Une IA vous livre rapidement une analyse convaincante, et votre client attend déjà votre retour. Vous hésitez à transmettre les résultats sans savoir si les chiffres reposent sur les bonnes données et les bons calculs. Comme freelance, vous restez responsable de vérifier la question, les données, la méthode et l’interprétation avant la remise.
Cette méthode vous aide à contrôler une analyse existante, avec des étapes vérifiables et des limites clairement posées. Elle ne promet pas que tout résultat sera exact. Elle vous donne plutôt des points d’appui pour décider ce que vous pouvez valider et ce qui demande encore un contrôle.
Table of Contents
À retenir
- Un résultat bien présenté ne prouve pas que son calcul est juste.
- Une vérification commence par la question métier et les données de référence.
- Vous pouvez reproduire les indicateurs décisifs avec un calcul indépendant.
- Les limites non résolues doivent être dites clairement au client.
- La prudence sur les données fait partie du contrôle.
Ce texte s’inscrit dans la série « Le choc de l’IA sur le freelancing », avec une date de référence au 10 octobre 2026. Le propos porte sur une analyse à contrôler, pas sur une mesure des pertes d’emplois dans l’activité indépendante. Vous trouverez ici un protocole vérifiable, plutôt qu’une garantie d’exactitude. Pour l’appliquer utilement, il faut d’abord distinguer ce que l’IA assiste de ce qu’elle prouve réellement dans les tâches de data.
Ce que l’IA automatise, et ce qu’elle ne prouve pas
Automatiser une opération ne signifie pas remplacer un emploi : une machine peut produire un résultat sans démontrer qu’il est juste. L’exposition des tâches désigne la part du travail dont certaines opérations peuvent être assistées ou automatisées par une technologie, sans que cela signifie qu’un emploi entier est supprimé.
Il faut distinguer cette exposition de l’usage observé, puis des pertes d’emplois. Une capacité technique ne prouve pas que tous les freelances l’utilisent, ni qu’une entreprise a supprimé un poste. Sans périmètre, date et source primaire, un chiffre de remplacement ne permet pas de conclure sur votre activité.
Une opération automatisable n’est pas la preuve qu’un emploi disparaît, ni que son résultat est fiable.
Le travail d’un data analyst ne se limite pas à lancer des algorithmes. Il comprend la collecte, le nettoyage, l’analyse, la visualisation et la communication des résultats. Une IA peut assister certaines étapes, mais elle ne remplace pas automatiquement la connaissance des systèmes, des données et de la question métier.
La validation humaine reste nécessaire pour vérifier que les résultats répondent au besoin réel. Les études sur le travail doivent aussi être lues selon leur méthode et leur périmètre. Les travaux originaux de l’OIT, de l’OCDE, de l’INSEE et de la recherche sont plus adaptés pour examiner ces affirmations que les données d’un fournisseur isolé.
Vous pouvez consulter l’analyse de l’OIT sur l’impact possible de l’IA générative selon les professions pour situer ces questions. Une étude d’une plateforme ou d’un fournisseur ne décrit pas, à elle seule, tous les métiers data. Pour votre mission, la question utile reste plus précise : les données et la méthode justifient-elles le résultat remis ? Cela commence par le cadrage des données et de la question métier.
Avant le calcul, cadrer la question et les données
Une demande comme « analysez les ventes » ne précise ni la période ni ce qui compte comme une vente. Avant tout calcul, traduisez cette demande en question métier, puis fixez les données utiles et les règles de référence.
Un indicateur n’a de sens que si sa définition, sa période et son unité d’analyse sont explicites. Sans ce cadre, deux résultats différents peuvent être cohérents avec deux interprétations différentes. La base à contrôler peut venir de transactions, de systèmes internes, d’un ERP ou d’une API.
Fixer la question, la période et les indicateurs
Écrivez la question métier sous une forme qui peut recevoir une réponse mesurable. Définissez la période, l’unité d’analyse, les filtres et les sources attendues. Précisez aussi la définition de chaque indicateur : par exemple, dites si une vente correspond à une commande passée, payée ou expédiée.
Une analyse données peut porter sur des commandes, des clients ou des produits. Ces unités ne sont pas interchangeables. Indiquez ce qui doit être compté une fois, ce qui doit être regroupé et les exclusions prévues. Les données brutes ne prennent sens qu’avec ces choix.
