Oui, vous pouvez brancher une IA sur des données dispersées dans vingt fichiers Excel, à condition de ne pas la brancher tout de suite. Cinq étapes suffisent : inventorier les fichiers, trouver une clé commune, consolider, fixer des règles de nommage, conserver l'historique. Aucune n'oblige à tout refaire dans un nouvel outil.
Le cas est d'une banalité presque touchante. Prenons une PME de distribution de 80 personnes, exemple construit pour cet article, dont les commerciaux, la logistique et la comptabilité travaillent chacun dans leurs classeurs. Personne n'a menti, personne n'a mal fait son travail : les fichiers sont nés d'un besoin réel, un jour de rush, et ils ont survécu. Le jour où la direction demande « et si on mettait de l'IA là-dessus ? », la réponse honnête est : pas encore, mais pas loin non plus.
Pourquoi des fichiers Excel dispersés posent-ils problème à une IA ?
Un modèle de langage ou un moteur de prédiction ne devine pas ce que vous savez sans le dire. Quand un humain ouvre le classeur « Suivi commandes v7 final », il sait que la colonne F est en hors taxes pour les clients français et en toutes taxes pour un ancien client belge. Il sait que les lignes grisées sont annulées. Il sait que le fichier de Sandrine est plus fiable que celui de l'an dernier. Rien de tout cela n'est écrit dans le fichier.
L'IA, elle, lit ce qu'on lui donne. Si le même client apparaît sous trois graphies, elle en comptera trois. Si deux fichiers donnent des chiffres d'affaires différents pour le même mois, elle choisira l'un des deux sans prévenir, ou pire, répondra avec assurance en mélangeant les deux. Le défaut n'est pas dans l'outil Excel, qui est excellent, mais dans l'absence de conventions partagées. Et les tableurs eux-mêmes ne sont pas sans erreur : en compilant les audits de terrain menés depuis 1997, le chercheur Raymond Panko rapportait des erreurs dans au moins 86 % des tableurs audités (Panko, EuSpRIG 2000). Brancher une IA sur ces fichiers sans les vérifier, c'est automatiser ces erreurs.
Avant un projet, c'est exactement ce que nous cherchons à mesurer lors d'un audit IA de votre entreprise : non pas « avez-vous des données ? » (vous en avez, trop), mais « peut-on s'y fier, et sait-on où elles vivent ? ». Pour une vue plus large de la démarche, notre article sur l'audit de données pour réussir ses projets d'IA pose le cadre général.
Étape 1 : comment inventorier ses fichiers sans y passer un mois ?
On commence par une liste, pas par un outil. Une feuille à quatre colonnes suffit : le nom du fichier, qui l'alimente, à quelle fréquence, et qui s'en sert pour décider quelque chose. Le but n'est pas l'exhaustivité, c'est de repérer les fichiers qui comptent.
En mission, nous faisons cet inventaire en entretien, avec une personne par service, plutôt qu'en fouillant les serveurs. Un fichier que personne ne cite à voix haute n'est presque jamais critique. À l'inverse, un classeur que trois personnes mentionnent spontanément est un candidat sérieux, même s'il est mal rangé.
On y repère aussi trois catégories qui n'ont pas le même sort :
- les fichiers sources, saisis à la main ou exportés d'un logiciel métier, qui sont la vérité de départ ;
- les fichiers dérivés, qui recopient ou recalculent les premiers (les fameux « tableaux de bord » bricolés) ;
- les fichiers morts, conservés par prudence et jamais rouverts.
C'est souvent ce tri qui fait gagner le plus de temps. Chez KAPIMS Pharma, le reporting mensuel reposait sur douze sources de données consolidées à la main ; une fois ces sources identifiées et la consolidation automatisée, 90 % du temps de reporting a été rendu aux équipes. Savoir quelles sont les vraies sources change tout : on ne consolide pas vingt fichiers, on fiabilise les quelques-uns qui font foi.
Étape 2 : quelle clé commune permet de relier les fichiers entre eux ?
C'est l'étape qui décide du reste. Pour croiser un fichier de commandes et un fichier de facturation, il faut un identifiant qui désigne le même objet des deux côtés : un code client, un numéro d'affaire, une référence article. Sans lui, on rapproche des noms, et les noms mentent.
Dans la grande majorité des PME, cette clé existe déjà quelque part, souvent dans le logiciel de facturation ou de gestion commerciale, et elle n'a simplement pas été recopiée dans les autres classeurs. La bonne nouvelle est là : on n'invente presque jamais une clé, on la propage.
Quand elle n'existe vraiment pas, on en crée une volontairement simple, lisible par un humain (par exemple l'année, un trigramme client et un numéro d'ordre) et on la fait vivre dans une seule feuille de référence. Nous évitons les clés opaques de type identifiant technique pour les fichiers que les équipes continueront d'ouvrir : si personne ne peut la lire, personne ne la saisira correctement.
Un point d'attention revient sans cesse : la clé doit être unique et stable. Un code client réutilisé après une cessation d'activité, ou une référence article modifiée à chaque changement de fournisseur, casse l'historique en silence. Il vaut mieux découvrir ce piège maintenant que dans les réponses d'un assistant six mois plus tard.
Étape 3 : consolider sans tout migrer vers un nouvel outil
Voici notre position, que nous assumons : on ne demande pas à une PME d'abandonner Excel pour un entrepôt de données avant de commencer. On crée une couche de consolidation à côté, qui lit les fichiers existants, les nettoie et les assemble dans un format stable.
