Un LLM ne lit pas un graphe, il lit du texte structuré. Transformer de la télémétrie en débrief utile tient au cadrage, pas au modèle.
Comparer une performance à une référence et expliquer l'écart en langage clair : c'est une tâche où un LLM excelle, à condition de ne pas lui donner des données brutes.
Le LLM comme couche d’analyse
On n'envoie pas une trace complète. On extrait des features (zones de freinage, écarts par secteur, variabilité) et on les présente comme un tableau compact. Le modèle commente des chiffres déjà digérés, pas un flux.
Le prompt fixe le rôle, le registre et les limites : pas d'invention, signaler l'incertitude, hiérarchiser par impact. La sortie est structurée pour être réinjectée dans le produit.
Cadrer pour éviter l’hallucination
Le risque est que le modèle invente une cause plausible mais fausse. On le contraint aux données fournies, on lui interdit d'extrapoler, et on garde une évaluation humaine sur un échantillon.
Le LLM n'est pas l'intelligence du système. C'est la couche qui rend lisible une analyse déjà faite en amont.