OpenAI affirme que chacun peut désormais mettre les données au travail, mais la gouvernance est le véritable test

OpenAI a lancé son Data agent le 10 septembre, affirmant que tout le monde peut désormais mettre les données au travail sans écrire de requêtes de base de données ni apprendre un nouvel outil d’analyse. L’agent connecte ChatGPT Work aux données de l’entreprise, examine des questions métier et transforme ses conclusions en tableaux de bord interactifs. La promesse paraît simple. La difficulté consiste à s’assurer que chaque réponse s’appuie sur les bonnes définitions, autorisations et preuves.

Il s’agit donc de plus qu’une interface conversationnelle pour les graphiques. OpenAI cherche à placer ChatGPT entre les employés et les systèmes qui définissent la manière dont leurs organisations mesurent leurs performances. Le Data agent peut accéder, depuis une seule conversation, à des entrepôts de données, des documents, des couches sémantiques et des outils de business intelligence. Il peut également affiner une analyse après des questions de suivi.

Microsoft et Salesforce proposent déjà des analyses en langage naturel dans Power BI et Tableau. OpenAI exerce une pression depuis une autre direction. Au lieu de faire de l’IA une fonctionnalité au sein d’un unique produit d’analyse, l’entreprise veut que ChatGPT Work coordonne l’analyse entre les outils qu’une entreprise utilise déjà. Le succès de cette approche dépendra moins de la fluidité des réponses que de la gouvernance qui les sous-tend.

Désormais, chacun peut mettre les données au travail via une seule conversation

Le changement immédiat est que ChatGPT Work peut désormais coordonner l’exploration des données, la création de tableaux de bord et l’analyse de suivi dans un seul flux conversationnel.

OpenAI décrit le Data agent comme un plugin fonctionnant avec des systèmes d’entreprise approuvés. Les sources prises en charge citées dans le lancement de Data agent comprennent Amazon Redshift, Google BigQuery, ClickHouse, Databricks, MongoDB et Snowflake. Il peut également intégrer des fichiers et documents stockés dans Google Drive et SharePoint.

Un utilisateur peut commencer par une question métier plutôt que par une requête. Il peut par exemple demander pourquoi le nombre d’utilisateurs actifs hebdomadaires a changé, où les dépenses ont augmenté ou quels comptes risquent de ne pas renouveler. L’agent peut examiner les informations sous-jacentes, identifier des facteurs possibles et présenter les éléments étayant ses conclusions.

La conversation ne doit pas nécessairement se terminer par une réponse écrite. Les utilisateurs peuvent demander à l’agent de créer un tableau de bord interactif avec des graphiques, des filtres et une identité visuelle propre à l’organisation. Les équipes peuvent ensuite modifier, partager et actualiser ce tableau de bord à mesure que les données sous-jacentes évoluent.

Ce flux de travail compte, car les questions métier arrivent rarement sous la forme de spécifications analytiques complètes. Un responsable peut d’abord demander pourquoi les ventes ont diminué, puis préciser la question par région, segment de clientèle ou produit. Le reporting traditionnel transforme souvent chaque précision en une nouvelle demande adressée à un analyste. Le Data agent conserve ces précisions dans la même conversation.

OpenAI indique également que l’agent peut créer des tableaux de bord et interagir avec eux dans des plateformes établies, notamment Omni, Oracle BI, Power BI, Sigma, Tableau et ThoughtSpot. Ce positionnement suggère une coopération plutôt qu’un remplacement immédiat. Les systèmes de visualisation et de gouvernance existants restent intégrés au flux de travail, tandis que ChatGPT devient la couche de contrôle conversationnelle qui les surplombe.

L’agent s’appuie sur davantage que des tables brutes. Il peut utiliser des définitions métier, des calculs personnalisés, des relations entre métriques et des sources de données fiables pour interpréter une demande. OpenAI cite des couches sémantiques issues de systèmes tels que Databricks Genie Ontology, dbt et Snowflake Horizon.

Une couche sémantique est un ensemble gouverné de définitions métier qui explique comment les données doivent être interprétées. Elle peut établir, par exemple, quelles transactions comptent comme du chiffre d’affaires ou quelle activité qualifie un client comme actif. Sans ce contexte, un agent pourrait produire un calcul techniquement valide qui répond à la mauvaise question métier.