Concrètement, cela peut être une base de données légère alimentée chaque nuit, ou des requêtes automatisées qui rapatrient les sources dans un modèle unique. Les équipes continuent de saisir où elles ont l'habitude de saisir ; la consolidation se fait en aval. C'est moins glorieux qu'un grand chantier de refonte, mais c'est ce qui tient dans la durée, parce que personne n'a à changer ses réflexes le premier jour.
Le nettoyage porte sur peu de choses, toujours les mêmes : dates écrites de cinq façons, montants stockés comme du texte, lignes de total noyées au milieu des données, cellules fusionnées, onglets cachés. Chaque règle de nettoyage est écrite une fois et rejouée à chaque mise à jour, ce qui évite de corriger à la main le même défaut tous les mois.
Sur la partie restitution, la consolidation ouvre aussi des options que l'on n'avait pas : un reporting automatisé, des tableaux de bord, ou un assistant qui répond en langage naturel. Si le sujet vous intéresse, nous avons détaillé le chemin Excel, Power Query et Power BI pour le reporting financier, et comparé Tableau, Power BI et Looker pour une PME.
Étape 4 : quelles règles de nommage fixer, et lesquelles laisser de côté ?
On touche ici au plus humain du sujet. Les règles de nommage ne servent pas à faire joli, elles servent à ce qu'un programme, et un collègue pressé, retrouvent la bonne information. Nous en retenons peu, parce qu'une règle trop longue n'est jamais appliquée.
- Un nom de client s'écrit d'une seule façon, issu de la feuille de référence.
- Une date s'écrit au format année, mois, jour, partout.
- Une colonne porte son unité dans son titre (« montant_ht_eur », pas « montant »).
- Un fichier a un propriétaire nommé, une personne et non un service.
- On ne duplique pas un fichier pour le modifier : on le modifie, et on garde l'historique ailleurs.
Ce que nous refusons d'imposer : renommer rétroactivement tous les anciens fichiers, ou obliger les équipes à changer la structure de leurs onglets de travail. Le gain est faible et la résistance, légitime. Les règles s'appliquent à la couche consolidée et aux nouvelles saisies ; l'existant est traduit par les règles de nettoyage de l'étape précédente.
Une feuille « dictionnaire » d'une page, qui explique ce que veut dire chaque colonne importante, est l'outil le plus rentable de toute la démarche. Elle sert à la fois aux nouveaux arrivants et à l'IA, qui peut la lire pour comprendre le vocabulaire de la maison.
Étape 5 : comment garder un historique exploitable ?
Une IA utile à la décision a besoin de voir le passé, pas seulement l'état du jour. Or beaucoup de classeurs sont écrasés à chaque mise à jour : le stock du lundi remplace celui de la semaine précédente, le prix d'achat actuel efface l'ancien. Le jour où l'on veut comprendre une saisonnalité ou une dérive de marge, la matière a disparu.
La solution est modeste : figer une copie datée des sources à intervalle régulier (chaque soir, chaque fin de mois selon le sujet) dans la couche consolidée, sans toucher aux fichiers de travail. On gagne la capacité de comparer, de reconstituer une situation passée, et de rejouer un calcul quand une règle change.
Il faut aussi décider, avec le métier, quoi faire des corrections. Quand on corrige une erreur de saisie datant de trois mois, l'historique est-il réécrit ou annoté ? Les deux se défendent ; ce qui ne se défend pas, c'est de ne pas avoir tranché. Nous écrivons cette décision noir sur blanc, parce qu'elle conditionne la confiance qu'on accordera ensuite aux chiffres. Pour aller plus loin sur ce que l'on peut tirer d'un historique propre, voyez comment transformer des données historiques en modèle prédictif.
Ce que nous refusons de faire dans cette préparation
Autant être clairs, car le sujet attire les promesses excessives. Nous ne lançons pas un chantier de « data lake » pour une entreprise qui n'a que six fichiers sources. Nous ne reconstituons pas dix ans d'historique si personne ne s'en sert. Nous ne corrigeons pas les données à la place des équipes sans leur montrer ce qui a été changé, parce que des chiffres corrigés en cachette détruisent la confiance plus sûrement que des chiffres imparfaits.
Nous refusons aussi de brancher un agent sur des données dont personne ne connaît la fiabilité. Un agent qui automatise un mauvais chiffre produit des erreurs plus vite, c'est tout. C'est pourquoi la préparation passe avant l'outil, même quand l'enthousiasme pousse à inverser l'ordre. Pour ce que les agents changent réellement dans la gestion des données, notre article sur les agents IA et la gestion des données donne le panorama.
Enfin, nous mesurons ce que la préparation rapporte avant de promettre le reste. Un projet d'IA se juge à ses effets sur le travail des équipes, et la méthode pour le faire est détaillée dans notre guide pour mesurer le retour sur investissement de vos projets IA.
À quoi ressemble le résultat, concrètement ?
Revenons à notre PME de distribution. Au bout de la démarche, elle n'aurait pas changé d'outil métier. Ses équipes saisissent toujours dans leurs classeurs. Mais une couche consolidée, mise à jour chaque nuit, relie commandes, livraisons et factures par un code client unique. Un dictionnaire d'une page explique les colonnes. Une copie datée garde la trace de chaque fin de mois.
Sur cette base, le directeur financier peut poser une question en langage courant sur les retards de paiement par client et obtenir une réponse qu'il peut vérifier, ligne par ligne, dans la source. C'est ce critère que nous retenons : une réponse de l'IA n'a de valeur que si l'on peut remonter jusqu'au fichier d'où elle vient.
La préparation des données reste un travail de fond, rarement spectaculaire, qui décide pourtant de ce que l'IA vaudra ensuite. Si vous avez vos propres classeurs en tête, la première étape ne coûte rien : dressez la liste de ceux qui comptent, et regardez combien sont réellement des sources.









