
DÉFINITION DE L’ANALYTIQUE AGENTIQUE : L’analytique agentique est une forme d’analyse pilotée par l’IA dans laquelle des agents logiciels poursuivent un objectif analytique en mobilisant plusieurs sources de données et opérations. Plutôt que de suivre une suite prédéfinie de requêtes, ils adaptent leur démarche à mesure que de nouvelles informations apparaissent.
Lorsque vous soumettez à un analyste expérimenté une question sur la marge brute, il ne se contente pas d’utiliser SQL. Il sait quelle définition de la marge brute appliquer, quelles sources de données sont fiables et à jour, où la granularité change et quelles jointures risquent de fausser le résultat. Une grande partie de ces connaissances n’existe que dans l’esprit de l’analyste.
Un agent d’IA chargé de cette analyse ne possède pas automatiquement les mêmes connaissances. Il faut donc lui fournir explicitement le contexte. Dans un workflow d’analytique agentique, l’agent s’appuie constamment sur ce contexte à mesure que l’analyse progresse : pour décomposer la question, choisir les sources et les outils, interpréter les résultats intermédiaires et déterminer les prochaines pistes à explorer. Cela soulève des questions concrètes : De quoi l’agent a-t-il besoin au niveau de la couche de données ? Quelles autorisations s’appliquent lorsqu’il appelle un outil ? Comment les équipes détermineront-elles si l’analyse obtenue est fiable ?
Qu’est-ce que l’analytique agentique ?
L’analytique agentique mobilise des agents d’IA pour planifier et exécuter des workflows analytiques en plusieurs étapes. Ils choisissent parmi les données et les outils disponibles à mesure que les résultats intermédiaires orientent l’analyse. Une boucle analytique type comprend plusieurs étapes :
Définir le contexte → planifier → appeler un outil → examiner le résultat → réviser le plan → valider → arrêter
La conversion du langage naturel en SQL peut prendre en charge une étape de requête, tandis que la recherche, la récupération sémantique, les procédures et les API offrent à l’agent d’autres moyens de recueillir des éléments probants ou d’agir en fonction de ses découvertes. L’orchestration détermine les outils disponibles, le contexte transmis à chaque appel et la manière dont les résultats intermédiaires influencent les étapes suivantes.
C’est ce contrôle des étapes suivantes qui distingue l’analytique agentique des autres formes d’analyse assistée par l’IA. L’analytique augmentée utilise l’IA pour faciliter certaines étapes d’un workflow dirigé par un humain, comme la préparation des données, la détection de tendances ou la génération d’explications. Dans un workflow agentique, l’agent assure lui-même une plus grande part de la coordination.
Le modèle agentique confie davantage de décisions analytiques au système pendant l’exécution. L’agent peut devoir clarifier la terminologie, sélectionner les sources, déterminer le parcours de requête approprié et décider si un résultat intermédiaire justifie une étape supplémentaire. La fiabilité du résultat dépend donc du contexte et des contraintes qui encadrent ces décisions.
Découvrez comment Cortex Agents orchestre l’analyse SQL, la recherche et le raisonnement par IA sur les données structurées et non structurées de l’entreprise :

Fonctionnement de la boucle analytique
Le workflow d’analytique agentique est itératif. L’agent doit interpréter la question selon le contexte business, choisir les outils et les données à utiliser, évaluer les résultats obtenus, puis décider s’il doit poursuivre, explorer une autre piste, s’arrêter ou agir.
Interpréter la question selon le contexte business
Revenons à la question sur la marge brute. Avant de générer du SQL, l’agent doit déterminer précisément ce que recouvre la question. La marge brute peut faire l’objet d’un calcul approuvé qui définit les mesures de chiffre d’affaires et de coûts, les règles d’agrégation et les relations dimensionnelles valides. La région EMEA peut correspondre à une hiérarchie organisationnelle plutôt qu’à un simple champ géographique. La notion de trimestre précédent peut nécessiter la logique d’un calendrier fiscal.
Une fois ces éléments définis, l’agent les relie aux données physiques. Il doit notamment sélectionner les tables ou les vues sémantiques appropriées, déterminer la granularité requise et suivre les relations valides entre les faits et les dimensions.
