Qonto mise sur une couche de contexte pour fiabiliser son IA data
Qonto vise plus de 90 % de couverture via Omni et veut unifier ses métriques prioritaires fin 2026, après avoir revu son architecture d’analyse de données.
La fintech Qonto réorganise ses données pour que ses agents IA utilisent des indicateurs métier validés. Elle vise plus de 90 % de couverture via Omni et l’intégration de toutes ses métriques et questions prioritaires fin 2026. Pour les équipes, l’accès direct aux données s’accompagne d’une responsabilité accrue dans leur interprétation.
Un prompt optimisé est pré-rempli pour chaque moteur. Les résultats générés par l'IA peuvent différer du contenu original.
Selon Silicon, Qonto veut réunir toutes ses métriques et questions prioritaires, dites P0, dans une couche de contexte unifiée d’ici fin 2026. L’entreprise vise une couverture supérieure à 90 % via Omni. Cette ambition accompagne une refonte de son analyse de données par agents IA : plutôt que laisser le modèle construire seul ses requêtes, Qonto entend l’appuyer sur des définitions métier validées. Ces objectifs sont ceux rapportés par l’entreprise, pas des résultats acquis.
Quatre étapes pour encadrer les réponses de l’IA
La démarche décrite par Qonto comporte quatre phases. Elle illustre une difficulté centrale de l’IA appliquée aux données financières : une requête techniquement correcte peut répondre à la mauvaise question. Le parcours présenté passe par plusieurs niveaux d’encadrement (source : Silicon, relatant le retour d’expérience de Qonto).
- Traduire les questions en SQL. Un premier bot produisait des requêtes que les utilisateurs devaient exécuter eux-mêmes dans Snowflake. Comprendre le SQL restait nécessaire.
- Ouvrir un accès direct via Claude. Le modèle évaluait les requêtes et les données, mais travaillait sur des définitions et des conventions de nommage hétérogènes.
- Fournir un contexte validé. Des agents consultaient un fichier Markdown contenant métriques approuvées, jointures validées et entités documentées. Une question hors périmètre recevait la réponse « pas encore modélisé ».
- Revoir les modèles de données. Qonto a ensuite engagé une modélisation dimensionnelle et choisi Omni pour sa couche de contexte.
Le sens d’un indicateur ne se déduit pas d’une colonne
L’exemple des clients actifs en Allemagne montre le risque. Selon le récit de Qonto, Claude avait retenu une colonne d’activité et le pays de domiciliation. Or, pour l’équipe chargée de la relation client, un client actif sur un trimestre doit l’avoir été chaque mois. Le rattachement géographique dépend aussi du portefeuille, et non de sa domiciliation.
La période ajoute une autre ambiguïté : « dernier trimestre » peut être interprété comme les trois derniers mois écoulés plutôt que comme le dernier trimestre calendaire. Le problème porte donc sur la définition métier, pas seulement sur la génération du SQL.
Un socle plus contraint, au prix d’un chantier interne
Avec Omni, Qonto explique décomposer les questions en métriques et dimensions prédéfinies pour obtenir des résultats déterministes. L’entreprise oppose cette méthode aux quatre opérations probabilistes de son approche initiale : sélectionner les tables, déduire leurs relations, choisir les agrégations et rédiger le SQL.
Ce cadrage réduit la latitude laissée au modèle. Il déplace aussi l’effort vers la qualité des définitions et leur couverture. Qonto reconnaît avoir consacré plusieurs mois aux modèles existants, sans nouvelles fonctionnalités pour les métiers, et dépriorisé d’autres projets (source : Silicon).
La maîtrise des données reste décisive
Qonto présente désormais la couverture comme sa principale contrainte. Son objectif supérieur à 90 % devra se concilier avec l’exploration libre. Pour les équipes, l’enjeu est concret : interroger directement les données implique de comprendre les indicateurs et d’assumer l’arbitrage auparavant assuré par un analyste. L’échéance de fin 2026 permettra d’apprécier l’extension de ce cadre aux questions prioritaires.