Décryptage · Le 8 heures IA

Connecter une IA à ses données : la méthode de Qonto en 4 étapes

Publié le 3 novembre 2026 · Oriq · Lecture 4 min

Article produit par une intelligence artificielle à partir de sources nommées et datées, publié sous la responsabilité éditoriale d’Oriq. Nos systèmes d’IA · Le responsable éditorial

Qonto, néobanque française de plus de 750 000 clients professionnels, a mis quatre phases à comprendre comment connecter une IA à ses données sans produire de réponses fausses : il faut d’abord gouverner les définitions métier. Ce retour d’expérience daté donne un ordre d’étapes à toute entreprise qui envisage de laisser une IA interroger ses bases internes.

Une IA peut répondre faux avec un aplomb total

Qonto, néobanque française qui dessert aujourd’hui plus de 750 000 clients professionnels en Europe, a documenté publiquement sa trajectoire pour connecter une IA à ses données internes. La leçon tient en une phrase : brancher une IA sur un entrepôt de données sans définitions métier communes produit des réponses qui ont l’air justes mais sont fausses. La solution n’est pas un modèle plus puissant, c’est une couche de règles que l’IA doit respecter avant d’écrire la moindre requête.

L’exemple donné par l’équipe data de Qonto est parlant. À la question « combien de clients actifs en Allemagne au dernier trimestre », l’IA a repéré une colonne nommée is_active et s’en est servie. Problème : le service client considère un client comme actif sur un trimestre seulement s’il l’a été chaque mois. Et l’IA a filtré l’Allemagne sur le pays de domiciliation du client, alors que les équipes commerciales segmentent sur le pays de rattachement du portefeuille. Deux définitions, un seul chiffre, et il était faux.

Quatre phases, deux échecs instructifs

Le parcours de Qonto s’est fait en quatre temps, selon l’équipe data (The Qonto Way, 8 octobre 2026). D’abord un bot qui traduisait les questions en SQL, mais laissait l’utilisateur exécuter et interpréter lui-même la requête : peu d’erreurs silencieuses, mais aucun gain de temps réel.

Ensuite, un accès direct de l’IA à l’entrepôt de données. C’est cette phase qui a produit l’erreur sur les clients actifs allemands, à cause d’incohérences de nommage entre équipes et de définitions de métriques qui variaient selon le service.

Troisième étape : des agents interrogeant un fichier de contexte en Markdown, avec des définitions de métriques approuvées et des chemins de jointure validés. Mieux, mais insuffisant : l’agent manquait de contexte pour répondre aux questions complexes, et l’approche ne passait pas à l’échelle.

La dernière phase a demandé une refonte du modèle de données vers une structure dimensionnelle, puis l’ajout d’une couche de contexte qui décompose chaque question en métriques et dimensions prédéfinies, pour obtenir des résultats déterministes plutôt que des réponses improvisées.

Une IA qui répond avec assurance n’est pas une IA qui a raison : elle applique simplement la première définition qu’elle trouve.

Le vrai coût, souvent passé sous silence

Qonto le reconnaît sans détour : pendant plusieurs mois, l’effort d’ingénierie s’est concentré sur la remise en ordre des modèles de données existants, sans livraison de nouvelles fonctionnalités, au prix d’autres projets déprioritisés. C’est la partie la moins visible d’un projet d’IA sur les données, et souvent la plus longue.

Autre point négligé : l’architecture agentique fait disparaître l’intermédiaire humain, l’analyste qui vérifiait traditionnellement une réponse. L’utilisateur métier hérite donc de la responsabilité d’arbitrage. Qonto affirme avoir dû travailler la culture de la donnée dans ses équipes avant même de les acculturer à l’usage de l’IA elle-même.

Et dans votre entreprise ?

• Réunir finance, commercial et support autour d’un glossaire d’une page : que signifie exactement « client actif », « dernier trimestre », « zone géographique » dans chaque service.
• Tester la connexion d’une IA sur un seul indicateur critique, comme le chiffre d’affaires mensuel, avant de généraliser à l’ensemble des données.
• Chiffrer en interne le temps nécessaire pour nettoyer et harmoniser le modèle de données, avant de promettre une date de mise en production à la direction.

Le premier pas, cette semaine : organiser une réunion d’une heure entre deux services qui utilisent les mêmes mots pour des réalités différentes, et écrire noir sur blanc la définition retenue. C’est ce glossaire, pas le choix de l’outil, qui décide si une IA branchée sur vos données répondra juste ou faux.