Vérifier l’origine et l’intégrité du jeu de données
Ne supposez pas que le fichier reçu décrit toute l’activité de l’entreprise. Rapprochez son contenu de la source de référence, puis examinez les champs, les formats, les doublons, les valeurs manquantes, les dates et les lignes exclues. Les informations venant de plusieurs systèmes peuvent suivre des règles différentes.
Respectez les exigences de confidentialité du client pendant ce travail. Ne transférez pas le fichier vers un outil externe par simple commodité. Pour cadrer l’entrée, consignez ces cinq vérifications séparément :
- Période : les dates présentes couvrent-elles bien l’intervalle demandé ?
- Filtres : les exclusions correspondent-elles aux règles convenues ?
- Doublons : certaines lignes représentent-elles deux fois le même événement ?
- Valeurs manquantes : quels champs attendus sont absents ou incomplets ?
- Rapprochement : les totaux concordent-ils avec une source de référence ?
Un calcul ne peut pas être contrôlé sans une référence explicite sur la question, les données et les règles d’inclusion. Une fois ce socle posé, vous pouvez auditer la méthode et le code employés.
Analyste de données freelance : contrôler une analyse produite avec une IA
Deux lignes dupliquées après une jointure peuvent gonfler un total sans que le tableau final paraisse suspect. Le contrôle commence par la reconstitution du chemin suivi par les données, puis par la reproduction des calculs qui pèsent sur la conclusion.
Chaque chiffre important doit pouvoir être relié à une source et à une règle de calcul. Demander à la même IA une contre-analyse peut aider à repérer une piste, mais ce n’est pas une preuve indépendante. Un contrôle doit s’appuyer sur un calcul séparé ou sur une méthode vérifiable.
Reconstituer le chemin des données
Suivez les données depuis leur entrée jusqu’au résultat : filtres, étapes de nettoyage, jointures et agrégations. Pour chaque transformation, demandez-vous quelles lignes restent, lesquelles sont exclues et à quel niveau les données sont regroupées.
Une jointure INNER JOIN ne conserve que les lignes associées des deux côtés. Une LEFT JOIN garde toutes les lignes de gauche, mais peut multiplier certaines lignes si plusieurs correspondances existent à droite. Un GROUP BY peut aussi changer le grain d’analyse, par exemple en passant des commandes aux clients.
Recalculer le code et les indicateurs principaux
Demandez le code, lisez-le, puis exécutez-le uniquement sur les données autorisées. Recalculez séparément les indicateurs clés, au moins sur un échantillon adapté aux règles de la mission. SQL, Python, R, Excel et Google Sheets peuvent servir à ce contrôle. Aucun outil ne garantit, à lui seul, le résultat.
Comparez chaque étape avec une attente explicite. Si le total ne concorde pas, cherchez d’abord une différence de filtre, de jointure ou de grain avant d’interpréter l’écart.
| Élément contrôlé | Test indépendant | Résultat attendu | Signal d’alerte |
|---|---|---|---|
| Filtres | Compter les lignes avant et après | Exclusions conformes aux règles | Période ou filtre absent |
| Jointures | Comparer les clés et les lignes | Pas de multiplication inexpliquée | Doublons après jointure |
| Agrégations | Comparer le grain avant et après | Une ligne par unité prévue | GROUP BY changeant l’unité |
| Formules d’indicateurs | Recalculer sur un échantillon | Même formule et même résultat | Numérateur ou dénominateur différent |
Reproduire le calcul permet de détecter une erreur mécanique, comme un filtre oublié ou un total doublé. Il reste ensuite à évaluer si les résultats tiennent statistiquement et s’ils répondent à la question métier.
Comment tester la cohérence statistique et métier ?
Une conclusion peut sembler plausible tout en contredisant les totaux ou le périmètre analysé. La cohérence se vérifie en comparant les résultats entre eux, puis en regardant si leur interprétation respecte ce que les données permettent réellement de dire.
Aucun seuil universel ne permet de déclarer une analyse juste pour tous les projets. Le choix des contrôles dépend de la question, des données et de l’enjeu. Les méthodes mathématiques plus complexes ne rendent pas automatiquement les résultats plus fiables.
