Agent de données IA : les leçons de Notion pour PME

Le goulot d'étranglement que toutes les entreprises connaissent

Un commercial veut savoir comment un client utilise son offre avant un renouvellement. Une responsable marketing cherche les comptes à cibler en priorité. Dans la plupart des entreprises, ces questions finissent dans une file d'attente : quelqu'un doit trouver la bonne source, vérifier la définition, écrire la requête puis expliquer le résultat. Même une question simple peut prendre plusieurs jours.

C'est exactement le problème que Notion décrit dans un retour d'expérience publié sur son blog. L'éditeur a construit un agent de données interne permettant à n'importe quel salarié de poser une question en langage naturel et d'obtenir une réponse issue de données gouvernées. Selon Notion, les demandes hebdomadaires adressées à l'équipe data ont baissé d'environ 80 % en deux mois, et environ la moitié des collaborateurs utilisent désormais cet agent.

Chez comm.it, nous accompagnons des TPE et PME, notamment des entreprises commerciales et marketing, sur l'IA, l'automatisation et l'infrastructure. L'approche détaillée par Notion confirme plusieurs principes que nous appliquons dans nos projets, à une échelle adaptée à des structures plus petites.

Une requête qui fonctionne n'est pas forcément une bonne réponse

La leçon la plus précieuse du retour d'expérience de Notion tient en une phrase : le contexte compte autant que la connexion aux données. Un agent peut produire une requête techniquement correcte et répondre pourtant à côté. Notion identifie quatre sources d'erreur :

• Le sens : compter des appartenances à des espaces de travail plutôt que des personnes peut gonfler artificiellement un indicateur d'adoption.
• L'aiguillage : l'agent trouve une table plausible mais pas la définition maintenue ni les filtres obligatoires.
• La mesure : un changement dans la façon de suivre l'usage peut simuler une hausse ou une baisse qui n'existe pas.
• L'interprétation : un chiffre juste peut être mal lu. Une adoption stable peut être conforme au plan si le client déploie progressivement, et cette information se trouve dans les notes de compte, pas dans l'entrepôt de données.

Pour une PME, ce constat est essentiel. Brancher un assistant IA sur un CRM ou un tableur ne suffit pas : il faut lui donner les définitions métier qui font foi, et savoir qui en est responsable.

Les trois piliers que nous retenons

Notion structure son agent autour de trois piliers. Nous les reprenons comme grille de lecture dans nos missions.

1. Des accès gouvernés

Chez Notion, chaque utilisateur se connecte à l'entrepôt de données avec ses propres identifiants. Les réponses reflètent donc uniquement les données auxquelles il a droit, avec des rôles, des masquages et des filtres par ligne lorsqu'ils sont configurés. Comme le résume l'équipe : un agent peut faire remonter une donnée difficile à trouver, mais il ne contourne jamais les contrôles d'accès.

Pour nos clients, cela se traduit par un travail en amont sur les droits, les comptes utilisateurs et la sécurité réseau, avant même de parler d'IA.

2. Un contexte partagé et entretenu

Notion distingue trois types de connaissances :

• le contexte data : indicateurs, sources, niveau de détail, filtres, fraîcheur ;
• le contexte métier : objectifs, vocabulaire interne, historique client ;
• le guide d'aiguillage : quelle source et quel outil utiliser pour quelle question.

L'équipe utilise une base de données Notion comme index : chaque entrée est une page qui décrit une définition, un schéma, une procédure ou un changement connu. L'agent ne charge que les pages utiles. L'intérêt est que ces connaissances vivent à côté des plans et des notes que les équipes tiennent déjà à jour. Notion reconnaît aussi la limite : une bibliothèque de pages n'impose pas une définition, elle demande des responsables clairs et un processus de revue.

3. Des instructions claires et des contrôles systématiques

Avant de répondre, l'agent de Notion vérifie notamment :

• que le périmètre du client est correct, sans doublons ;
• que le numérateur, le dénominateur et les périodes suivent la définition officielle ;
• que la période est complète et que les changements de suivi sont pris en compte ;
• que la réponse sépare le changement mesuré de son explication possible.

Et surtout, il signale une définition manquante ou un accès refusé au lieu d'inventer un contournement. La décision finale reste celle de l'équipe commerciale.

De l'agent ponctuel aux rapports automatisés

Une fois la fondation en place, Notion explique que les équipes ont créé d'autres agents qui la réutilisent : des rapports récurrents envoyés automatiquement, et des agents spécialisés par métier. C'est là que l'automatisation prend tout son sens : ne plus relancer chaque semaine la même analyse, mais suivre les mêmes indicateurs dans le temps.

L'équipe a aussi mis en place une maintenance continue : chaque nuit, un agent repère les informations manquantes, obsolètes ou contradictoires, et un second applique les corrections simples tout en transmettant les cas ambigus à un humain. Un principe nous paraît particulièrement sain : une correction signalée dans une conversation est une raison d'enquêter, pas une autorisation de réécrire un indicateur.

Enfin, chaque requête est tracée avec ses métadonnées (indicateur, définition utilisée, filtres, période). Ces traces permettent de comprendre pourquoi deux questions similaires donnent des réponses différentes et de savoir où corriger.

Ce que cela change concrètement pour une PME

Les PME n'ont généralement ni équipe data dédiée ni entrepôt de données complexe. Les principes partagés par Notion restent pourtant directement applicables :

• Commencer petit : partir d'une poignée de questions récurrentes, plutôt que de vouloir tout documenter. C'est aussi la recommandation de Notion.
• Choisir des données fiables : des sources et des définitions validées par les personnes qui les connaissent.
• Relier données et contexte métier : un chiffre de vente n'a de sens qu'à la lumière des objectifs et de l'historique client.
• Garder l'humain dans la boucle : vérifier, tracer, corriger.

Notre rôle chez comm.it consiste à assembler ces briques : infrastructure et réseau sécurisés, gestion des accès, connexion des outils existants, conception d'agents IA et d'automatisations adaptés aux usages commerciaux et marketing. L'objectif est le même que celui décrit par Notion : permettre à chacun d'apporter des données fiables dans ses décisions, sans ouvrir un ticket et attendre.

Passer à l'action

Vos équipes commerciales ou marketing perdent du temps à chercher des chiffres ? Vous voulez explorer ce qu'un agent de données pourrait apporter à votre entreprise, de façon maîtrisée et sécurisée ? Parlons-en : contactez comm.it pour échanger sur votre projet.

Source : How we built a personal data scientist for every Notion employee