Cet article est le premier d’une série de trois sur le débat dashboard vs BI conversationnel. Dans les deux prochains volets, on plonge dans le vrai comparatif de coûts que personne ne fait en démo, puis on te propose un cadre concret pour bâtir ton portefeuille BI. Mais d’abord : est-ce que le dashboard va vraiment mourir?
***
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… : « Avec un LLM connecté à nos données, a-t-on a encore besoin d’un dashboard? De tableaux de bord? »
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, 8 h 00, 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. Il s’agit de 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 BI conversationnel (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 BI conversationnel (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 BI conversionnels ou agents LLM avec alertes?
On pourrait se 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.
***
Cet article est le premier d’une série de trois sur le débat dashboard vs BI conversationnel.
Dans le prochain volet, on s’attaque à ce que les démos ne te montrent jamais : le vrai comparatif de coûts entre les deux approches. Et dans le troisième, un cadre concret pour bâtir ton portefeuille BI.
La suite vaut 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.