Examiner la distribution, les anomalies et les ordres de grandeur
Comparez les totaux avec leurs sous-parties. Examinez les distributions, les valeurs extrêmes, les moyennes, les médianes et les quartiles. Un chiffre moyen peut masquer des écarts importants entre groupes ou des valeurs atypiques qui changent l’interprétation.
Vérifiez aussi la cohérence des pourcentages et leurs dénominateurs. Dans un exemple hypothétique, une hausse de part de marché calculée sur les seuls clients actifs ne répond pas nécessairement à une question portant sur toute la clientèle.
Vérifier que l’interprétation suit les résultats
Une corrélation ne prouve pas à elle seule une causalité. Une prévision n’est pas une certitude, et une recommandation ne doit pas aller au-delà des résultats. Les statistiques descriptives, les régressions et les méthodes de clustering peuvent aider, mais leur choix doit correspondre à la question posée.
Le tableau ci-dessous reprend quatre familles souvent utilisées pour présenter une analyse. C’est une grille pédagogique, pas une taxonomie universelle. Un data analyst peut s’en servir pour vérifier si la méthode répond bien à la question annoncée.
| Question | Méthode ou résultat | Contrôle à effectuer |
|---|---|---|
| Que s’est-il passé ? | Descriptif : totaux et distributions | Comparer la période et les dénominateurs |
| Pourquoi cela s’est-il produit ? | Diagnostique : segments et relations | Distinguer association et causalité |
| Que pourrait-il arriver ? | Prédictif : prévision et modèles | Examiner les hypothèses et l’incertitude |
| Quelle action envisager ? | Prescriptif : recommandation | Relier l’action aux limites des résultats |
Une cohérence numérique ne suffit pas à justifier une décision. Avant d’utiliser ces résultats, il faut aussi vérifier que le contrôle n’expose pas les données du client.
Quelles données peut-on transmettre à un outil d’IA ?
Un export CRM peut contenir des noms, des courriels et des notes inutiles au contrôle d’un indicateur. Avant tout transfert, réduisez le risque en vérifiant la nature des informations et les règles applicables à l’outil choisi.
Ne transmettez pas de données client avant d’avoir vérifié les règles du client, les conditions de l’outil et les autorisations. Un jeu anonymisé ne permet plus d’identifier une personne par des moyens raisonnables. Un jeu pseudonymisé remplace certains identifiants, mais peut rester rattachable à une personne. Des données directement identifiantes la désignent plus immédiatement.
Vérifiez les règles contractuelles, les paramètres de conservation et de réutilisation, les accès prévus et les autorisations avant tout envoi. La réponse dépend du contexte et du service utilisé. Un outil externe n’est pas automatiquement adapté aux données d’un client.
La CNIL a publié le 18 juillet 2024 ses questions-réponses sur l’utilisation d’un système d’IA générative, consacrées notamment aux précautions à prendre par les organisations. Pour la situation en vigueur à la date de référence, consultez aussi les ressources primaires de la CNIL, de l’ANSSI et de la Commission européenne. Distinguez le droit en vigueur d’un projet ou d’un scénario, et ne reprenez pas une date ou une sanction sans texte vérifié.
Avant le contrôle, adoptez quatre réflexes concrets :
- Réduire les données à ce qui est nécessaire pour la vérification.
- Retirer les identifiants quand cela reste compatible avec le contrôle.
- Utiliser un environnement approuvé par le client.
- Documenter les traitements effectués et les accès accordés.
La prudence sur les données est une condition du contrôle, pas une formalité ajoutée après coup. Même avec un environnement autorisé, un modèle ne valide pas automatiquement les hypothèses ni la justesse des résultats.
Comment reconnaître les limites d’une analyse assistée par IA ?
Une IA peut affirmer avec assurance qu’un produit progresse, même si la donnée source correspondante manque. Cette assurance ne constitue pas une validation : un modèle peut proposer des hypothèses ou une contre-analyse, mais il ne prouve pas l’exactitude des entrées qu’on lui fournit.
Une conclusion doit pouvoir être reliée à une ligne, une règle ou un calcul vérifiable. Si cette trace manque, traitez le résultat comme une piste, pas comme un fait établi. Une nouvelle requête au même outil ne devient pas un contrôle indépendant.
Une sortie IA peut aussi ignorer une limite de contexte. Dans un exemple hypothétique, le modèle peut inventer une date absente du fichier, proposer une valeur qui n’existe pas ou calculer un total sans appliquer le filtre demandé.
