Les dashboards vont-ils mourir à cause des LLMs?

Pourquoi les sciences cognitives confirment la pertinence du dashboard transversal, et redessinent le portefeuille d’outils de communication disponible dans votre architecture BI?

La question qui revient partout

Depuis quelques mois, la même question revient.

Dans les comités de direction. Avec les clients qu’on rencontre. Dans les événements. Sur LinkedIn.

Je me suis donné le défi de creuser un peu plus loin. Voir si, scientifiquement, le dashboard allait mourir ou non avec les dernières avancées en IA sur le marché.

Réponse courte : on va avoir moins de dashboards. Mais ceux qui resteront seront plus essentiels et réfléchis que jamais.

Parce que ce ne sont pas deux versions du même outil. Ce sont deux objectifs de communication différents, qui activent deux mécanismes cognitifs distincts, et qui ont des structures de coût opposées.

Voici ce que j’ai trouvé, en y ajoutant mon 2 cent évidemment.

Lundi matin : deux expériences, deux cerveaux

Lundi 8h. Tu ouvres ton tableau de bord exécutif.

En une seconde, tu sais. Les ventes n’atteignent pas le budget en région B. La conversion remonte sur la nouvelle campagne dont on vient d’investir 50 000$. Le délai moyen de livraison s’allonge malgré nos investissements dans un outil d’optimisation des routes.

Personne ne te l’a dit. Tu l’as vu.

Le même matin, tu poses la même question à ton copilot analytique. Tu attends quelques secondes. Tu lis quatre lignes. Tu te demandes si le chiffre est calculé sur la bonne période. Tu reformules. Tu relis.

C’est utile. Mais ce n’est pas la même expérience.

Cette différence n’est pas une question de goût. C’est deux mécanismes cognitifs distincts qui s’activent. Documentés depuis des décennies en sciences cognitives et en interaction humain-machine.

Ce que ton cerveau voit en moins d’une seconde

Anne Treisman, dans les années 1980, démontre que certaines caractéristiques visuelles comme la couleur, la longueur, la position et l’orientation sont traitées en parallèle sur tout le champ visuel, en moins de 200 millisecondes.

Ça s’appelle le traitement préattentif.

Christopher Healey et James Enns en publient la synthèse de référence en 2012 dans IEEE Transactions on Visualization and Computer Graphics. Repérer un point rouge parmi vingt points bleus prend le même temps que d’en repérer un parmi cinq cents.

Le cerveau ne scanne pas. Il voit.

C’est ce que fait un bon dashboard. Il livre l’information à la conscience avant qu’on ait eu le temps de la chercher. Le travail cognitif est externalisé dans la visualisation elle-même.

Risko et Gilbert (Trends in Cognitive Sciences, 2016) appellent ça le cognitive offloading. Le dashboard ne stocke pas seulement de l’information, il prend en charge une partie du travail mental qu’on aurait autrement à fournir.

Le cadre théorique plus large, c’est la cognition distribuée (Hollan, Hutchins et Kirsh, ACM TOCHI, 2000). La pensée se produit entre l’analyste, son écran et l’organisation.

Un bon dashboard transversal, c’est un système cognitif distribué. Il fait gagner du temps à toute une chaîne de décision. C’est le principe fondamental de comment on approche les initiatives chez le client (fallait bien que je place un peu de marketing dans cet article sérieux!).

Ce que le LLM exige en retour

Avec un copilot analytique, le mécanisme change complètement de nature. Tu ne vois plus l’information. Tu la cherches.

Dans le langage BI, on appelle ça du drill-down. Tu pars d’une question, tu creuses, tu reformules, tu changes d’angle.

Pirolli et Card, chercheurs au PARC de Xerox, ont donné un nom scientifique au même mécanisme cognitif dans un article fondateur de 1999, publié dans Psychological Review. Ils l’ont appelé la théorie du butinage informationnel (information foraging theory).

L’idée vient de l’écologie comportementale. On cherche l’information comme on cherche de la nourriture en forêt: on suit des pistes, on évalue le rapport entre le gain attendu et le coût d’exploration, on décide d’insister ou d’aller voir ailleurs.

