iDBQuery explique-t-il en langage naturel comment il est parvenu à une réponse ?

Un chiffre sans contexte est difficile à croire et facile à détourner, aussi iDBQuery présente-t-il ses réponses avec leur raisonnement attaché.

• Explication en langage naturel. Il décrit ce qu'il a fait avec des mots qu'un lecteur non technique peut suivre — quelles données il a utilisées, comment il a filtré, ce qu'il a calculé — de sorte que la réponse soit compréhensible sans lire de SQL.
• Hypothèses énoncées. S'il a résolu « le trimestre dernier » en dates précises, choisi la date de facture plutôt que la date d'expédition, ou appliqué une définition d'indicateur particulière, il le dit, de sorte que rien d'important n'est caché.
• Preuves à la demande. Pour ceux qui veulent aller plus loin, le SQL généré est visible et chaque chiffre est rattaché à ses lignes sources exactes.

Cette transparence en couches sert tout le monde : un dirigeant lit l'explication en langage clair et lui fait confiance ; un analyste inspecte le SQL et les citations pour la vérifier. C'est le cœur de la réponse d'iDBQuery face à un chatbot en boîte noire qui se contente d'affirmer un chiffre. Pour les investigations ouvertes, l'agent Analyste prolonge cela en narrant chaque étape de son raisonnement. Dans les deux cas, le principe tient — vous n'avez jamais à accepter un chiffre sur parole, car l'explication et les justificatifs l'accompagnent toujours.