Repérez les données absentes, les définitions ambiguës, les échantillons insuffisants et les changements de contexte. Une tendance observée avant une modification des systèmes ne décrit pas forcément la situation après cette modification. Une relation présentée sans preuve causale demande aussi une réserve.
La CNIL décrit, dans ses questions-réponses sur l’IA générative, le risque de réponses inexactes mais plausibles. Pour une autre lecture sur les effets de l’IA générative sur le personnel des PME, consultez l’étude de l’OCDE consacrée à la main-d’œuvre des PME. Elle ne remplace pas l’examen des hypothèses de votre analyse.
Testez les hypothèses par un calcul indépendant ou une validation métier, jamais seulement par une nouvelle requête au même outil. Si une limite reste irrésolue, signalez-la au client. Le livrable doit ensuite rendre les contrôles compréhensibles.
Quel livrable remettre au client après le contrôle ?
Un client reçoit un indicateur corrigé, mais aucune explication des filtres appliqués. Pour décider utilement, il doit pouvoir comprendre ce qui a été contrôlé, ce qui reste incertain et quelles suites sont possibles.
Le livrable doit rendre les vérifications traçables et les réserves visibles. Il ne doit pas promettre une exactitude absolue. Le client doit pouvoir distinguer un résultat reproduit d’un point encore à confirmer.
Fournir une trace reproductible des vérifications
Indiquez la question métier, la période, le périmètre et les sources de référence. Notez les versions des fichiers et du code, les contrôles effectués et les écarts détectés. Cette trace permet de comprendre sur quelle base vous avez validé ou nuancé un résultat.
Selon le format du projet, SQL, Python, R, Power BI ou Tableau peuvent servir à documenter ou présenter le travail. Ce sont des options, pas des outils obligatoires. Un freelance en analyse de données peut vérifier une analyse déjà produite sans reconstruire toute la production initiale.
Présenter les conclusions et les réserves pour décider
Présentez les conclusions avec un niveau de confiance justifié par les contrôles réellement effectués. Ajoutez les réserves, les prochaines vérifications et, si nécessaire, des recommandations conditionnelles. Les tableaux bord ou le rapport corrigé doivent rester lisibles sans masquer les limites.
| Élément remis | Contenu attendu | Décision facilitée |
|---|---|---|
| Note de synthèse | Conclusion, limites et réserves | Accepter ou nuancer le résultat |
| Journal de contrôle | Tests, écarts et versions | Suivre les vérifications réalisées |
| Code ou requêtes utiles | Calculs reproductibles et filtres | Refaire un contrôle ciblé |
| Tableau de bord ou rapport corrigé | Indicateurs et périmètre mis à jour | Décider à partir des résultats corrigés |
La traçabilité et les réserves donnent sa valeur au livrable. Avant de chiffrer le périmètre, mettez-vous d’accord avec le client sur ses attentes et sur ce que la mission couvre.
Comment cadrer une mission de vérification sans promettre l’infaillible ?
Un client vous demande de vérifier « toute l’analyse » à prix fixe, sans préciser les données ni les livrables. Cette demande est trop large pour définir une mission contrôlable : commencez par déterminer ce qui sera examiné et ce qui ne le sera pas.
Une mission de vérification doit annoncer son périmètre, ses critères et ses limites avant le début du travail. Le temps nécessaire dépend notamment des données, des sources et de la reproductibilité des calculs, pas d’une promesse d’infaillibilité.
Quel salaire pour un Data Analyst freelance ?
Il n’existe pas de salaire unique pour un Data Analyst freelance. Le salaire salarié rémunère un emploi, tandis que le chiffre d’affaires facturé correspond aux sommes facturées par l’indépendant. Le revenu disponible dépend ensuite des charges et des frais liés à son activité.
Sans source primaire datée et périmètre comparable, avancer un montant serait trompeur. Les estimations de salaire salarié ne décrivent pas automatiquement les revenus d’un freelance. Le marché, les missions et les compétences demandées varient selon le contexte.
Comment cadrer une mission de Data Analyst freelance ?
Définissez le périmètre selon le jeu de données, le nombre de sources, la reproductibilité, le niveau d’enjeu et la disponibilité du client. Distinguez la vérification ciblée d’une production d’analyse complète : cette dernière peut inclure des travaux que le contrôle ne couvre pas.