C’est ce qu’on fait avec un LLM. On pose une question, on évalue, on reformule, on recoupe. Chaque cycle a un coût. En attention, en mémoire de travail, en temps qu’on ne consacre pas à autre chose.

Kahneman parlerait ici de Système 2. Délibéré, lent, énergivore. Par opposition au Système 1 perceptif et automatique du graphique.

Ce n’est pas une faiblesse du LLM. C’est la nature de la conversation. Elle est faite pour l’exploration ouverte. Pas pour la surveillance quotidienne d’indicateurs transversaux.

Une objection sérieuse : et les agents LLM avec alertes?

Tu pourrais me dire: on peut bâtir un agent LLM avec des alertes pré-programmées qui fait exactement le travail d’un dashboard.

C’est vrai. Et c’est l’objection la plus sérieuse qu’on peut me faire.

Mais elle renforce l’argument plutôt qu’elle ne le casse.

Au moment où l’agent t’envoie son alerte, tu n’es plus en train de chercher. Tu reçois. C’est du push, pas du pull. Le mode cognitif est le même que devant un dashboard: passif, préattentif, externalisé.

Et le travail en amont est identique. Tu as dû décider quoi surveiller. Quels seuils déclenchent une alerte. Quel format de message. Quelle audience. Tu as bâti un dashboard, en version texte (c’est d’ailleurs un autre format de dashboarding qui prend de plus en plus de places chez nos clients!).

La distinction n’est donc pas entre la technologie LLM et la technologie utilisée pour faire ton dashboard. C’est entre deux fonctions cognitives, qui peuvent chacune être livrées par plusieurs technologies.

Un agent LLM avec alertes pré-programmées appartient à la famille préattentive. Un copilot conversationnel ouvert appartient à la famille drill-down.

On ne dit pas: le LLM ne peut pas faire de surveillance. On dit: la surveillance, peu importe la technologie qui la livre, exige le même travail amont et active le même mode cognitif chez le consommateur. C’est ça qui ne disparaît pas avec l’IA.

Le coût cognitif que la science documente déjà

Février 2026. Mohan Reddy dépose sur arXiv un papier intitulé The Keyhole Effect: Why Chat Interfaces Fail at Data Analysis.

Il reprend un concept de David Woods (1984) : le coût cognitif d’observer un grand espace d’information à travers une fenêtre étroite. Il décrit cinq mécanismes par lesquels une interface chat dégrade systématiquement la performance analytique :

• Le défilement constant défait la mémoire spatiale.
• Les variables d’état restent invisibles et excèdent la mémoire de travail.
• La verbalisation forcée dégrade la reconnaissance de motifs visuels.
• Le flux linéaire bloque l’action épistémique.
• La sérialisation s’aggrave avec la dimensionnalité des données.

Le papier est encore un préprint, mais il met enfin des mots sur ce que les utilisateurs ressentent intuitivement.

Le coût économique : ce qu’on oublie dans les démos

À ce coût cognitif s’ajoute un coût économique. On en parle rarement dans les démos.

Deux dimensions à garder en tête.

La latence sur les requêtes complexes. Une visualisation préparée s’affiche en millisecondes. Les agrégations sont précalculées, les indices font le travail, la cache fait le reste.

Une requête analytique réelle envoyée à un LLM, c’est une autre histoire. Il faut comprendre l’intention, explorer le schéma, générer du SQL, l’exécuter, vérifier le résultat, mettre en forme la réponse. On parle facilement de 5 à 30 secondes. Souvent pas mal plus pour les analyses multi-tables et multi-systèmes.

Multiplie ce délai par des centaines de questions par jour, par des centaines d’utilisateurs. Le temps perdu se chiffre rapidement en équivalents temps plein.

Le coût d’inférence. Chaque requête analytique consomme des tokens, et chaque token coûte de l’argent. Les modèles qui ne résonnent pas sur un schéma d’entreprise centralisé et documenté coûtent les plus chers.

Le sujet est délicat parce qu’on touche à la viabilité économique des fournisseurs eux-mêmes. OpenAI, Anthropic, leurs concurrents : ils opèrent aujourd’hui à perte. Les prix sont subventionnés par les capitaux investis.