Planifier et appeler les bons outils
Le choix des outils façonne l’analyse elle-même. Une requête sémantique peut déterminer où la marge a évolué, tandis qu’une recherche dans les contrats ou les notes de vente peut en expliquer les raisons. Si plusieurs outils peuvent répondre à la même sous-question, le planificateur doit disposer de suffisamment de métadonnées pour les départager selon leur périmètre, l’autorité de leur source et le résultat attendu. Les définitions des outils et les instructions d’orchestration doivent être assez précises pour guider la sélection, sans coder en dur chaque parcours analytique.
Vérifier les résultats intermédiaires
Avant d’utiliser un résultat intermédiaire à l’étape suivante, le workflow doit pouvoir vérifier qu’il est exploitable. Cette vérification dépend du type de résultat : une requête générée peut être évaluée au regard de la granularité et des relations valides, tandis qu’une métrique renvoyée peut être comparée à une référence connue ou à une plage attendue.
L’agent peut également comparer le résultat à la question à laquelle il était censé répondre. Par exemple, si une requête destinée à expliquer une baisse de marge ne renvoie que le chiffre d’affaires agrégé, le SQL est valide, mais le résultat ne fournit pas suffisamment d’éléments pour passer à l’étape analytique suivante. Le planificateur doit réviser la requête au lieu de confondre exécution réussie et analyse réussie.
Ces contrôles sont particulièrement importants, car les erreurs intermédiaires se propagent. Une jointure non prise en charge, une source obsolète ou une résolution d’entité incorrecte au début de l’exécution peut influencer chaque requête suivante et produire une analyse cohérente, mais fondée sur une hypothèse erronée.
Décider de poursuivre, de s’arrêter ou d’agir
L’agent doit ensuite déterminer si les éléments recueillis sont suffisants. Il peut avoir besoin d’une autre requête, d’un outil différent, d’une précision de l’utilisateur ou d’une action en aval préalablement approuvée.
Ces décisions influencent également le comportement de la charge de travail. Une seule demande peut générer plusieurs instructions SQL, recherches et appels d’outils, avec de nouvelles tentatives ou des branches parallèles à mesure que l’analyse progresse. Les budgets de requêtes, la concurrence, les délais d’expiration et les conditions d’arrêt doivent donc aussi faire partie du modèle opérationnel.
Témoignage client : Fireblocks
Fireblocks utilise Cortex Agents avec des vues sémantiques pour rendre l’analytique accessible en langage naturel. Son agent interne permet aux équipes d’examiner directement les métriques liées aux produits et aux clients. De son côté, Fire Genie fournit aux clients des analyses personnalisées, étendant ainsi l’accès aux données gouvernées aux collaborateurs comme aux clients.
Ce que la couche de données doit clarifier avant que l’agent n’exécute une requête
La précision analytique ne dépend pas uniquement des capacités du modèle. Dans les environnements d’entreprise, de nombreuses erreurs surviennent lorsque le modèle doit déduire une logique business qui aurait pu lui être fournie explicitement.
Au minimum, le contexte analytique doit inclure :
- Définitions des métriques et définitions business : calculs approuvés, filtres, logique temporelle et règles d’agrégation
- Relations entre les entités : liens entre les clients, comptes, produits, commandes et autres objets business
- Granularité déclarée : ce que représente une ligne dans chaque objet concerné
- Chemins de jointure pris en charge : relations que le système doit utiliser pour combiner les données
- Synonymes et mappages d’entités : terminologie alternative et significations propres au domaine
- Pertinence des sources : fraîcheur, propriété, statut d’obsolescence, exhaustivité et autres signaux utiles à leur sélection
- Politiques et provenance : personnes autorisées à utiliser les données et origine de celles-ci
Fournir à l’agent une logique business explicite
Un schéma indique à l’agent où se trouvent les données, mais rarement comment le business souhaite qu’elles soient interprétées. Par exemple, le « statut du client » peut dépendre de plusieurs champs, tandis que la « marge brute » peut n’être valide que pour certaines dimensions ou certains niveaux d’agrégation.
Un modèle sémantique explicite cette logique. Les métriques, dimensions, règles de calcul, relations et synonymes fournissent à l’agent une représentation gouvernée des concepts business de la question. Il a ainsi moins d’informations à déduire lors de la construction d’une requête. Ces définitions doivent également être réutilisables au-delà d’une seule interface analytique. Si la logique business est recréée séparément dans un tableau de bord, un agent et une application, l’organisation doit toujours gouverner plusieurs versions. Un modèle sémantique partagé fournit à ces expériences un ensemble commun de définitions et de relations.