Les administrateurs contrôlent si Data est disponible et quels rôles peuvent l’installer ou l’utiliser. Les instructions de configuration d’OpenAI recommandent de connecter au minimum un entrepôt de données et une couche sémantique. Elles conseillent également aux utilisateurs de vérifier les sources, périodes, filtres et définitions de métriques avant de se fier à un résultat.

Le processus d’installation reflète ces dépendances. Un administrateur rend Data disponible dans les paramètres de l’espace de travail et configure les plugins de source concernés. Un utilisateur peut ensuite installer le plugin, connecter des comptes autorisés et adresser une demande à @Data.

Qualifier l’interface de conversationnelle ne supprime pas l’infrastructure sous-jacente. Une réponse utile dépend toujours de données bien entretenues, de métriques documentées et de connexions correctement configurées. L’agent change qui peut initier une investigation et à quelle vitesse les utilisateurs peuvent itérer. Il n’élimine pas le travail nécessaire pour rendre les données d’entreprise fiables.

Le Data Agent met sous pression la file d’attente des demandes analytiques

Le principal défi lancé par OpenAI ne vise pas les analystes eux-mêmes, mais la file d’attente qui sépare les questions métier des réponses analytiques.

De nombreuses organisations divisent le travail analytique en deux étapes. Les équipes métier identifient une question, tandis que les spécialistes des données la traduisent en requêtes, calculs, visualisations et explications. Cette répartition protège la qualité, mais elle peut aussi entraîner des délais lorsque le nombre de questions dépasse les capacités d’analyse disponibles.

Le Data agent d’OpenAI cible ce goulot d’étranglement. Il donne aux équipes commerciales, financières, opérationnelles et produit un moyen de commencer des investigations courantes de manière autonome. Les analystes peuvent consacrer moins de temps à reconstruire des rapports récurrents et davantage à valider les définitions, améliorer les modèles de données et traiter les questions nécessitant un jugement plus approfondi.

OpenAI indique que l’adoption interne couvre déjà une grande partie de sa propre organisation. Selon l’entreprise, presque tous les membres de son équipe produit et plus des deux tiers de son organisation go-to-market utilisent des capacités apparentées de type agent de données dans ChatGPT Work. Ces chiffres sont des signaux d’adoption rapportés par l’entreprise, et non des mesures indépendantes de la précision analytique ou de l’impact métier.

Les exemples clients révèlent le travail qu’OpenAI s’attend à voir le produit prendre en charge. NTT DATA indique que des non-ingénieurs dans des fonctions commerciales et corporate ont créé et mis à jour des tableaux de bord en langage naturel. Thermo Fisher Scientific affirme utiliser l’agent pour préparer les équipes et identifier des opportunités liées à sa base de fournisseurs.

ServiceTitan fournit un exemple plus précis. L’entreprise indique avoir utilisé l’agent pour créer un tableau de bord comparant les clients ayant utilisé Atlas, son assistant IA, à ceux ne l’ayant pas utilisé. L’analyse a montré que les utilisateurs d’Atlas lançaient des campagnes à un rythme environ trois fois supérieur à celui des non-utilisateurs. ServiceTitan affirme que cette conclusion influence ses décisions d’onboarding.

Cet exemple montre à la fois l’attrait et la limite de l’analyse en libre-service. Une association d’un facteur trois peut orienter vers une stratégie produit utile. Elle ne prouve pas, à elle seule, qu’Atlas a poussé les clients à lancer davantage de campagnes. Des clients plus actifs peuvent simplement être plus susceptibles d’adopter l’assistant.

Un analyste testerait normalement cette distinction en examinant la taille des clients, leur ancienneté, leur activité antérieure et d’autres explications possibles. Un agent conversationnel peut aider à effectuer ces vérifications, mais une personne doit toujours reconnaître pourquoi elles importent. Un accès plus rapide à l’analyse ne crée pas automatiquement une discipline statistique.

D’autres utilisateurs alpha décrivent des gains de productivité similaires. CookUnity indique que son équipe croissance a utilisé l’agent pour affiner un tableau de bord de conversion saisonnière et a comparé le résultat à des rapports internes. Micro1 affirme que son équipe opérationnelle a reconstruit des tableaux de bord de performance en environ une demi-heure tout en identifiant des erreurs dans les originaux.

Ces témoignages sont instructifs parce qu’ils décrivent des flux de travail concrets. Ils restent toutefois des témoignages clients sélectionnés par OpenAI. Ils n’établissent ni un taux d’erreur général, ni un gain de temps standardisé, ni un rendement mesurable dans différents environnements de données.