Personne ne sait où se stabiliseront les prix une fois que ces entreprises devront atteindre la rentabilité. Mais le sens de la trajectoire est connu. À fonctionnalité égale, les coûts d’inférence vont monter. Ou la qualité disponible à un prix donné va baisser.

Un dashboard bien construit, lui, ne coûte essentiellement rien (ou a un coût qu’on est en mesure de prédire) à consulter une fois déployé.

Deux objectifs, deux outils qui resteront

C’est ici qu’on peut enfin répondre à la question d’ouverture.

Le dashboard et le LLM ne se livrent pas une concurrence. Ils répondent à deux objectifs de communication différents.

Le dashboard a un objectif de diffusion préattentive. Il livre l’information à un public récurrent, sur des indicateurs stables, avec une lecture en moins d’une seconde. Il exploite le Système 1 visuel, il externalise la cognition, il garantit une lecture cohérente entre les utilisateurs. Son coût marginal est quasi nul.

Le LLM a un objectif de drill-down exploratoire. Il aide à chercher sur des questions ad hoc. La formulation flexible, le croisement de sources, la synthèse rédactionnelle : c’est ce qu’une vue figée ne pourra pas livrer. Il active le Système 2, et son coût marginal est positif. En temps d’attente, en coût d’inférence, en risque d’erreur factuelle.

Confondre les deux coûte cher, dans les deux sens.

On remplace de bons dashboards par de mauvais copilots. Ou on multiplie les copilots dans des contextes où une visualisation aurait livré la même information cent fois plus vite, à un coût négligeable.

La vraie question : as-tu une fondation de données?

Voilà ce qu’il faut entendre derrière la question du comité de direction.

Le débat n’est pas vraiment dashboard vs LLM.

Le débat est : as-tu bâti la fondation qui permet à ces deux canaux de produire des résultats cohérents?

Comme je l’écrivais dans L’intelligence d’affaires, ce n’est pas un tableau de bord, le BI n’est pas un outil. C’est un système. Collecte. Intégration. Entreposage. Gouvernance. Et surtout, diffusion.

Les dashboards en sont un canal. Les LLMs en sont un autre. Aucun des deux ne crée la valeur. Les deux amplifient une fondation déjà en place.

Si la donnée est maîtrisée, gouvernée, fiable, la diffusion devient cohérente. Peu importe le canal. Sylvain et Manon, les deux acheteurs, prennent la même décision, qu’ils consultent le dashboard ou qu’ils posent leur question à un agent connecté aux mêmes sources.

Si la donnée n’est pas maîtrisée, on accélère seulement la confusion.

Le LLM mal connecté hallucinera proprement. Le dashboard mal construit affichera des chiffres divergents entre deux écrans. Chaque nouveau cas deviendra plus lent, plus coûteux, plus fragile.

C’est ce qu’on observe sur le terrain.

Les entreprises qui ont investi dans leur fondation de données depuis cinq ans capitalisent aujourd’hui. Quand vient le temps d’ajouter un nouveau canal (dashboard transversal, agent conversationnel, workflow automatisé), ça va vite, parce que tout est déjà en place.

Les autres rattrapent du retard à chaque nouveau cas.

Plus près du self-service BI, mais les fondamentaux restent

On se rapproche du self-service BI de plus en plus (de manière réelle!). Le LLM rend une partie de ce vieux rêve enfin atteignable. N’importe qui dans l’organisation peut, en principe, poser sa question et obtenir une réponse.

Mais les fondamentaux ne disparaissent pas. Ils deviennent plus exigeants.

Pour que le self-service fonctionne vraiment, il faut deux choses qu’on ne peut pas court-circuiter avec un modèle de langage.

Une compréhension fine des données. Ce que les colonnes veulent dire, comment elles sont calculées, ce qui est rafraîchi quand, où sont les biais, quelles sont les exclusions. Sans ça, la question naturelle qu’on pose au copilot reçoit une réponse naturelle, souvent incomplète.

