Le problème : des données illisibles, des décisions à l'aveugle
Combien de fois avez-vous reçu un export CSV ou un fichier Excel de 40 colonnes, avec la consigne implicite "trouve-nous les insights dedans" ? Dans la majorité des entreprises, l'analyse de données reste un goulot d'étranglement : il faut un analyste pour nettoyer les données, un autre pour les visualiser, et souvent un troisième pour rédiger un rapport compréhensible par la direction. Résultat : des décisions prises sur des intuitions ou des tableaux de bord à moitié lus, faute de temps pour creuser les chiffres.
Un projet de recherche conjoint Oxford/Stanford vient de montrer une piste sérieuse pour automatiser cette chaîne tout en gardant la rigueur scientifique : Data2Story, une compétence (skill) pour Claude Code capable de transformer un simple fichier CSV en article web interactif, entièrement vérifiable. C'est l'occasion de regarder de plus près comment ce type de pipeline fonctionne, et pourquoi il préfigure une nouvelle façon de concevoir nos propres outils de reporting chez MulerTech.
Sept agents, une chaîne de production journalistique automatisée
Data2Story n'est pas un simple prompt qui demande à un LLM de "résumer ce fichier". C'est un système multi-agents orchestré, où sept rôles spécialisés se répartissent le travail à la manière d'une vraie rédaction :
- analyse exploratoire des données,
- recherche de contexte externe,
- génération de statistiques,
- création de graphiques,
- rédaction du texte,
- mise en forme interactive (cartes, visualisations),
- et surtout, vérification croisée de chaque affirmation produite.
Chaque agent a une responsabilité unique et transmet son travail au suivant, un peu comme un pipeline CI/CD où chaque étape valide la précédente avant de poursuivre. C'est cette architecture en chaîne, plutôt qu'un modèle monolithique qui "fait tout", qui permet d'obtenir un résultat à la fois riche et fiable.
La vraie innovation : la traçabilité, pas la génération
Générer un texte à partir d'un CSV, on sait déjà le faire avec n'importe quel LLM généraliste. Ce qui rend Data2Story intéressant, c'est sa fonctionnalité de liaison preuve-affirmation : chaque phrase, chaque graphique, chaque élément interactif de l'article final est relié à sa source — qu'il s'agisse d'une ligne de code, d'une donnée brute du CSV, ou d'une URL externe consultée pendant la recherche.
Concrètement, un lecteur (ou un auditeur interne) peut cliquer sur n'importe quelle statistique citée et remonter jusqu'au calcul exact qui l'a produite. C'est exactement le type de garde-fou qui manque cruellement aux résumés générés par IA dans un contexte professionnel : on a longtemps dû choisir entre la vitesse (laisser l'IA résumer) et la confiance (tout revérifier à la main). Ici, la vérifiabilité est construite dans le pipeline, pas ajoutée après coup.
Les chercheurs illustrent le système avec un cas concret bien choisi : le calendrier de la Coupe du monde 2026. À partir d'un simple CSV listant matchs et villes hôtes, le système a généré un article sur les risques climatiques, avec carte interactive à l'appui. Résultat frappant : environ quatre matchs sur dix sont prévus dans des zones classées "risque thermique extrême" par le syndicat des joueurs (FIFPRO) — l'humidité, plus que la température de l'air, étant identifiée comme le facteur déterminant. Chaque chiffre de cet article est traçable jusqu'à sa source.
Pourquoi cette approche compte pour vos projets PHP/Symfony
Chez MulerTech, ce type d'architecture nous parle directement, même hors du contexte journalistique. Beaucoup de nos clients ont des besoins similaires : transformer des exports métiers (CRM, ERP, logs applicatifs) en rapports lisibles, sans pour autant sacrifier la fiabilité des chiffres présentés aux décideurs.
Quelques enseignements transposables à nos stacks Symfony :
- Découper le pipeline en responsabilités claires plutôt que de tout confier à un seul appel IA. Un service dédié à l'extraction des données, un autre à l'analyse statistique, un autre à la mise en forme : c'est une architecture qu'on sait déjà bâtir avec des Messenger handlers ou des workflows orchestrés, et qui s'adapte naturellement à l'intégration d'agents IA spécialisés.
- Tracer chaque résultat jusqu'à sa source de données, comme on le ferait avec un système d'audit ou de logging métier. Un dashboard généré automatiquement devient bien plus utile s'il permet de remonter jusqu'à la requête SQL ou la ligne brute à l'origine d'un KPI.
- Intégrer la vérification comme une étape du pipeline, pas comme une option. Dans un contexte d'entreprise, un rapport généré par IA sans mécanisme de contrôle reste un risque, surtout si des décisions stratégiques en dépendent.
Cette logique rejoint d'ailleurs les principes d'orchestration multi-agents qu'on voit émerger sur des outils comme Claude Code : des compétences ("skills") prédéfinies, déclenchables à la demande, capables de coordonner plusieurs rôles spécialisés sur une tâche complexe — un modèle qu'on peut s'approprier pour automatiser, par exemple, la génération de rapports d'activité, de synthèses commerciales ou de tableaux de bord conformité.
Conclusion
Data2Story n'est encore qu'une démonstration de recherche, mais elle pointe vers une évolution de fond : l'IA générative ne se contente plus de produire du texte plausible, elle commence à intégrer nativement les mécanismes de vérification qui manquaient pour la rendre exploitable en contexte professionnel. Pour les entreprises qui croulent sous les fichiers CSV et les rapports Excel illisibles, c'est une direction prometteuse — à condition de garder, comme le fait ce projet, la traçabilité au cœur de l'architecture plutôt qu'en option.
Chez MulerTech, c'est exactement le type d'approche que nous suivons de près pour concevoir des outils de reporting et d'analyse de données fiables, intégrés à vos applications Symfony existantes.
Article basé sur une publication de The Decoder, par Jonathan Kemper.