Convenez de ces quatre points avant la mission :
- Données accessibles : fichiers, systèmes et conditions d’accès convenus.
- Question à vérifier : indicateur et affirmation visés par le contrôle.
- Livrable : trace, conclusions et réserves attendues.
- Critères d’escalade : situations qui exigent une autre compétence.
Freelance Data Analyst junior : comment présenter une mission de contrôle ?
Un Freelance Data Analyst junior peut proposer un contrôle limité et explicite, par exemple la reproduction d’un indicateur défini. Présentez vos compétences réelles et précisez les méthodes que vous maîtrisez. Ne vous dites pas expert d’une méthode que vous ne pouvez pas expliquer ou appliquer.
La valeur de la mission vient d’un périmètre vérifiable et de limites annoncées, pas d’une garantie de résultat. Une fois ce cadre défini, un exemple synthétique permet de voir comment le contrôle transforme une conclusion.
Exemple hypothétique : vérifier une analyse de ventes générée par IA
Le cas de ventes présenté ici est entièrement fictif. Aucune valeur ne correspond à un client, à un résultat commercial ou à une fréquence observée. L’exemple montre seulement comment reprendre une conclusion à partir de règles explicites.
Pour contrôler une affirmation sur les ventes, reprenez la période, les lignes source et les filtres avant de juger le résultat. Une phrase convaincante ne suffit pas à démontrer une tendance.
Reprendre les données et le calcul depuis la source
Supposons que la question soit : « Les ventes ont-elles augmenté entre deux périodes comparables ? » Vérifiez d’abord les dates couvertes et la définition d’une vente. Examinez les lignes source, les exclusions et les filtres utilisés dans l’analyse.
Contrôlez ensuite toute jointure susceptible de dupliquer des commandes, par exemple une relation entre commandes et lignes de produits. Recomptez les commandes avant et après cette étape. Si le total change, identifiez les clés qui expliquent l’écart avant de reprendre la conclusion.
Corriger la conclusion sans dépasser ce que les données montrent
Recalculez l’indicateur avec une méthode indépendante, puis comparez le total avec une sous-partie cohérente. Si la période ou le périmètre ne correspond pas à l’affirmation initiale, reformulez-la : dites ce que le calcul établit réellement et ce qu’il ne permet pas d’affirmer.
Dans cet exemple fictif, aucune hausse n’est posée comme un résultat. Le contrôle peut confirmer une conclusion, la nuancer ou imposer une réserve, selon les calculs réellement reproduits. Il transforme ainsi une formule séduisante en affirmation justifiée, ou en limite explicite.
Escaladez le contrôle si les données source sont inaccessibles, si la jointure reste inexpliquée ou si l’enjeu dépasse vos compétences. La preuve manquante est alors un signal d’arrêt, pas une raison de présenter l’analyse comme validée.
Quand faut-il reprendre la main ou faire appel à un spécialiste ?
Un calcul peut être correct alors que l’anomalie vient d’un pipeline inaccessible qui alimente les données. Dans ce cas, le problème ne relève pas forcément de l’interprétation de l’analyse : il peut demander l’intervention d’un spécialiste des systèmes.
Arrêtez le contrôle autonome lorsque vous ne pouvez pas reproduire le résultat, vérifier ses données ou maîtriser l’enjeu. Faire appel à une autre compétence permet de traiter la cause sans prétendre avoir validé ce qui reste inconnu.
Quand la preuve manque ou dépasse vos compétences, arrêtez-vous et faites intervenir la bonne personne.
Quand une mission de Data Analyst freelance exige-t-elle un Freelance Data Engineer ?
Un Freelance Data Engineer peut être utile si l’anomalie vient des pipelines, des systèmes ou de l’architecture. Le data analyst examine et interprète les données pour répondre à une question. Le data engineer construit et maintient les pipelines et l’infrastructure qui les font circuler.
Un pipeline inaccessible, une transformation amont non documentée ou un écart entre plusieurs systèmes peut rendre la vérification impossible sans cette expertise. L’intervention permet alors d’examiner l’origine technique de l’anomalie, plutôt que de corriger seulement ses effets dans un rapport.
Où trouver des offres de Data Analyst freelance pour un contrôle indépendant ?