La pression exercée sur les équipes d’analyse sera donc inégale. Les organisations disposant de définitions de métriques matures et de structures d’autorisations propres peuvent déléguer davantage de travail exploratoire. Les entreprises aux systèmes fragmentés pourraient découvrir que l’agent met au jour des désaccords non résolus sur les chiffres faisant autorité.

Cette issue resterait utile. Lorsque deux équipes calculent différemment la rétention, un tableau de bord soigné peut masquer le différend. Un flux conversationnel qui montre ses sources et ses définitions peut rendre ce désaccord visible. Le véritable gain de productivité pourrait venir de la résolution de cette ambiguïté une fois pour toutes, plutôt que d’une réponse plus rapide à une seule question.

Pour les travailleurs du savoir, cette évolution ressemble au mouvement plus large vers une base de connaissances IA. Trouver l’information n’est que la première étape. Les systèmes utiles doivent relier les faits au contexte, à la provenance et aux décisions que les personnes doivent prendre.

Comment le Data Agent d’OpenAI fonctionne avec les outils BI existants

OpenAI concurrence par l’orchestration : un agent peut traverser entrepôts de données, documents, définitions métier et plateformes de visualisation, sans imposer que chaque tâche commence dans un seul produit de BI.

C’est le mécanisme central du lancement. Un entrepôt de données stocke des données d’entreprise structurées. Une couche sémantique explique leur signification métier. Les documents ajoutent un contexte qualitatif. Une plateforme de BI présente des rapports et visualisations approuvés. ChatGPT Work fournit l’interface qui coordonne ces composants.

Prenons le cas d’un responsable commercial qui enquête sur une baisse des renouvellements. L’entrepôt de données peut contenir les dates de contrats, l’utilisation des produits, l’activité du support et les attributs des comptes. SharePoint peut héberger les plans de compte, tandis qu’un tableau de bord BI affiche la métrique de rétention approuvée par l’entreprise. Le Data agent peut réunir ces sources dans une même investigation, sous réserve des connecteurs et autorisations disponibles.

Le responsable peut demander quels segments sont concernés, les comparer aux périodes précédentes et solliciter des éléments probants pour les facteurs les plus importants. Une question de suivi pourrait ajouter des thèmes de tickets de support issus de documents ou demander un tableau de bord organisé par région. La valeur vient du maintien du fil analytique à mesure que la question évolue.

Cela diffère d’une simple fonctionnalité de conversion du texte en requête. Traduire une phrase en SQL ne résout qu’une partie du flux de travail. L’utilisateur doit encore choisir la bonne source, interpréter le résultat, comparer les alternatives et communiquer la conclusion. OpenAI regroupe ces étapes dans un processus agentique, c’est-à-dire que le logiciel peut planifier et exécuter plusieurs tâches connectées vers un objectif exprimé.

Le lancement ne rend pas les fournisseurs BI existants superflus. Les questions de données Copilot de Microsoft interrogent déjà les modèles sémantiques Power BI et renvoient des réponses sous forme de visualisations. Microsoft conseille aux auteurs de modèles d’utiliser des noms de champs explicites, des structures de modèle solides et des synonymes spécifiques à l’entreprise afin d’améliorer les résultats.

Tableau suit une voie similaire dans son propre environnement. Tableau Agent peut créer des visualisations, calculer des champs, filtrer des données et prendre en charge l’exploration en langage naturel. Sa documentation décrit également des limites, notamment des contraintes liées aux sources et des tâches que les utilisateurs devraient diviser en étapes distinctes.

Ces produits disposent d’un avantage important. Ils fonctionnent au sein d’environnements analytiques établis, où les organisations peuvent déjà gérer des sources certifiées, des tableaux de bord, des autorisations et des flux de reporting. Les utilisateurs peuvent passer de l’assistance IA à l’édition visuelle directe sans quitter la plateforme.

L’avantage d’OpenAI réside dans son étendue. L’agent Data peut commencer dans ChatGPT Work et accéder à plusieurs systèmes de données, documents et produits de BI. Cela peut aider lorsqu’une question traverse les frontières entre départements ou lorsque le contexte pertinent se trouve en dehors d’un tableau de bord formel.

