Quelque part, en ce moment même, quelqu'un joint un fichier nommé Q3_final_v2_FINAL.xlsx à un e-mail. Il contient trois onglets dont plus personne ne se souvient de l'utilité, une colonne "Statut" avec onze orthographes différentes de "en attente", et il servira de source de vérité pour une décision prise par quelqu'un qui ne l'a jamais ouvert directement. Un collègue l'ouvrira, y jettera un œil, et recopiera manuellement les chiffres dans une diapositive.
Ce n'est pas un cas isolé. C'est un mardi ordinaire, dans un très grand nombre d'entreprises, dans des secteurs qui n'ont rien à voir avec la tech.
L'écart entre le récit de l'IA et le bureau réel
Le discours public sur l'IA en entreprise penche fortement vers la pointe de la technologie : des agents qui planifient des workflows en plusieurs étapes, des modèles qui raisonnent sur des bases de données de production en direct, des pipelines autonomes connectant une dizaine d'API. C'est la version dont on parle, et elle est réelle pour un certain type d'entreprise, celle qui dispose d'une équipe data, d'un entrepôt de données, et d'ingénieurs capables de tout relier.
Ce n'est pas non plus là où vivent la plupart des organisations. Une large part des données opérationnelles quotidiennes, comptages d'inventaire, listes de fournisseurs, suivis de dépenses, journaux de ventes, fiches clients pour les petites structures, circule encore sous forme de fichiers. Non pas parce que quelqu'un pense que c'est idéal, mais parce que construire et maintenir une vraie base de données, une couche API, et l'outillage qui va avec, demande un temps d'ingénierie que la plupart des petites et moyennes entreprises n'ont tout simplement pas en interne. Excel n'est pas une relique héritée ici. C'est l'interface actuelle et réelle entre beaucoup d'entreprises et leurs propres données.
Ce n'est pas une critique des personnes qui l'utilisent. Les tableurs sont flexibles, indulgents, et ne nécessitent aucun ticket informatique pour être modifiés. Cette flexibilité est exactement la raison pour laquelle ils sont partout, et exactement la raison pour laquelle ils sont un tel désordre.
Pourquoi les fichiers résistent à l'automatisation plus qu'on ne le pense
Les outils d'automatisation traditionnels promettent de résoudre cela : importer le fichier, mapper les colonnes, exécuter le pipeline. En pratique, les tableurs résistent de façon fastidieuse plutôt que spectaculaire.
Les noms de colonnes dérivent. "Nom du client" devient "Client" devient "Nom_Cli" selon les différentes versions de ce qui est censé être le même rapport. Les feuilles se multiplient, une par mois, une par région, une par personne ayant touché au fichier. Les types de données sont incohérents au sein d'une même colonne, un champ de date avec trois formats différents, un champ numérique où quelqu'un a tapé "N/A" à la ligne 400. Et il n'existe presque jamais une version canonique unique. Il y a celle du lecteur partagé, celle reçue par e-mail la semaine dernière, et celle qui est réellement correcte, qui peut être l'une ou l'autre, ou aucune des deux.
Rien de tout cela n'est un problème technique difficile à résoudre une fois pour toutes. C'est un problème fastidieux à résoudre à chaque fois, car le prochain fichier aura un désordre légèrement différent. C'est précisément le genre de tâche coûteuse à scripter pour un usage ponctuel, mais qui ne justifie pas l'investissement de construire une véritable intégration, alors elle reste manuelle.
Ce qui change réellement quand un agent conversationnel se place devant le fichier
C'est là que le changement compte, et il vaut la peine d'être précis sur ce qui change et ce qui ne change pas.
Avant, obtenir une réponse d'un tableur désordonné signifiait qu'une personne l'ouvrait, faisait défiler, filtrait, écrivait peut-être une formule, réconciliait mentalement les libellés incohérents, puis rapportait ce qu'elle avait trouvé. Cette étape d'interprétation, un humain faisant un raisonnement ad hoc sur une structure désordonnée, était le véritable goulot d'étranglement, plus que le format du fichier lui-même.
Un agent IA conversationnel connecté à ce fichier peut effectuer une version de cette interprétation à la demande. Demandez "quel a été le total des ventes par région le mois dernier" et l'agent peut naviguer parmi les noms de colonnes incohérents, filtrer les lignes inutiles, et donner une réponse, de la même manière qu'un collègue le ferait, simplement sans attendre que ce collègue ait le temps. C'est un changement réel et pratique pour une tâche qui nécessitait auparavant l'attention d'une personne à chaque fois qu'elle se présentait.
Ce qui ne change pas : la qualité sous-jacente des données. Si le fichier contient des doublons, des valeurs erronées, ou des libellés véritablement ambigus qu'aucun humain ne pourrait résoudre sans plus de contexte, l'IA ne les corrigera pas silencieusement. Elle peut signaler des incohérences, elle peut demander des clarifications, mais elle ne peut pas inventer la bonne réponse quand la donnée source n'en contient pas. Quiconque suggère le contraire, qu'il suffit de pointer une IA vers un tableur pour transformer de mauvaises données en bonnes données, exagère. La valeur ici est de supprimer une étape manuelle, pas de réparer l'hygiène des données.
Où un outil comme Hutif trouve sa place, et où non
Le rôle de Hutif dans ce tableau est volontairement restreint : prendre un fichier CSV ou Excel, ou une petite poignée d'entre eux, et les transformer en quelque chose qu'un agent IA conversationnel peut interroger directement, sans écrire de code d'intégration. Pour le scénario ci-dessus, quelqu'un avec un tableur désordonné mais réellement utile, c'est un déblocage réel et immédiat. Cela remplace "envoyer le fichier par e-mail et attendre" par "poser la question et obtenir une réponse".
Ce n'est pas un outil de qualité des données, et ce n'est pas un substitut pour réparer réellement un tableur fondamentalement cassé, identifiants clients dupliqués, clés manquantes, chaos structurel qui confondrait un humain tout autant qu'un modèle. Ce n'est pas non plus un remplacement pour une véritable base de données quand une entreprise a réellement dépassé le stade des fichiers, c'est un problème différent, avec une solution différente et plus impliquée. Ce à quoi cet outil excelle, c'est le cas spécifique et courant d'un fichier avec des données réelles et utiles, quoique légèrement désorganisées, se trouvant entre quelqu'un et la réponse dont il a besoin.
La conclusion peu glamour
Il n'y a pas d'histoire de transformation spectaculaire ici, pas d'"IA qui révolutionne l'entreprise". C'est plus modeste et plus utile que cela : beaucoup de décisions commerciales réelles reposent encore sur des fichiers qui vivent dans la boîte de réception de quelqu'un, et pour une part significative de ces cas, laisser un agent IA parler directement au fichier supprime une étape manuelle véritablement fastidieuse. Cela vaut la peine d'être construit, même si cela ne fera jamais un titre à sensation.