Cet article est le deuxième d’une série de trois sur le débat dashboard vs BI conversationnel. Si tu n’as pas lu le premier article, Le dashboard est-il mort?, on t’y explique pourquoi les deux outils activent des mécanismes cognitifs distincts. Ici, on s’attaque à ce que les démos ne te montrent jamais : le coût réel. Dans le troisième article, on te propose un cadre concret pour bien bâtir ton portefeuille BI.
*
Le comparatif de coûts cognitifs 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 comparatif de coûts économiques : 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.
Il y a aussi 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.
Pour une organisation qui prend des centaines de décisions par jour, déléguer la surveillance quotidienne d’indicateurs critiques à un canal au coût marginal positif, alors qu’un canal au coût marginal quasi-nul existe déjà : c’est un arbitrage à examiner sérieusement.
Deux objectifs, deux outils qui resteront
C’est ici qu’on peut enfin répondre à la question d’ouverture : quel est le vrai comparatif de coûts entre un dashboard et un BI conversationnel (LLM) ?
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.
*
Cet article est le deuxième d’une série de trois sur le débat dashboard vs BI conversationnel. Si tu as manqué le premier volet, on répond à une question qui revient avec la popularité des outils d’IA; le dashboard est-il mort?
Et dans le troisième, on passe à la pratique : comment bien bâtir ton portefeuille BI avec tout ça en tête.
Des lectures qui valent le détour.
Sources
Healey, C. G., & Enns, J. T. (2012). Attention and visual memory in visualization and computer graphics. IEEE Transactions on Visualization and Computer Graphics, 18(7), 1170-1188.
Hollan, J., Hutchins, E., & Kirsh, D. (2000). Distributed cognition: Toward a new foundation for human-computer interaction research. ACM Transactions on Computer-Human Interaction, 7(2), 174-196.
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Lei, F., et al. (2024). Spider 2.0: Evaluating language models on real-world enterprise text-to-SQL workflows. arXiv:2411.07763. Présenté à ICLR 2025.
Pirolli, P., & Card, S. (1999). Information foraging. Psychological Review, 106(4), 643-675.
Reddy, M. (2026). The Keyhole Effect: Why chat interfaces fail at data analysis. arXiv preprint arXiv:2602.00947. Préprint non encore évalué par les pairs.
Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676-688.
Treisman, A. (1985). Preattentive processing in vision. Computer Vision, Graphics, and Image Processing, 31(2), 156-177.
Woods, D. D. (1984). Visual momentum: A concept to improve the cognitive coupling of person and computer. International Journal of Man-Machine Studies, 21(3), 229-244.