La concurrence stratégique ne se résume donc pas à l’agent Data contre Power BI, ou à l’agent Data contre Tableau. Il s’agit d’une compétition autour du point de départ du travail analytique. Microsoft veut que de nombreuses questions commencent par un modèle sémantique Power BI. Salesforce veut que les utilisateurs explorent les données dans l’environnement gouverné de Tableau. OpenAI veut que la question métier commence dans ChatGPT Work, puis soit orientée vers les systèmes externes.

Cette distinction a des conséquences pour les fournisseurs comme pour les clients. Si ChatGPT devient l’interface commune, les plateformes de données risquent de devenir une infrastructure moins visible derrière la conversation. Si les produits de BI conservent la couche de présentation et de révision de confiance, OpenAI reste un coordinateur plutôt que le système d’enregistrement final.

OpenAI reconnaît cette réalité en prenant en charge les outils existants. L’agent peut interagir avec Power BI et Tableau plutôt que de contraindre les clients à recréer chaque tableau de bord. Cela réduit les frictions d’adoption et permet aux organisations de préserver leurs investissements dans leur pile de données actuelle.

Cela crée aussi une complexité technique. Chaque connexion peut exposer des capacités, des métadonnées et des modèles d’autorisation différents. Une action sur un tableau de bord prise en charge sur une plateforme peut ne pas être disponible sur une autre. Les recommandations d’OpenAI indiquent que les actions liées aux outils connectés dépendent à la fois des capacités de l’outil et des droits d’accès de l’utilisateur.

Le même problème s’applique au contexte non structuré. Un document peut expliquer pourquoi une métrique a évolué, mais il peut être obsolète ou spéculatif. L’agent doit distinguer les définitions faisant autorité des commentaires de soutien. Les administrateurs doivent décider quelles sources méritent leur confiance et comment traiter les éléments de preuve contradictoires.

La meilleure mise en œuvre ne consistera pas à connecter immédiatement tous les systèmes disponibles. Elle commencera par un flux de travail limité, une source de vérité connue et un processus de révision explicite. Cela permet aux équipes de mesurer si l’agent reproduit les métriques approuvées avant d’élargir son champ d’action.

Une approche de knowledge blending peut aider les utilisateurs à comprendre cette conception. Les métriques structurées et les documents qualitatifs servent des objectifs différents. Leur combinaison ne devient utile que lorsque le système préserve suffisamment de contexte pour montrer l’origine de chaque conclusion.

Le langage naturel ne supprime pas le problème de gouvernance

L’agent Data réduit la barrière de compétences à l’interface, mais renforce l’importance des définitions, des contrôles d’accès, de la validation et du partage responsable.

OpenAI indique que les requêtes appliquent les autorisations existantes d’un compte connecté, y compris les restrictions au niveau des tables, des lignes et des colonnes. C’est essentiel, car une interface conversationnelle ne devrait pas accorder un accès dont un utilisateur ne dispose pas dans le système source. Les administrateurs choisissent également quelles connexions sont disponibles et quels rôles peuvent les utiliser.

Ces contrôles réduisent une catégorie de risques. Ils ne répondent pas à toutes les questions de gouvernance. Un utilisateur peut avoir un accès légitime à des données sensibles tout en créant un tableau de bord destiné à un public plus large. L’acte de publier ou de partager peut introduire une seconde frontière d’autorisation.

La documentation d’aide d’OpenAI avertit que les données utilisées dans une analyse peuvent être copiées dans un site publié. Elle invite les utilisateurs à prendre en compte les autorisations lorsqu’ils choisissent les destinataires. Cela signifie que l’autorisation au niveau de la source et la diffusion au niveau du résultat doivent être examinées séparément.

Un tableau de bord peut aussi révéler des informations sensibles par agrégation. De petits groupes, des filtres étroits ou des combinaisons inhabituelles peuvent exposer des détails que des lignes individuelles auraient autrement masqués. Les organisations ont besoin de politiques de publication portant sur ce qu’une visualisation communique, et pas uniquement sur la réussite de la requête.

L’exactitude pose un autre défi. Les grands modèles de langage peuvent interpréter avec assurance des demandes vagues, tandis que les données métier contiennent souvent des hypothèses implicites. « Revenu », « client » et « utilisateur actif » peuvent chacun avoir plusieurs définitions valides. Une question en langage naturel peut masquer ces choix plutôt que les résoudre.