Une évaluation interne menée par Snowflake en 2024 a révélé à quel point le système analytique environnant influence la précision. Sur un test de référence de 150 questions fondé sur des tâches de BI réelles, GPT-4o avec un prompt unique a atteint une précision de 51 %, contre plus de 90 % pour Cortex Analyst, qui utilise un modèle sémantique afin de fournir des définitions business et du contexte.
Cependant, les définitions sémantiques ne couvrent qu’une partie du parcours analytique. Un agent peut identifier la bonne mesure et malgré tout produire un résultat erroné s’il choisit une jointure non valide ou combine des données de granularités incompatibles.
CONSEIL PRATIQUE : Commencez par les concepts métier qui suscitent aujourd’hui le plus de demandes de clarification auprès des analystes. Les indicateurs dont la définition fait débat, les termes qui recouvrent plusieurs sens et les règles d’agrégation particulières se prêtent particulièrement bien à une modélisation sémantique explicite.
La granularité et les chemins de jointure font partie du contrat analytique
Supposons que le système identifie correctement le chiffre d’affaires, puis joigne un fait au niveau de la commande à une table d’articles de commande sans tenir compte du changement de granularité. Le chiffre d’affaires est alors dupliqué avant l’agrégation, même si le SQL s’exécute correctement et que la formule de la métrique reste inchangée.
Les jointures de type chasm créent un problème similaire lorsque plusieurs tables de faits sont reliées par des dimensions communes et que leurs combinaisons multiplient les enregistrements de manière inattendue. Les relations plusieurs-à-plusieurs, les tables de liaison et les mesures semi-additives créent d’autres situations où une jointure apparemment raisonnable produit un résultat analytique erroné.
Dans les systèmes agentiques, la granularité, la cardinalité et les chemins de jointure valides doivent être représentés explicitement. Lorsque ces relations restent implicites, les décisions structurelles sont de nouveau confiées au modèle pendant l’exécution, sans garantie qu’il fasse les bons choix.
Clarifier les entités ambiguës avant d’exécuter une requête
Le langage d’entreprise correspond souvent imparfaitement aux objets de données. Par exemple, une demande concernant les « clients grandes entreprises » peut désigner un segment de compte dans le CRM, un niveau d’offre produit ou une classification financière.
L’agent doit disposer de suffisamment de métadonnées sur les entités et de contexte métier pour sélectionner l’objet business visé avant de construire la requête. Lorsque plusieurs interprétations sont plausibles, le workflow doit préserver cette ambiguïté et demander des précisions à l’utilisateur plutôt que d’en choisir simplement une.
La sélection des sources exige plus que leur simple découvrabilité
Un catalogue peut exposer plusieurs objets qui contiennent techniquement les informations demandées, sans qu’ils soient tous aussi adaptés à l’analyse.
Les analystes expérimentés tiennent systématiquement compte du contexte : la source est-elle à jour ? Une transformation en amont a-t-elle changé récemment ? Une table est-elle obsolète ? La couverture varie-t-elle selon la géographie ? Si ces caractéristiques ne sont pas lisibles par les machines, l’agent ne voit qu’un ensemble d’objets disponibles, sans les connaissances institutionnelles qui aident l’analyste à faire son choix.
Actualité, traçabilité, responsabilité, indicateurs de qualité, statut de certification, modes d’utilisation et métadonnées d’obsolescence contribuent à déterminer l’adéquation d’une source.
ERREUR FRÉQUENTE : Une donnée facile à trouver n’est pas nécessairement adaptée à l’analyse. Un agent peut repérer une table contenant les bons champs, mais dont les données sont obsolètes, la table dépréciée ou la source inappropriée pour la demande. Les métadonnées doivent donc lui permettre de distinguer les sources simplement disponibles de celles qui font autorité.
Quelles autorisations s’appliquent lorsque l’agent exécute la requête ?
Un agent soulève une question d’autorisation : quelles autorisations s’appliquent lorsqu’il appelle un outil ou exécute une requête ? Pour les sessions interactives, la délégation de l’identité de l’utilisateur final garantit que l’exécution de la requête respecte les autorisations de la personne qui pose la question. Le RBAC, les politiques d’accès aux lignes et le masquage des colonnes continuent alors de gouverner les données sous-jacentes.
