Fichiers Excel et IA : ce qu’il faut reconstruire pour obtenir une réponse juste

Le problème : un classeur Excel n’est pas une simple feuille de calcul

Un directeur financier pose une question simple : « Quel est le chiffre d’affaires net du segment Industrie au troisième trimestre ? » Le classeur contient douze feuilles, des en-têtes fusionnés, des lignes masquées, des formules de marge et un tableau croisé dynamique. Un humain sait où chercher parce qu’il connaît l’historique du fichier ; une IA, non. Pour elle, le fichier n’est au départ qu’une archive de fichiers XML, avec des cellules, des styles et des relations. Comprendre les données Excel consiste donc d’abord à reconstruire le contexte métier, pas à réciter une plage de cellules.

Cette étape est décisive parce qu’une réponse plausible peut être complètement fausse. Si l’on se contente d’envoyer le texte extrait à un modèle de langage, il peut confondre une ligne de total avec une ligne de détail, prendre une devise pour une autre ou ignorer qu’une colonne est calculée. Le risque n’est pas seulement technique : il devient un risque de décision. La bonne approche combine extraction structurée, règles de lecture et validation, avec une trace permettant de revenir à la cellule ou à la feuille d’origine.

Ce que l’IA doit extraire avant de comprendre

Un lecteur Excel robuste ne se limite pas aux valeurs affichées. Il doit récupérer les valeurs calculées et les formules, mais aussi les types de données, les formats, les unités, les cellules vides, les zéros, les commentaires, les plages nommées, les tableaux structurés et les liens entre feuilles. Les cellules fusionnées méritent une attention particulière : elles masquent souvent un en-tête commun à plusieurs colonnes. Sans cette information, l’IA peut attribuer la mauvaise colonne au mauvais mois ou à la mauvaise entité.

La distinction entre valeur et formule change l’interprétation. Une cellule qui affiche 12 000 peut être une saisie manuelle, le résultat d’une formule ou une valeur figée après copier-coller. Si la formule dépend d’une autre feuille, la réponse doit pouvoir expliquer cette dépendance. De même, une colonne « CA » peut être en euros, en milliers d’euros ou hors taxes selon le classeur. L’IA doit donc extraire les métadonnées et, lorsque l’ambiguïté reste, poser une question ou signaler une hypothèse plutôt que d’inventer une unité.

• Valeurs calculées et formules, avec la feuille et la cellule d’origine.
• En-têtes simples, multi-niveaux et cellules fusionnées.
• Unités, devises, périodes, signes et conventions de marge.
• Lignes masquées, filtres, tableaux croisés et plages nommées.
• Commentaires, notes de version et dépendances entre feuilles.

Reconstruire une table, puis un modèle de données

Une feuille Excel ressemble rarement à une table propre. Elle peut contenir un titre, des mentions de confidentialité, plusieurs tableaux empilés, des sous-totaux au milieu des lignes et des colonnes de calcul. L’IA doit détecter la zone utile, identifier la ligne d’en-tête, séparer les données des totaux et reconnaître les colonnes qui décrivent des dimensions ou des mesures. Dans un suivi commercial, par exemple, « Région », « Client » et « Mois » sont des dimensions, tandis que « Montant signé » et « Marge » sont des mesures.

La reconstruction ne s’arrête pas à une feuille. Les classeurs métier utilisent souvent une feuille de paramètres, une feuille de saisie et une feuille de restitution. L’IA doit comprendre que la feuille de paramètres contient des taux, que la feuille de saisie contient des lignes de commande et que la feuille de restitution agrège ces lignes. Cette cartographie permet de répondre à des questions comme « quelle région a le plus contribué à la marge ? » sans mélanger les niveaux de granularité. Quand le lien entre deux tableaux n’est pas explicite, la meilleure réponse est souvent de demander confirmation, pas de supposer une jointure.

Vérifier la qualité avant d'interroger le classeur

Avant de répondre, l'IA doit contrôler la cohérence de la table reconstruite : lignes dupliquées, cellules vides inattendues, dates au mauvais format, montants négatifs ou totaux insérés dans les données. Ces contrôles évitent qu'une réponse apparemment précise repose sur une ligne de sous-total ou sur une colonne décalée. Lorsque l'anomalie est isolée, elle doit être documentée dans la réponse plutôt que corrigée silencieusement.

