Les directions de l’environnement de travail (DET) manient un volume important de données : occupation des espaces, nombre d’interventions, consommation énergétique, qualité de service… Pourtant, ces informations restent souvent sous-exploitées, faute d’outils adaptés ou de ressources dédiées à l’analyse. L’intelligence artificielle ouvre de nouvelles perspectives en permettant d’analyser plus facilement ces données, d’en extraire des tendances et d’aider à la prise de décision.
Comment les LLM facilitent l’analyse de données en entreprise
Depuis 2023, l’émergence de grands modèles de langage (LLM) a simplifié l’analyse de la donnée. Des outils comme ChatGPT, Gemini ou Claude permettent désormais, sans expertise technique avancée, d’explorer des données, d’en extraire des tendances, d’identifier des anomalies ou encore de formuler rapidement des hypothèses d’analyse. Ils facilitent l’interprétation des données et rendent leur exploitation beaucoup plus accessible au quotidien. Dans cette dynamique, une nouvelle génération d’intelligence artificielle se développe : les systèmes dits “agentiques”. Plus autonomes que les assistants conversationnels, ils sont capables d’interpréter une demande mais aussi d’agir directement dans les systèmes de l’entreprise. Concrètement, ils peuvent automatiser des tâches comme la création de tickets, l’envoi d’alertes ou la mise à jour de bases de données. Pour les DET, ces avancées ouvrent la voie à une gestion plus automatisée, particulièrement précieuse dans des environnements où la réactivité est clé.
Cas concret : analyser des données capteurs avec l’IA (format CSV)
Pour illustrer ces usages, voici un exemple d’analyse menée à partir de données CSV par MerciYanis. La start-up a récemment accompagné Julien Grzegorczyk, facility manager et responsable technique chez OVHcloud, qui souhaitait exploiter les relevés de température de ses bureaux afin d’identifier d’éventuelles périodes de surchauffe. Jusqu’alors, l’interface MerciYanis permettait uniquement une consultation des données, capteur par capteur. Or, le besoin du client était différent. Il voulait disposer d’une vision complète de l’ensemble des capteurs du site de Lyon, au sein d’une interface unique, avec la possibilité de comparer les courbes et de repérer précisément les périodes critiques.
« Nous avons donc exporté les données des capteurs au format CSV, un format structuré standard. J’ai ensuite demandé à ChatGPT de me générer une interface HTML capable d’afficher plusieurs graphiques de températures simultanément, avec des fonctionnalités de filtrage et de navigation temporelle »
, détaille Guillaume Blanc, CEO de MerciYanis.
En quelques itérations, une première version fonctionnelle a pu être mise en place très rapidement.
« Il y a quelques années, j’aurais proposé un développement spécifique. Cela aurait représenté plusieurs milliers d’euros et plusieurs jours de développement »
, pointe Guillaume Blanc.
Grâce à l’IA, le client a ainsi pu visualiser l’ensemble de ses capteurs sur un même écran, afficher ou masquer certaines courbes, et zoomer sur des plages temporelles spécifiques pour affiner son analyse.
« Les graphiques générés par MerciYanis m’ont permis de constater que le week-end, sans présence humaine et avec le matériel informatique éteint, la température restait pourtant trop élevée. Grâce à ça, les techniciens ont identifié une anomalie dans le programme de gestion de la température, qui provoquait un chauffage en continu »
, explique Julien Grzegorczyk.
