Dashboard de planification : avant et après une revue assistée par IA

Le dashboard à gauche est ce que l’équipe de planification regardait avant la passe de revue. Trente-sept KPI. Quatre graphiques de séries temporelles. Deux tableaux croisés dynamiques. Tout techniquement présent ; rien priorisé.

La chaîne de prompts a tourné en trois étapes : d’abord une lecture complète de la spécification du dashboard, puis une passe de critique demandant ce qu’un revieweur senior supprimerait, puis une passe de reconstruction utilisant uniquement les dix indicateurs qui avaient survécu. Le résultat est à droite.

Ce qui a changé : vingt-sept indicateurs supprimés, non pas parce qu’ils étaient faux mais parce qu’ils n’étaient pas pertinents pour la décision. Les deux graphiques de séries temporelles restants ont été recadrés autour de la décision de planification réelle (point de recommande vs. position de stock actuelle) plutôt qu’autour de ce qui était facile à extraire du système.

Ce que cela a pris : Quarante minutes, une session Claude, une chaîne de prompts bien structurée. L’IA ne comprenait pas le contexte de planification, on le lui a donné. Le prompt incluait la décision que le dashboard devait soutenir et le public qui le lirait. Ce contexte est ce qui a fait le travail.

Ce que cela n’a pas fait : L’IA n’avait aucune visibilité sur les données sous-jacentes. Elle a revu la structure et le cadrage, pas les chiffres. Un humain a quand même dû vérifier que les dix indicateurs survivants étaient correctement calculés. L’automatisation gère la structure ; le jugement gère la vérification d’exactitude.

Mode d’échec : La première version du prompt de critique était trop agressive, elle a signalé douze indicateurs à supprimer qui étaient en réalité structurants pour un processus en aval que le prompt ne connaissait pas. La deuxième version a ajouté une contrainte : « ne suggérez pas de supprimer un indicateur qui alimente le pack S&OP hebdomadaire. » Cela a produit un résultat plus utile.