Les couches sémantiques constituent la principale réponse d’OpenAI. En ancrant l’agent dans des calculs et des relations approuvés, une organisation peut réduire l’ambiguïté. Le produit peut également montrer des éléments de preuve et permettre aux utilisateurs d’interroger un résultat dans la même conversation.

Pourtant, les couches sémantiques exigent une maintenance continue. Les nouveaux produits modifient les définitions des métriques. Les équipes renomment des champs, changent les règles d’attribution et migrent des bases de données. Si le contexte gouverné prend du retard sur l’activité, l’agent peut fournir une réponse bien expliquée fondée sur des hypothèses obsolètes.

Le risque devient plus sérieux lorsque l’agent recommande une action. Un diagnostic peut influencer les effectifs, les dépenses, la priorisation des clients ou les investissements produits. Ces décisions exigent davantage qu’un graphique plausible. Les utilisateurs doivent savoir quelles données ont été incluses, quelle période a été examinée et quelles explications alternatives subsistent.

Les propres recommandations d’OpenAI encouragent cette révision. Les utilisateurs devraient vérifier les sources, les filtres, les périodes et les définitions des métriques. Si une réponse entre en conflit avec un rapport existant, ils devraient demander à l’agent de comparer ces éléments. C’est une reconnaissance pragmatique du fait que la commodité conversationnelle ne garantit pas l’exactitude.

Les concurrents émettent des réserves similaires. Microsoft note que les résultats génératifs peuvent être non déterministes et que les personnes devraient donc les évaluer et les valider. Tableau documente les limites liées aux sources et aux flux de travail, tout en conservant les politiques de sécurité existantes au niveau des lignes et des colonnes.

Ces réserves convergent vers une conclusion commune à l’industrie. L’IA peut rendre l’analytique plus accessible, mais le libre-service fiable repose toujours sur des modèles organisés et une révision humaine. La couche conversationnelle modifie l’expérience. Elle n’abroge pas les principes de gouvernance des données.

Les organisations qui évaluent le fonctionnement de l’agent Data devraient tester la reproductibilité, et pas seulement la qualité de présentation. Deux utilisateurs disposant des mêmes autorisations peuvent-ils obtenir des calculs cohérents ? L’agent cite-t-il les mêmes définitions que celles utilisées par les rapports officiels ? Les réviseurs peuvent-ils reconstituer les étapes derrière un résultat surprenant ?

Elles devraient également tester la séparation des autorisations. Un pilote utile inclurait des utilisateurs disposant d’accès régionaux, départementaux et hiérarchiques différents. L’objectif est de confirmer que les réponses et les tableaux de bord respectent ces distinctions tout au long de l’analyse, de la modification, de l’actualisation et du partage.

Un autre test porte sur l’ambiguïté adversariale. Les équipes peuvent poser des questions insuffisamment spécifiées et observer si l’agent demande des précisions ou choisit silencieusement une définition. Un système digne de confiance devrait faire apparaître les hypothèses déterminantes avant de présenter une recommandation.

La qualité des données demeure une contrainte finale. Les enregistrements en double, l’ingestion tardive, les valeurs manquantes et les jointures mal documentées peuvent induire en erreur les tableaux de bord traditionnels comme les agents d’IA. Le langage naturel peut rendre ces problèmes moins visibles, car l’utilisateur ne voit jamais la requête sous-jacente.

C’est la principale tension derrière Désormais, tout le monde peut mettre les données au travail. Un accès élargi peut raccourcir la distance entre une question et une décision. Il peut aussi multiplier le nombre de personnes prenant des décisions à partir de données qu’elles n’ont pas elles-mêmes modélisées.

Le lancement ne réussira que si les entreprises traitent la gouvernance comme une partie de l’expérience produit. Les définitions devraient apparaître à côté des résultats. Les éléments de preuve devraient rester inspectables. Les décisions à fort impact devraient exiger une révision, et les tableaux de bord publiés devraient avoir des responsables clairement identifiés.

Trois signaux montreront si la promesse tient

Le prochain test n’est pas de savoir si l’agent Data peut dessiner un tableau de bord convaincant, mais si les organisations peuvent faire confiance à son analyse et l’utiliser de façon répétée.

Le premier signal est une adoption vérifiée au-delà d’exemples alpha sélectionnés. OpenAI a cité des clients utilisant l’agent pour les ventes, les dépenses, les opérations, la planification de l’approvisionnement et l’adoption de produits. La preuve la plus solide viendra d’un usage récurrent dans plusieurs départements, avec des vérifications documentées par rapport à des rapports établis.

