Torras.ai

Bienvenue dans le podcast Torras AI. Dans cet épisode, je m'entretiens avec Ignasi Alcalde, consultant, enseignant universitaire et auteur spécialisé dans la visualisation de données, le data storytelling, la culture des données et l'IA générative. Nous explorons une question d'une simplicité trompeuse : si les organisations disposent de plus de données, de plus de tableaux de bord et de plus d'intelligence artificielle que jamais, pourquoi tant de décisions restent-elles difficiles à prendre — ou ne s'améliorent-elles pas du tout ?

La conversation est en catalan. Un résumé de l'échange figure ci-dessous. Le message central d'Ignasi est clair : les données n'ont de valeur que lorsqu'elles aident quelqu'un à comprendre une situation, à exercer son jugement et à prendre une meilleure décision.

Regarder la conversation

Points forts de la conversation

1. Davantage de données ne produit pas automatiquement de meilleures décisions

Le travail d'Ignasi a commencé par la visualisation de l'information : comment transformer les données en graphiques et diagrammes compréhensibles par les gens. Avec le temps, il a toutefois constaté qu'un bon graphique ne suffisait pas. Une visualisation attrayante peut tout de même échouer si personne ne sait ce qu'elle signifie, pourquoi elle est importante ou quoi faire ensuite. Cela l'a conduit de la visualisation au data storytelling — puis du storytelling au problème plus large de la prise de décision.

De nombreuses organisations disposent déjà de plateformes d'analyse sophistiquées, de tableaux de bord Power BI et de systèmes d'IA de plus en plus puissants. Pourtant, lorsqu'Ignasi entre dans une entreprise, sa première question ne porte pas sur sa technologie. Il demande : « Quelle décision souhaitez-vous prendre à partir de ces données ? » Si la réponse n'est pas claire, le véritable problème n'est généralement pas le manque d'outils. C'est l'absence de bonnes questions, d'objectif commun et de culture de la décision.

2. Commencez par la décision, pas par le tableau de bord

La séquence la plus utile est l'inverse de celle suivie par de nombreuses équipes. Ne partez pas de toutes les données disponibles en espérant qu'une décision finira par émerger. Commencez par la décision, formulez la question, identifiez les preuves nécessaires, effectuez l'analyse, puis communiquez le résultat. Sous une forme compacte : décision → question → preuves → analyse → communication.

Cet ordre permet de se concentrer. Il révèle aussi quelles informations comptent, quelles hypothèses sont formulées et quelles preuves pourraient faire changer quelqu'un d'avis. Une information pertinente n'est pas simplement une tendance intéressante dans un jeu de données ; c'est une constatation capable de modifier une décision stratégique.

3. L'échec silencieux des tableaux de bord

Les tableaux de bord annoncent rarement leur échec. Ils continuent de s'actualiser, d'accumuler des indicateurs et d'apparaître en réunion. Ignasi propose une question de diagnostic percutante : « Si nous supprimions ce tableau de bord demain, quelle décision deviendrait moins bonne ? » Si personne ne peut en nommer une, le tableau de bord rapporte peut-être de l'activité sans créer de valeur.

Un tableau de bord ne devrait pas chercher à prouver tout ce qu'une organisation sait. Son objectif est de faciliter une décision. Une structure utile commence par un petit ensemble d'indicateurs essentiels, propose une couche de diagnostic pour comprendre pourquoi quelque chose se produit, et se termine par une couche d'action ou de résultats. Lorsque tous les indicateurs possibles sont placés sur le même écran, l'attention se dilue et le signal important disparaît.

4. Les dirigeants ont besoin de réponses, pas de bruit supplémentaire

Au niveau de la direction, les questions essentielles sont remarquablement stables : Que se passe-t-il ? Pourquoi cela se produit-il ? Que pouvons-nous y faire ? De meilleures analyses devraient aider à répondre à ces questions, et non simplement créer davantage de rapports. Cela exige une combinaison de rigueur analytique et de clarté narrative : les preuves doivent être exactes, mais elles doivent aussi être présentées sous une forme qui rende leurs implications compréhensibles.

Le défi culturel apparaît lorsque les preuves contredisent l'intuition. Au lieu de réviser leur opinion, les personnes peuvent chercher un autre indicateur qui confirme ce qu'elles croient déjà. La culture des données implique donc davantage que de savoir lire un graphique. Elle exige aussi la discipline de remettre en question les hypothèses et d'accepter les résultats dérangeants.

5. L'IA transforme l'analyste, de producteur en orchestrateur

L'IA générative peut désormais nettoyer les données, proposer des analyses, créer les premières ébauches de visualisations et suggérer des récits possibles en quelques minutes. Cela n'élimine pas le besoin de professionnels ; cela modifie l'endroit où leur attention a le plus de valeur. Le rôle de l'analyste s'éloigne de la production de chaque artefact intermédiaire pour s'orienter vers l'orchestration du processus : cadrer le problème, vérifier les sources, valider les calculs, comparer les hypothèses, interpréter les résultats et décider ce qui mérite d'être communiqué.

