Analyser des données avec l'IA

Cette leçon répond à la question qui retient la plupart des associations avant de confier une analyse à l’IA : comment savoir si les résultats sont fiables ? Vous y apprendrez à valider les capacités analytiques de l’outil sur des données dont vous connaissez déjà les conclusions, à repérer par le Discernement ce qui lui manque, puis à appliquer la méthode à vos communications, à vos dons et, en objectif avancé, à l’anticipation des besoins de votre communauté.

Tester l’IA sur des données dont vous connaissez la réponse

La leçon précédente traitait de ce qu’il faut protéger. Celle-ci reprend la boucle Délégation-Diligence sous un angle précis : construire une confiance fondée dans les capacités analytiques de l’IA pour votre travail à vous, en la testant systématiquement sur des données que vous comprenez déjà. La méthode tient en quatre temps. Repérez une tâche d’analyse que vous faites régulièrement et que vous aimeriez déléguer. Retrouvez des données passées pour lesquelles vous avez déjà fait cette analyse, résultats connus à l’appui. Travaillez avec l’IA pour reproduire ce que vous aviez fait, en évaluant ce qui marche et ce qui ne marche pas. Affinez votre approche et testez à nouveau. Si l’IA retrouve vos résultats, vous savez comment l’utiliser et lui faire confiance pour des tâches semblables ; sinon, vous venez d’apprendre que cette tâche ne se délègue pas, et vous l’apprenez avant que l’erreur ne coûte quoi que ce soit.

C’est la démarche de Rio, directeur de programme à Valley Veterans Services, dans la vidéo de la leçon officielle. Chaque trimestre, il croise la fréquentation de son programme de formation à l’emploi avec les résultats d’insertion : taux de participation, variations mensuelles, lien entre assiduité et obtention d’un emploi. Des heures de nettoyage de données et de formules. Il veut continuer à interpréter les résultats lui-même, mais se passerait volontiers du reste. Son cas de test : les données brutes du trimestre précédent, dont il connaît exactement les conclusions. À chaque réponse de l’IA, il compare avec ce qu’il sait et note les écarts. Première passe : l’IA identifie correctement la corrélation entre assiduité et insertion, mais rate un point important lié au programme combiné logement et emploi. Rio précise sa Description, demande de tenir compte du type de programme, et l’IA corrige ; il note que, pour les trimestres suivants, il devra le demander explicitement. Puis il pousse plus loin, une analyse par date d’inscription, et constate que l’IA ne dispose pas de ces dates : sans elles, elle tenterait de les déduire, ce qu’il ne veut pas. Autre note pour l’avenir.

Au bout de ce processus, Rio a validé ce que l’IA peut et ne peut pas faire pour son reporting trimestriel : avec la bonne Description, elle reproduit l’analyse qu’il faisait à la main ; elle a aussi des limites claires et des points à vérifier. Surtout, il dispose d’une approche testée, applicable avec confiance aux données du trimestre en cours, et de notes précises sur les informations à fournir et le contexte qu’il doit encore ajouter lui-même. Sa diligence continue ensuite : vérifier que les chiffres ont du sens au regard de ce qu’il sait de ses programmes, assumer le rapport final, être transparent sur le rôle de l’IA si on le lui demande. Mais il part d’une confiance validée, plus d’une impression. La même méthode vaut pour toute analyse que vous envisagez : analyse des donateurs, prévision budgétaire, synthèse d’enquête, suivi des résultats. Testez d’abord, validez ce qui marche, puis appliquez ; ou apprenez ce qu’il ne faut pas déléguer du tout.

Même si les chiffres ne sont pas votre fort

Et si vous n’êtes pas à l’aise avec les données au départ, au point de ne pas pouvoir repérer vous-même les failles d’un raisonnement ? L’IA peut aussi servir à imaginer et à mettre en œuvre des solutions auxquelles vous n’auriez pas pensé. Les modèles sont particulièrement bons en programmation : ils savent écrire des formules de tableur, remettre en forme un export désordonné, et plus encore. Apportez votre question ou votre idée, demandez explicitement à comprendre à quoi pourrait ressembler une solution, comme vous le feriez avec un analyste de votre équipe, et continuez à demander des clarifications et des explications jusqu’à pouvoir suivre le processus et comprendre le résultat final. Car la validation construit la confiance, mais elle n’élimine pas la responsabilité : vous restez redevable de vérifier que les résultats ont du sens, et transparent sur le rôle de l’IA dans votre analyse.

