LLMs & données d'entreprise :
pourquoi votre DW est le prérequis de l'IA

Le paradoxe de l'IA générative en entreprise

En 2025, pratiquement chaque DSI au Maroc a reçu la même demande de sa direction : "On veut mettre de l'IA sur nos données." ChatGPT a impressionné tout le monde, et la tentation est grande d'imaginer que l'on pourra interroger ses données d'entreprise en langage naturel, comme on pose une question à un assistant.

La réalité est plus nuancée. Les Large Language Models (LLMs) comme GPT-4, Claude ou Gemini sont des outils extraordinaires pour comprendre et générer du langage. Mais ils ne savent pas, par défaut, ce que votre chiffre d'affaires du dernier trimestre, le stock de votre entrepôt de Casablanca ou le taux d'absentéisme de votre usine de Tanger.

Pourquoi l'IA a besoin de votre Data Warehouse

Un LLM sans accès aux données de l'entreprise ne peut que halluciner des réponses plausibles. Pour qu'il soit utile, il doit pouvoir accéder à vos données — et c'est là que le Data Warehouse devient le prérequis absolu.

Le problème des silos de données

Sans Data Warehouse, les données d'une entreprise typique sont dispersées dans des dizaines de silos : ERP, CRM, Excel partagés sur OneDrive, exports manuels, bases Access locales. Si vous connectez un LLM directement à ces sources :

• Il verra des données contradictoires (le CA dans l'ERP ≠ le CA dans l'Excel du commercial)
• Il ne comprendra pas les règles métier (un "client actif" ne signifie pas la même chose pour la finance et pour le commercial)
• Il produira des réponses brillamment formulées mais fausses dans le fond

L'architecture Text-to-SQL : comment ça marche

L'approche la plus directe pour interroger un DW avec un LLM est le Text-to-SQL : le LLM reçoit une question en langage naturel, génère une requête SQL, l'exécute sur votre DW et vous renvoie la réponse.

-- Question : "Quel est le CA du Q1 2025 par région ?"
-- Le LLM génère automatiquement :

SELECT
    d.region,
    SUM(f.montant_vente) AS CA_Q1_2025
FROM
    FAIT_VENTES f
    JOIN DIM_CLIENT c ON f.id_client = c.id_client
    JOIN DIM_DATE d_t ON f.id_date = d_t.id_date
    JOIN DIM_REGION d ON c.id_region = d.id_region
WHERE
    d_t.annee = 2025
    AND d_t.trimestre = 1
GROUP BY
    d.region
ORDER BY
    CA_Q1_2025 DESC;

Pour que le LLM génère cette requête correctement, il doit connaître le schéma de votre DW. C'est là que la qualité de votre modélisation dimensionnelle fait la différence : un schéma en étoile bien documenté est infiniment plus facile à exploiter par un LLM qu'un schéma OLTP avec 300 tables.

Les 3 conditions pour une IA utile sur vos données

1. Des données unifiées et gouvernées

Votre DW doit être la source de vérité unique. Pas de doublon, pas de contradiction entre systèmes. Les règles métier (comment calculer le CA, qui est un client actif, quelle est la définition d'un retard) doivent être encodées dans le modèle.

2. Un modèle documenté et sémantique

Le LLM a besoin de comprendre ce que représente chaque table et chaque colonne. Les noms doivent être explicites, les relations claires. Un glossaire métier mappé sur les colonnes du DW est un accélérateur considérable.

3. Une couche de sécurité

Un LLM connecté à votre DW doit respecter les mêmes règles d'accès que vos outils BI. Le Row-Level Security (RLS) de Power BI ou les profils OAS doivent s'appliquer aux requêtes générées par l'IA.

Ce que cela signifie concrètement pour votre roadmap BI

Si vous envisagez d'intégrer l'IA générative à votre système d'information, voici l'ordre des priorités :

1. Construire ou consolider votre DW — c'est le prérequis non négociable
2. Modéliser proprement — schéma en étoile, dimensions conformées, règles métier encodées
3. Documenter le modèle — descriptions de tables et colonnes, glossaire métier
4. Déployer la couche IA — Text-to-SQL, RAG sur documentation BI, Copilot Power BI

Chez ANAILYNIS, nous recommandons systématiquement de commencer par un audit de maturité data avant tout projet IA. Un LLM sur un DW solide est un multiplicateur de valeur. Un LLM sur des données en silos est un générateur de risques.