Ignasi appelle l'étape finale l'analyse du dernier kilomètre : transformer un résultat techniquement correct en un récit clair capable d'influencer réellement une décision. L'IA peut accélérer les étapes précédentes, mais la responsabilité du jugement final reste humaine.

6. L'IA est particulièrement utile comme partenaire de réflexion exigeant

Lors de la rédaction de Data Storytelling with Artificial Intelligence: From Data to Decisions, Ignasi a ouvertement utilisé l'IA pour environ 10 à 20 % du travail. Elle l'a aidé à explorer des idées, à tester la structure du livre, à faire émerger des contre-arguments et à simplifier les explications. Il ne lui a pas délégué la thèse, le jugement personnel ni le point de vue.

Cette distinction est importante. L'IA peut être un copilote ou un partenaire d'entraînement qui introduit une friction productive : remets cet argument en question, montre-moi une faiblesse ou propose une alternative plausible. Le danger commence lorsque nous l'utilisons pour éviter de réfléchir complètement. Comme le dit Ignasi, il existe une différence profonde entre utiliser l'IA après avoir réfléchi et utiliser l'IA au lieu de réfléchir.

7. La culture des données ne nécessite pas de devenir data scientist

Les dirigeants n'ont pas besoin de devenir programmeurs ou statisticiens, mais ils doivent poser de meilleures questions. D'où viennent les données ? Qui est inclus ou exclu de l'échantillon ? Confondons-nous corrélation et causalité ? Un axe tronqué exagère-t-il une différence ? Quelles hypothèses déterminent le résultat ? Quelles parties ont été générées ou déduites par l'IA ?

Ignasi décrit cela comme le fait de porter trois casquettes complémentaires : la préoccupation de l'analyste pour les preuves, la préoccupation du designer pour la clarté et l'instinct du journaliste d'enquêter sur le contexte et de se demander ce qui pourrait manquer. Ensemble, ces habitudes nous rendent moins vulnérables aux présentations assurées mais trompeuses.

8. Le storytelling éthique concerne l'équité, pas l'illusion de neutralité

Tout acte de communication implique une sélection. Nous choisissons un graphique, une période, une comparaison et un ordre de présentation des faits. Il est donc difficile de revendiquer une neutralité complète. La frontière éthique se situe entre aider un public à comprendre la réalité et l'orienter vers une conclusion que les preuves ne soutiennent pas équitablement.

Ignasi propose un test pratique : « Si le public connaissait toutes les informations pertinentes, considérerait-il toujours cette présentation comme équitable ? » C'est une question puissante pour quiconque communique avec des données, que le travail ait été produit par une personne, un système d'IA ou les deux.

9. Le professionnel augmenté protège le jugement et l'esprit critique

Les professionnels les plus précieux ne se contenteront pas de produire plus vite. Ils poseront de meilleures questions, comprendront le contexte, relieront des idées qui semblent sans rapport et exerceront leur jugement lorsque les preuves disponibles sont incomplètes. Ces capacités deviennent plus importantes — et non moins — à mesure que l'IA facilite la production de base.

L'esprit critique est également la capacité la plus menacée d'atrophie. Si une IA fournit toujours la première interprétation, la première structure et la première réponse, il devient facile de cesser de former notre propre opinion. Le professionnel augmenté utilise la machine pour étendre sa réflexion tout en restant responsable du résultat.

10. Une habitude que chaque entreprise peut adopter dès demain

La première étape recommandée par Ignasi ne nécessite aucun nouveau logiciel : commencez les réunions et les projets en demandant : « Quelle décision essayons-nous de prendre ? » Cette question clarifie les informations pertinentes, révèle les hypothèses cachées, identifie ce qui pourrait faire changer d'avis le groupe et relie l'analyse à une action concrète. Elle rend aussi la responsabilité visible : quelqu'un doit finalement assumer la décision.

La technologie compte, mais le chemin qui mène des données aux décisions commence par un objectif. Un tableau de bord, un récit ou un modèle d'IA n'est utile que lorsqu'il aide les gens à voir plus clairement et à agir plus judicieusement.

Poursuivre l'exploration du travail d'Ignasi

Vous pouvez en apprendre davantage sur le site web d'Ignasi Alcalde, lire son profil professionnel ou vous connecter avec lui sur LinkedIn. Son livre possède des sites web dédiés en espagnol et en anglais, et est également disponible sur Amazon en espagnol et en anglais. Les lecteurs peuvent également explorer l'assistant conversationnel complémentaire du livre, qui prolonge le contenu au-delà de la page imprimée.