• Contrôler l'unicité des identifiants et la cohérence des clés entre feuilles.
• Vérifier les types après conversion : dates, nombres, devises et pourcentages.
• Repérer les lignes de total, les doublons et les cellules vides qui changent le sens.
• Confronter les agrégats à un contrôle simple, par exemple la somme des lignes et le total affiché.

Traduire la question en opérations vérifiables

Une question métier doit être décomposée en étapes explicites : filtrer la période, sélectionner la bonne feuille, agréger la mesure, puis comparer les dimensions. Cette décomposition permet à l'IA de justifier chaque choix et de détecter les ambiguïtés avant de produire un chiffre. Par exemple, « le meilleur mois » peut signifier le plus grand montant, la meilleure marge ou le plus grand nombre de commandes ; sans précision, l'IA doit expliciter son critère.

• Identifier la période, le périmètre et la mesure demandés.
• Choisir la colonne de date et la convention de calcul.
• Préciser si les valeurs doivent être hors taxes, en milliers ou après remise.
• Signaler toute hypothèse lorsque la question reste ambiguë.

Restituer une réponse traçable et prudente

Une réponse juste ne se limite pas au résultat final : elle doit indiquer la feuille, la plage, les filtres et le calcul utilisés. Cette trace permet de vérifier le chiffre et de comprendre pourquoi deux analyses du même classeur peuvent diverger. Si la donnée manque ou si la jointure est incertaine, l'IA doit le dire clairement et proposer la vérification nécessaire plutôt que de combler les trous par une estimation.

• Citer la source : feuille, cellule ou plage nommée.
• Résumer les filtres et les regroupements appliqués.
• Distinguer les faits observés des hypothèses de calcul.
• Proposer une question de clarification quand une clé de jointure manque.

Ce que l'IA ne doit pas faire avec un fichier Excel

L'IA ne doit pas traiter un classeur comme une base de données parfaite ni ignorer les conventions de gestion qui y sont inscrites. Elle ne doit pas inventer une unité, fusionner deux tableaux sans clé commune ou additionner des lignes de granularités différentes. Ces erreurs produisent souvent des réponses plausibles mais fausses, plus difficiles à repérer qu'un message d'échec explicite.

• Ne pas confondre une valeur affichée avec une formule ou une valeur figée.
• Ne pas supprimer silencieusement les lignes vides, les doublons ou les totaux.
• Ne pas supposer qu'une colonne « Date » contient des dates valides.
• Ne pas présenter une estimation comme un résultat issu du fichier.

Conclusion : reconstruire, vérifier, expliquer

Pour comprendre un fichier Excel, l'IA doit d'abord reconstruire la structure, les métadonnées et le modèle de données, puis vérifier la qualité des lignes retenues. La réponse n'est vraiment utile que si elle reste traçable et si elle expose ses hypothèses au lieu de masquer les ambiguïtés. C'est à ce prix qu'un assistant peut aider à exploiter un classeur sans donner une fausse impression de certitude.

FAQ

L'IA peut-elle lire directement les formules Excel ?

Oui, à condition d'accéder au classeur et pas seulement à une copie aplatie des valeurs. Elle doit distinguer la formule de son résultat, repérer les références entre feuilles et signaler les fonctions qu'elle ne peut pas évaluer avec certitude. Une réponse fiable précise donc si le chiffre vient d'un calcul ou d'une valeur figée.

Que faire si mon fichier contient des cellules fusionnées ?

Il faut les traiter comme une information de structure, pas comme une simple mise en forme. L'IA doit propager l'en-tête commun aux colonnes concernées ou demander confirmation lorsque la fusion rend l'affectation ambiguë. Sans cette étape, une colonne peut être rattachée au mauvais mois, à la mauvaise entité ou à la mauvaise mesure.

Comment l'IA gère-t-elle les unités et les devises ?

Elle doit extraire les unités depuis les en-têtes, les paramètres, les formats de cellule et les notes du classeur. Si plusieurs conventions coexistent, elle doit expliciter l'hypothèse retenue ou poser une question avant de calculer. Additionner des euros, des milliers d'euros et des pourcentages sans clarification conduit à une réponse trompeuse.

Peut-on obtenir une réponse fiable avec un fichier mal structuré ?

Souvent, oui, mais au prix d'une reconstruction explicite : détection de la zone utile, séparation des totaux, identification des dimensions et des mesures, puis contrôles de cohérence. L'IA doit indiquer les limites de cette reconstruction et ne pas présenter comme certain un résultat obtenu sur une table incertaine. Quand l'ambiguïté reste trop forte, une question de clarification vaut mieux qu'un chiffre inventé.