À vous de jouer

Exercice 1 : analyser vos messages. Un terrain à faible enjeu pour pratiquer la boucle Description-Discernement sur des données : vos propres communications publiques. Rassemblez 10 à 20 exemples (publications sur les réseaux sociaux, objets de courriels, titres de lettre d’information, annonces d’événements), en mêlant ce que vous jugez performant et ce qui a moins bien marché. Partagez ce jeu de données avec l’IA et demandez-lui quels thèmes ou sujets apparaissent dans vos contenus les plus performants, quels motifs de langage, de ton ou de mise en forme émergent, et s’il existe des écarts entre ce que vous communiquez et ce qui résonne. Puis exercez le Discernement : les motifs identifiés correspondent-ils à votre intuition ? Quel contexte sur votre public ou vos objectifs manque à l’IA ? Un motif vous surprend-il ? Réfléchissez ensuite à ce que vous cherchez à apprendre de ce jeu de données, à la façon dont vos contenus performants s’accordent avec votre voix et vos valeurs, et à la question de savoir si vous touchez le bon public. Objectif avancé : demandez à l’IA de confronter vos messages à la mission et aux valeurs déclarées de votre organisation, de relever les écarts, et d’en tirer un guide de communication.

Exercice 2 : analyser les motifs de dons. Cet exercice applique l’analyse à des données de collecte, à fort enjeu, en s’appuyant sur l’hygiène des données de la leçon 5. Reprenez le jeu de données de donateurs assaini à la leçon 5, ou préparez-en un nouveau en retirant toute information personnelle identifiante ; assurez-vous de disposer d’un historique sur plusieurs périodes. Demandez à l’IA d’y chercher des motifs : taux de fidélisation des donateurs dans le temps, dons récurrents contre dons ponctuels, efficacité comparée des campagnes, tendances par fourchettes de montants. Évaluez ses conclusions avec esprit critique : les tendances correspondent-elles à ce que vous savez de votre base de donateurs ? L’IA se concentre-t-elle sur la seule valeur monétaire, en ignorant les facteurs relationnels ? Quels motifs aideraient à renforcer les relations avec les donateurs, pas seulement à maximiser les recettes ? Réfléchissez enfin au coût des recommandations d’efficacité : si l’analyse suggère de privilégier les grands donateurs au détriment des petits, quel effet sur la perception de la communauté et sur la pérennité à long terme ?

Exercice 3 : anticiper les besoins de la communauté (objectif avancé). Cet exercice combine plusieurs sources pour pratiquer l’analyse prospective, une capacité très demandée. Rassemblez ce que vous utilisez déjà pour comprendre les besoins : vos données de programme et vos demandes de services, des rapports ou jeux de données externes sur votre communauté, les actualités ou évolutions de politiques publiques qui touchent vos bénéficiaires. Demandez à l’IA d’identifier les tendances dans les types de soutien demandés, les facteurs externes susceptibles d’augmenter ou de modifier la demande, et les écarts entre vos services actuels et les besoins émergents. Cette analyse exige le plus haut niveau de Discernement : comment les prédictions de l’IA se comparent-elles à votre expérience directe de la communauté ? Quels facteurs systémiques ou quel contexte local pourrait-elle manquer ? Quelles valeurs garder en tête pour anticiper des besoins avec dignité et respect ? Réfléchissez à la façon d’aborder ce processus de manière responsable, et à ce que vous pouvez expliquer ou contextualiser que l’IA ne peut pas.

Questions de réflexion

• Tester l’IA sur des données que vous compreniez déjà a-t-il changé votre confiance pour de nouvelles analyses ?
• Quelles lacunes ou limites avez-vous identifiées, qui façonneront votre façon de déléguer des tâches d’analyse à l’avenir ?

Sources officielles : Data analysis with AI (Claude Academy : vidéo de 7 minutes, trois exercices) · Comprendre la confidentialité et les données (leçon précédente, pour le jeu de données assaini)

Points clés à retenir

• Testez l’IA sur des données que vous comprenez déjà avant de lui confier une analyse nouvelle : si elle retrouve vos résultats connus, vous pouvez l’utiliser pour des tâches semblables.
• Le Discernement sert à repérer les lacunes : notez où l’IA manque un contexte et quelle Description supplémentaire fournir.
• Construisez des approches validées et documentées, jamais une confiance aveugle : chaque tour de test apprend ce que l’IA fait bien et où elle a besoin d’être guidée.
• Même sans être à l’aise avec les données, l’IA peut proposer des solutions, écrire des formules et remettre en forme un fichier : demandez des explications jusqu’à comprendre.
• La validation construit la confiance mais n’élimine pas la responsabilité : vérifier que les résultats ont du sens, être transparent sur le rôle de l’IA.

Crédits et licence — Adaptation française du cours « AI Fluency for Nonprofits » de l’Anthropic Academy, réalisé par Anthropic en partenariat avec GivingTuesday et fondé sur le cadre AI Fluency de Rick Dakan et Joseph Feller. Les supports d’origine sont © 2026 Anthropic, publiés sous licence CC BY-NC-SA 4.0 ; cette adaptation, qui les traduit et les remanie, est diffusée sous la même licence.