet et peut être davantage restreinte avec des rôles personnalisés, afin que l'IT puisse décider à la fois quels modèles sont disponibles et quels utilisateurs sont autorisés à les utiliser.
Comment juger de la préparation avant le déploiement
Avant de déployer ce projet, posez-vous trois questions.
- Quel type de requêtes cause le plus d'interruptions ? Si la plupart des requêtes entrantes sont des tâches de préparation répétitives comme les jointures, la mise en forme, le nettoyage et l'enrichissement léger, le langage naturel peut probablement absorber une part importante de cette charge. Si la file d'attente est dominée par un pipeline fragile, des dépendances emmêlées ou une logique métier indéfinie, le problème vient de l'architecture sous-jacente.
- Quels utilisateurs peuvent assumer davantage de responsabilités ? Les meilleurs premiers adopteurs sont des analystes qui comprennent bien leur contexte métier mais qui ne possèdent pas la maîtrise technique nécessaire pour automatiser la préparation sans aide. Le langage naturel peut les aider à aller plus vite, mais ne remplace pas le jugement. Si un utilisateur ne peut pas déterminer si un résultat de jointure est plausible, le workflow peut quand même être erroné, mais plus rapidement.
- Quel est le niveau de maturité de votre gouvernance de l'IA aujourd'hui ? Si vous ne pouvez pas répondre clairement à la question de savoir quels modèles sont approuvés, où les données sont traitées, ce qui est conservé, qui peut invoquer des modèles externes, et comment l'utilisation est surveillée, ces lacunes apparaîtront généralement après le début de l'adoption. Si les outils validés ne sont pas disponibles, les employés se tournent vers des outils non autorisés, et la trace d'audit disparaît complètement.
La plupart des organisations ne vont pas mettre en place un modèle de libre-service géré en une seule fois. Elles commenceront par une catégorie de workflow, un modèle de gouvernance et un groupe de confiance, puis procéderont à plus grande échelle à partir de là.
Mise en route
Alteryx One prend en charge l'ensemble des workflows décrits ci-dessus : préparation assistée par langage naturel, accès géré aux modèles d'IA et contrôles de niveau entreprise, au sein d'une plateforme que l'IT peut gérer et que les analystes peuvent utiliser sans assistance technique. Il existe plusieurs façons de la tester :
- Essai gratuit : Commencez un essai gratuit et explorez par vous-même la construction de workflow en langage naturel. Aucune configuration technique n'est requise pour démarrer.
- Demandez une démonstration : si vous préférez voir les contrôles de gouvernance et les capacités d'IA configurés pour votre environnement, vous pouvez demander une démonstration afin de les explorer avec une personne qui pourra répondre à vos besoins IT spécifiques.
- Découvrez les capacités de gouvernance : l'aperçu de la gouvernance dans Alteryx One couvre les contrôles d'accès, la journalisation des audits, l'intégration des identités et les capacités de traçabilité disponibles pour les administrateurs IT.