Une littératie de données élevée à l’échelle de l’organisation. Savoir lire un chiffre dans son contexte. Savoir quand douter. Savoir poser la bonne question. C’est un investissement long, transversal, qui touche la formation, la culture, la gouvernance.

On ne se défait malheureusement jamais des fondamentaux. On peut juste choisir de les bâtir tôt, ou de payer pour leur absence plus tard.

Comment choisir: un mini processus

Avant tout, deux prérequis. Si tu réponds non à l’un des deux, arrête-toi là et règle ça d’abord. Aucune interface ne te sauvera.

Prérequis 1. As-tu une fondation de données solide? Sources intégrées, calculs documentés, mêmes chiffres sur deux écrans. Si non, ton dashboard mentira et ton LLM hallucinera. C’est le même fondamental dans les deux cas.

Prérequis 2. La littératie de données est-elle suffisante dans l’audience visée? Savoir lire un chiffre dans son contexte. Savoir quand douter. Savoir poser la bonne question. Si non, peu importe le canal, les chiffres seront mal interprétés.

Les deux cases cochées, quatre questions à se poser pour chaque cas d’usage.

1. La question est-elle stable ou ad hoc? Stable, qui revient chaque semaine sur les mêmes KPI: dashboard. Ad hoc, formulation variable: LLM.
2. L’audience est-elle récurrente ou ponctuelle? Plusieurs personnes qui consomment les mêmes indicateurs: dashboard. Un analyste qui creuse une hypothèse une fois: LLM.
3. Le besoin est-il de surveiller ou d’explorer? Surveiller en continu, repérer une dérive en un coup d’oeil: dashboard, ou agent avec alerte pré-programmée. Explorer, croiser des sources, formuler des hypothèses: LLM.
4. Quel coût marginal par consultation est acceptable? Quasi nul, consulté des centaines de fois par jour, par plusieurs personnes: dashboard. Positif et borné, consulté à la demande par un public restreint: LLM.

Si tu réponds majoritairement «dashboard» aux quatre questions, bâtis ou conserve un dashboard transversal. Si tu réponds majoritairement «LLM», le copilot a sa place. Si la réponse est partagée, tu as probablement deux cas d’usage différents cachés dans la même question: traite-les séparément.

Trois implications concrètes

Auditer le portefeuille selon la fonction cognitive de chaque dashboard. Un dashboard qui sert à surveiller en continu un petit nombre de KPI critiques, c’est un investissement durable. Un dashboard qui sert à répondre à une question posée une fois, consulté deux fois par année, c’est un candidat naturel au retrait, ou à la conversion en interface conversationnelle.

Placer le LLM là où le drill-down est attendu, bienvenu et économiquement justifié. Exploration ad hoc, croisement de sources, génération d’hypothèses, rédaction de synthèse : c’est là que le coût cognitif et le coût d’inférence sont compensés par la valeur produite. Pour la surveillance opérationnelle quotidienne, le rapport coût/bénéfice penche fortement vers le dashboard.

Investir dans la fondation, et dans la littératie de données (ça inclut ta sémantique), avant le canal. Aucun nouveau canal, aussi sophistiqué soit-il, ne compensera l’absence d’une fondation de données solide et d’une organisation qui sait lire ses propres chiffres.

Fast is slow, and slow is fast.

Les organisations qui ont fait ce travail difficile bénéficient maintenant d’un effet boule de neige sur chaque nouvel usage.

Vers le futur (maintenant!)

Le portefeuille BI de demain ne sera pas plus petit parce que les dashboards meurent.

Il sera plus concentré.

Parce que chaque dashboard restant aura mérité sa place : un besoin transversal récurrent, un mécanisme préattentif exploité intelligemment, un coût marginal quasi nul. C’est là, là vrai complexité de bâtir des outils transversaux.

Le LLM ne vient pas remplacer ce dashboard. Il vient compléter le portefeuille de canaux qu’une fondation de données solide rend possible.

À condition qu’on réponde à la vraie question du comité de direction.

Ce n’est pas : est-ce qu’on a encore besoin de dashboards.

C’est : est-ce qu’on a la fondation, la gouvernance et la littératie, pour que tous nos canaux disent la même vérité, à chaque fois qu’on les consulte?