EN DIRECT
OpenAI lève 11 milliards de dollars, valorisée 1 250 milliards08/11/26 · OpenAI|Anthropic : les attentes de valorisation pour l'IPO chutent à 1 100 milliards de dollars06/11/26 · Anthropic|Mark Cuban accuse Facebook d'avoir sciemment monétisé des publicités frauduleuses à base de deepfakes06/11/26 · Meta|OpenAI dévoile GPT‑6 Cyber, un modèle dédié à la recherche de vulnérabilités05/11/26 · OpenAI|Un pipeline IA d'OpenAI détecte près de 1 000 failles dans le noyau Linux04/11/26 · OpenAI|La dette cachée des géants tech américains liée à l'IA bondit de 90% à 3200 milliards de dollars03/11/26|La Chine instaure son premier contrôle à l'export sur l'IA de pointe02/11/26|Une option de Claude Code aurait exposé des mots de passe dans 1 122 dépôts GitHub publics07/11/26 · Anthropic|Microsoft Research dissout son groupe AI Frontiers, départ de John Langford07/11/26 · Microsoft|Un essai soutient que l'IA accélère déjà nettement la recherche en IA06/11/26|Les bibliothèques universitaires débordées par les robots d'exploration de l'IA06/11/26|ToyBlocks : un environnement contrôlé pour entraîner et évaluer des robots06/11/26 · Allen Institute for AI|OpenAI lève 11 milliards de dollars, valorisée 1 250 milliards08/11/26 · OpenAI|Anthropic : les attentes de valorisation pour l'IPO chutent à 1 100 milliards de dollars06/11/26 · Anthropic|Mark Cuban accuse Facebook d'avoir sciemment monétisé des publicités frauduleuses à base de deepfakes06/11/26 · Meta|OpenAI dévoile GPT‑6 Cyber, un modèle dédié à la recherche de vulnérabilités05/11/26 · OpenAI|Un pipeline IA d'OpenAI détecte près de 1 000 failles dans le noyau Linux04/11/26 · OpenAI|La dette cachée des géants tech américains liée à l'IA bondit de 90% à 3200 milliards de dollars03/11/26|La Chine instaure son premier contrôle à l'export sur l'IA de pointe02/11/26|Une option de Claude Code aurait exposé des mots de passe dans 1 122 dépôts GitHub publics07/11/26 · Anthropic|Microsoft Research dissout son groupe AI Frontiers, départ de John Langford07/11/26 · Microsoft|Un essai soutient que l'IA accélère déjà nettement la recherche en IA06/11/26|Les bibliothèques universitaires débordées par les robots d'exploration de l'IA06/11/26|ToyBlocks : un environnement contrôlé pour entraîner et évaluer des robots06/11/26 · Allen Institute for AI|
Recette pratique · Données & tableurs

Nettoyer un tableur reçu d’un tiers et repérer ce qui cloche

Doublons, formats mélangés, totaux faux : un fichier fiable avant de s’en servir, avec les formules qui le prouvent.

À l’aise 25 min

Les outils de cette recette

  • IA native dans Google Sheets : formules, nettoyage, explication

    Payant · dès 12 €Données chez l’éditeurSécu : rien à signaler

    Voir la fiche →
  • Même rôle dans Excel (optionnel)

    Payant · dès 15.6 €Données chez l’éditeurSécu : rien à signaler

    Voir la fiche →
  • Générer une formule à partir d’une phrase, sans abonnement bureautique (optionnel)

    FreemiumDonnées chez l’éditeurSécu : une réserve, lire la fiche

    Voir la fiche →

Pas à pas

  1. 1

    Dupliquer l’onglet

    Travaillez toujours sur une copie. Le premier onglet reste la source telle que reçue, vous y reviendrez pour vérifier.

  2. 2

    Demander un diagnostic, pas une correction

    Prompt de départ : « Décris les problèmes de ce tableau sans rien modifier ». Vous obtenez la liste : colonnes dates en texte, espaces en fin de cellule, doublons probables, montants avec et sans TVA mélangés.

  3. 3

    Corriger par formules

    Pour chaque problème, demandez la formule (SUPPRESPACE, CNUM, UNIQUE, RECHERCHEX…) et appliquez-la dans une nouvelle colonne. Une valeur écrasée ne se vérifie plus ; une formule, oui.

  4. 4

    Contrôler les totaux

    Demandez trois contrôles croisés : total avant/après nettoyage, nombre de lignes, somme par catégorie. Un écart non expliqué est un problème non résolu.

  5. 5

    Documenter

    Ajoutez un onglet « Nettoyage » avec la liste des corrections. Celui qui reprendra le fichier dans six mois vous remerciera, et c’est peut-être vous.

Exemple réel

Situation
Export de 1 340 lignes d’un logiciel de facturation, envoyé par un client pour analyse : colonnes Date, Client, Montant, Statut.
Ce qu’on a demandé / réglé
Analyse les colonnes A à D de cet onglet. Liste chaque problème de qualité de données que tu constates (format, doublon, valeur aberrante, incohérence), avec le nombre de lignes concernées et un exemple. Ne modifie aucune cellule. Ensuite, pour chaque problème, propose une formule à mettre dans une nouvelle colonne pour le corriger ou le signaler.
Ce qu’on a obtenu
7 problèmes trouvés dont 212 dates en texte, 18 doublons de numéro de facture, 3 montants négatifs sans statut « avoir ». Totaux contrôlés : écart de 0,00 € après correction. Temps : 25 minutes.

À vérifier à la main avant de s’en servir

  • ✓Le total de la source et celui du fichier nettoyé sont égaux, ou l’écart est expliqué ligne par ligne.
  • ✓Chaque correction est une formule ou une colonne ajoutée, jamais une valeur écrasée.
  • ✓Le nombre de lignes n’a changé que par les doublons supprimés, et vous les avez listés.

Vos données : précautions

  • !Un tableur avec des noms de clients et des montants est une donnée personnelle et commerciale : utilisez le compte Workspace ou M365 de l’entreprise, pas un compte perso.
  • !Gemini et Copilot lisent tout le classeur, y compris les onglets masqués : retirez ce qui n’a rien à y faire avant.
  • !Ne laissez jamais l’IA « supprimer les doublons » elle-même : elle choisit la ligne à garder à votre place.

Partager ce verdict

Un lien, la même sélection, les mêmes raisons.

Partager sur LinkedIn

Chaque recette a été faite pour de vrai. Les outils cités sont notés et revérifiés chaque semaine ; aucune place n’est vendue.

Toutes les recettes →