Si les organisations continuent à utiliser l’agent après les pilotes initiaux, le flux de travail résout un problème durable. Si l’usage se concentre parmi les spécialistes techniques, l’affirmation selon laquelle Désormais, tout le monde peut mettre les données au travail paraîtra plus limitée que ne le suggère le titre. L’adoption devrait être mesurée par les décisions finalisées et révisées, plutôt que par le seul nombre de prompts.

Le deuxième signal est la manière dont OpenAI standardise la traçabilité et la validation. Les utilisateurs ont besoin de sources visibles, de filtres appliqués, de définitions des métriques, d’horaires d’actualisation et de logique de calcul. Les réviseurs devraient pouvoir distinguer un constat sourcé de l’interprétation du modèle.

Une traçabilité claire renforcerait la position d’OpenAI en tant que couche de contrôle analytique. Une traçabilité faible ou incohérente ramènerait les entreprises prudentes vers leurs environnements de BI existants pour les travaux importants. Une interface conversationnelle gagne la confiance lorsqu’elle facilite la vérification, et non lorsqu’elle se contente de masquer la complexité.

Le troisième signal est la réponse de Microsoft, Salesforce et des principales plateformes de données. Power BI et Tableau prennent déjà en charge les questions en langage naturel et l’analyse visuelle. Les fournisseurs d’entrepôts de données ajoutent également des interfaces d’IA ancrées dans leurs propres métadonnées gouvernées.

Les concurrents peuvent répondre à OpenAI en développant le raisonnement entre sources, en améliorant les flux de travail agentiques ou en rendant leurs produits plus accessibles aux utilisateurs non techniques. Ils peuvent aussi souligner que l’analyse fiable devrait rester au sein de la plateforme où les modèles de données et les autorisations sont déjà gérés.

La stratégie de partenariat d’OpenAI peut atténuer ce conflit. Snowflake, Databricks, MongoDB, AWS, ClickHouse et G2 ont fourni des déclarations favorables au lancement. Leur participation indique que les grands fournisseurs de données voient de la valeur dans le fait de rendre leurs systèmes accessibles via ChatGPT Work.

Le partenariat n’élimine pas la concurrence pour l’attention des utilisateurs. Si les employés interrogent d’abord ChatGPT, OpenAI contrôle l’expérience de départ même lorsqu’une autre entreprise stocke les données ou rend le graphique final. Cette position peut devenir stratégiquement importante à mesure que les agents prennent en charge des flux de travail analytiques plus longs.

Pour les acheteurs en entreprise, un pilote mesuré est la prochaine étape raisonnable. Choisissez un processus de décision avec des définitions stables, tel qu’une revue hebdomadaire du pipeline ou un rapport sur l’adoption produit. Comparez les résultats de l’agent avec les tableaux de bord approuvés, consignez les divergences et testez chaque chemin de partage avant d’élargir l’accès.

Donnez au pilote un critère de réussite clair. Les mesures utiles incluent la concordance avec les métriques certifiées, le temps économisé sur les questions répétitives, le nombre de corrections nécessaires et la capacité des décideurs à examiner les éléments de preuve à l’appui. Évitez de considérer une démonstration soignée comme une preuve de fiabilité opérationnelle.

Pour les travailleurs du savoir individuels, l’opportunité pratique est une exploration plus rapide. Utilisez l’agent pour formuler des questions, comparer des segments et créer un tableau de bord initial. Examinez ensuite les définitions et les éléments de preuve avant de transformer le résultat en recommandation.

L’agent Data fait un pari ambitieux sur l’avenir de la business intelligence. Il suppose que les personnes préféreront énoncer leur objectif et laisser un agent coordonner les systèmes sous-jacents. C’est une orientation crédible, en particulier lorsque les questions traversent des entrepôts de données, des documents et des tableaux de bord établis.

La question plus difficile est de savoir si les organisations peuvent rendre cette commodité fiable. Observez la façon dont OpenAI expose la traçabilité, la manière dont les clients signalent une adoption durable et la réponse des fournisseurs de BI historiques. Ces signaux détermineront si tout le monde peut mettre les données au travail, ou si l’analytique de confiance dépend toujours d’un groupe plus restreint qui se porte garant de chaque réponse.