Les offres de Data Analyst freelance peuvent aider à repérer des profils, mais elles ne prouvent pas une compétence d’audit. Vérifiez les expériences pertinentes, la méthode proposée et l’adéquation avec le périmètre. Demandez comment la personne traite un résultat impossible à reproduire.
Une plateforme freelance data suffit-elle pour choisir un relecteur ?
Une plateforme freelance data peut aider à identifier des profils, mais elle ne remplace pas l’examen de leurs compétences ni la vérification des conflits d’intérêts. Demandez un périmètre de contrôle clair et vérifiez que la personne peut expliquer les tests qu’elle propose.
Trois critères doivent vous faire envisager une escalade :
- Le résultat reste impossible à reproduire de façon indépendante.
- Les données ou les définitions nécessaires ne sont pas vérifiables.
- L’enjeu dépasse les compétences disponibles pour la mission.
Lorsque la preuve manque, arrêtez-vous et faites appel à la bonne compétence, qu’il s’agisse d’un data engineer ou d’un autre spécialiste. Vous pouvez commencer dès maintenant par vérifier si un indicateur de votre analyse se reproduit.
Conclusion
La responsabilité du contrôle reste attachée au professionnel qui remet l’analyse au client. Ne transmettez pas un résultat sans piste de vérification, et signalez toute limite qui n’a pas été résolue.
Choisissez maintenant un indicateur de votre analyse en cours et lancez un contre-calcul indépendant. Si le portage salarial correspond à votre situation, comparez cette option avec les autres formes d’activité et utilisez le simulateur de portage salarial pour obtenir une estimation indicative, sans promesse de revenu ni conseil juridique individualisé.
FAQ
Quels sont les 4 types d’analyse de données ?
La grille courante distingue l’analyse descriptive, diagnostique, prédictive et prescriptive. La descriptive résume ce qui s’est passé, la diagnostique cherche des explications, la prédictive estime ce qui pourrait arriver et la prescriptive aide à envisager une action. Cette grille sert de repère pédagogique : il n’existe pas une taxonomie unique adaptée à tous les contextes.
Quels sont les 3 inconvénients de l’IA ?
Trois risques utiles à garder en tête sont les erreurs ou valeurs inventées, le raisonnement difficile à auditer et l’exposition de données sensibles. Un modèle peut produire une réponse plausible sans trace suffisante pour la vérifier. Ces risques dépendent de l’outil, des données fournies et de la manière dont vous l’utilisez.
Quel est le salaire d’un Data Analyst freelance ?
Il n’existe pas de salaire unique pour un indépendant. Le chiffre d’affaires facturé correspond aux factures émises, tandis que le revenu disponible dépend des charges et des frais. Les salaires salariés ne sont pas directement comparables aux revenus d’un freelance. Sans source primaire datée et périmètre comparable, aucun montant ne serait assez précis pour vous renseigner.
Peut-on coller des données clients dans ChatGPT ?
Vérifiez d’abord les règles du client, les conditions de l’outil et la nature des données avant tout transfert. Une donnée directement identifiante, pseudonymisée ou anonymisée ne présente pas le même niveau de risque. Réduisez les informations au nécessaire et utilisez uniquement un environnement autorisé pour votre mission.
Quel échantillon faut-il recalculer pour valider une analyse ?
Commencez par recalculer les indicateurs clés et incluez des lignes représentant les filtres, les valeurs manquantes et les cas atypiques. Le choix dépend de la question et des risques d’erreur. Un échantillon aide à repérer des écarts, mais ne remplace pas un recalcul complet lorsque l’enjeu l’exige.
Faut-il refaire toute l’analyse produite par une IA ?
Reproduisez au minimum les transformations et les indicateurs qui fondent la conclusion. Étendez le contrôle si les données, le code ou le périmètre ne peuvent pas être vérifiés de façon indépendante. Une reproduction ciblée peut suffire pour un contrôle limité, mais elle ne valide pas les étapes que vous n’avez pas examinées.
Comment savoir si une recommandation vient vraiment des données ?
Exigez une trace entre les données source, le calcul, le résultat et la recommandation. Vérifiez que chaque étape repose sur une règle explicite et que la conclusion ne dépasse pas les résultats. Si un lien ne peut pas être vérifié, signalez cette limite au lieu de présenter la recommandation comme démontrée.
