Analyse de données Excel avec l’IA : la méthode pas à pas

« Analyse de données Excel » ramène presque toujours à un tableau devenu trop grand pour un simple coup d’œil. Le résultat dépend presque entièrement de la façon dont vous posez la question à l’IA, pas de l’outil utilisé — c’est ce point, plus que le choix du modèle, qui fait la différence entre un chiffre fiable et un chiffre qui sonne juste sans l’être.

L’erreur la plus fréquente : joindre le fichier et écrire « analyse ça ». Sans préciser les colonnes, les unités, et la question exacte à laquelle vous voulez répondre, l’IA devine — et produit un chiffre plausible, pas nécessairement exact.

Quand ça fonctionne bien, et quand ça demande une vérification

• —Des colonnes claires, une question simple (somme, moyenne, valeur la plus élevée) : fiable, même sur plusieurs milliers de lignes.
• —Plusieurs feuilles, des formats incohérents, des cellules avec des formules plutôt que des valeurs : l’IA confond facilement quelle colonne signifie quoi — une question de clarification avant d’accepter un chiffre se justifie ici.
• —Des données personnelles — noms, salaires, coordonnées clients : à ne pas transmettre telles quelles dans une fenêtre de discussion. Anonymiser, ou utiliser un outil qui ne renvoie pas les données vers un serveur externe, est le choix le plus sûr.

Un détail souvent oublié : Excel distingue ce qui s’affiche dans une cellule de la formule qui se trouve derrière. Si vous copiez un tableau en texte brut dans une conversation, les formules disparaissent — l’IA ne voit plus que les dernières valeurs calculées, pas la façon dont elles ont été obtenues. Pour une simple analyse, cela ne pose en général pas de problème. Pour vérifier qu’une formule est elle-même correcte, il faut en revanche la formule en clair, pas seulement son résultat.

Une méthode qui tient même sur un gros tableau

Plutôt que de faire analyser tout le tableau en un seul message, vous avancez par étapes. Cela prend deux minutes de plus et évite de faire passer un chiffre faux dans une décision.

1. 01Décrivez d’abord les colonnes vous-même, ou demandez à l’IA de confirmer ce qu’elle a compris des en-têtes avant de poser la vraie question.
2. 02Posez une question précise et fermée : « calcule le chiffre d’affaires moyen par région à partir de la colonne C, regroupé par la colonne A » plutôt que « qu’est-ce qui te frappe dans ce tableau ? ».
3. 03Demandez le détail du calcul, pas seulement le résultat : « montre-moi étape par étape comment tu arrives à ce chiffre ». Une IA qui ne peut pas expliquer son chemin ne l’a souvent pas vraiment suivi.
4. 04Vérifiez un échantillon à la main — une région, une ligne — par rapport à ce que l’IA a produit, avant de transmettre le résultat.

Un exemple du début à la fin

Prenez un tableau avec les ventes trimestrielles de votre équipe : colonne A la région, colonne B le mois, colonne C le montant en euros, environ 600 lignes sur trois régions. Le premier prompt n’est pas « analyse ça », mais : « J’ai un tableau avec les colonnes Région, Mois, Montant. Décris brièvement ce que tu comprends des dix premières lignes avant qu’on continue. »

Une fois la description confirmée, vient la vraie question : « Calcule le chiffre d’affaires total par région pour le troisième trimestre, trié par ordre décroissant. Montre les sous-totaux par mois, pas seulement le résultat final. » Ce sont ces sous-totaux mensuels que vous recalculez réellement à la main — pas tout le tableau, juste une région, un mois.

Si le sous-total d’un mois ne correspond pas à votre propre vérification, vous avez trouvé le problème avant qu’il n’atterrisse dans une présentation — pas après.

Une deuxième erreur, tout aussi fréquente, n’apparaît qu’au moment de l’échantillon : les cellules vides. Si une ligne n’a pas de montant parce que le mois n’est pas encore clos, certains modèles comptent cette cellule vide comme un zéro dans le calcul — ce qui fait baisser artificiellement la moyenne. Demandez donc explicitement comment les valeurs manquantes ont été traitées avant d’accepter une moyenne.

Une analyse sans étape intermédiaire est une affirmation. Une analyse avec une étape intermédiaire est une affirmation que vous pouvez vérifier en une minute.

Pourquoi un chiffre qui sonne juste peut rester faux

Le Stanford AI Index suit chaque année, de façon systématique, la fiabilité des modèles sur les tâches de calcul — l’écart entre « ça sonne juste » et « c’est juste » se réduit, mais plus lentement que ce que laisse penser un premier essai réussi. Pour une analyse de données, cela veut dire concrètement qu’un total mal calculé est présenté avec exactement la même assurance qu’un total correct.

Les lignes directrices de l’OCDE sur l’IA citent la vérification humaine comme un élément à part entière d’un usage responsable, pas comme une étape optionnelle en fin de parcours — pour un chiffre qui alimente une décision, cela signifie concrètement : recalculer au moins un échantillon à la main avant que l’analyse ne quitte votre boîte mail.

Sur l’ampleur réelle de l’usage de ces outils dans les entreprises françaises, l’INSEE publie des statistiques plus fiables qu’un argumentaire commercial, et la DARES suit en continu quelles tâches d’analyse se prêtent réellement à ce type d’automatisation et lesquelles nécessitent encore une vérification humaine.

Cette routine de vérification est justement ce pour quoi le marché du travail paie une prime salariale nette, selon le PwC AI Jobs Barometer — pas le fait de cliquer sur « analyser », mais la capacité à repérer ce qu’il faut encore corriger à la main dans le résultat.

Ce que vous essayez cette semaine

1. 01Prenez un tableau que vous devez de toute façon analyser cette semaine, pas un fichier de test.
2. 02Décrivez les colonnes vous-même, ou faites-les confirmer par l’IA, avant de poser une question.
3. 03Posez une question fermée avec regroupement plutôt qu’une demande ouverte sur les « tendances ».
4. 04Exigez le détail du calcul et recalculez au moins un chiffre à la main avant de transmettre le résultat.

Cette même méthode par étapes s’applique tout autant à une question purement statistique — moyenne, écart type, corrélation — détaillée dans Excel statistique avec l’IA, qui montre en particulier pourquoi une corrélation ne prouve jamais une cause. Formuler une demande aussi précise se travaille comme n’importe quel autre prompt : les quatre éléments à réunir sont détaillés dans Formation prompt IA. Refaites-vous ce type d’analyse chaque semaine sur des données similaires ? Automatisation IA montre comment cadrer un enchaînement complet sans perdre ce point de vérification.

Si vous préférez un parcours complet plutôt que d’apprendre au fil des tâches, Formation IA générative part de zéro et couvre cette même prudence face à un résultat qui semble juste.

Cette compétence — décrire précisément une tâche et vérifier ce qui en ressort — est ce que Coursium fait pratiquer par petites leçons sur votre téléphone, sur des exemples réels plutôt que sur une démonstration. Gardez une longueur d’avance sur l’IA en commençant ici — ou lisez d’abord à propos de Coursium.