Les workflows planifiés ou sans intervention humaine nécessitent un autre modèle d’identité. En l’absence d’un utilisateur interactif dont l’identité peut être déléguée, l’agent a besoin d’une identité d’exécution dédiée, limitée aux données et aux outils nécessaires à sa mission. Un compte de service partagé doté de privilèges étendus accroît le risque associé à chaque appel d’outil et impose une logique d’autorisation supplémentaire dans la couche applicative.
Le contexte d’autorisation pertinent va au-delà de la requête initiale adressée à l’agent. Chaque appel d’outil et chaque ressource sous-jacente du workflow doivent être évalués selon l’identité et les autorisations prévues.
Pour chaque appel d’outil, le modèle d’autorisation doit répondre aux questions suivantes :
- Quelle identité exécute l’opération ?
- Quel rôle ou quels droits s’appliquent ?
- À quels objets sous-jacents l’outil accède-t-il ?
- Les politiques au niveau des lignes et des colonnes continuent-elles de s’appliquer ?
- L’outil s’exécute-t-il avec les droits de l’appelant ou avec les droits élevés du propriétaire ?
- Que se passe-t-il si une ressource requise est indisponible ?
Le comportement de fermeture en cas d’échec est particulièrement important pour les workflows analytiques. Si l’agent ne peut pas accéder à un outil ou à un jeu de données requis, l’échec doit être clairement signalé. Il ne doit pas produire une réponse fondée uniquement sur les informations auxquelles il a pu accéder.
Les restrictions définies au niveau du prompt ne peuvent pas remplacer les contrôles d’accès fondés sur l’identité, les politiques d’accès aux lignes, le masquage des colonnes ou les autres autorisations appliquées par la plateforme data. Une instruction interdisant à un agent d’accéder aux données de rémunération reste soumise à l’interprétation du modèle et peut être contournée par une injection de prompt. Un mécanisme d’autorisation robuste limite les informations qu’une manipulation réussie du modèle peut récupérer.
Comme l’explique Mayank Upadhyay, Snowflake Chief Security and Trust Officer, « la plus grande erreur qu’une organisation puisse commettre est de penser que la sécurité de l’IA consiste uniquement à sécuriser le modèle. Le véritable défi consiste à gouverner tout ce que le modèle touche. » Pour les agents analytiques, la sécurité s’étend donc à l’identité, aux autorisations, à l’accès aux outils et aux actions que l’agent est autorisé à effectuer.
Et si l’agent peut agir, des garde-fous supplémentaires s’imposent. Les changements lourds de conséquences doivent nécessiter une approbation. La piste d’audit doit indiquer ce qui a été exécuté, sous quelle autorité et sur quelles ressources.
La reproductibilité exige de préserver le parcours analytique
Les workflows agentiques complexifient la notion habituelle de reproductibilité. Une même question ne génère pas nécessairement un code SQL identique ni la même séquence d’étapes à chaque exécution. Un plan peut, par exemple, commencer par une segmentation selon la géographie, tandis qu’un autre part du produit. Des instructions SQL différentes peuvent également produire des résultats analytiquement équivalents.
Le meilleur critère consiste à vérifier que l’exécution peut être reconstruite et que des exécutions équivalentes aboutissent au même sens gouverné et à un résultat globalement concordant.
Cela nécessite une trace d’exécution contenant suffisamment d’informations pour déterminer :
- Quels objets et quelles définitions sémantiques ont été retenus
- Quelles sources et quels chemins de jointure ont été sélectionnés
- Quels outils ont été appelés et dans quel ordre
- Quelles instructions SQL ou autres opérations ont été exécutées
- Quelle identité et quelles autorisations se sont appliquées à chaque étape
- Quels résultats intermédiaires ont influencé les décisions ultérieures
- Pourquoi le planificateur a poursuivi, bifurqué ou arrêté le workflow
- Quels contrôles de validation ont été exécutés avant le renvoi du résultat
Josh Klahr et Rajhans Samdani de Snowflake décrivent l’objectif comme la préservation de « la trace qui sous-tend une réponse, notamment les sources utilisées, les transformations appliquées, la traçabilité des sources de données et les raisons pour lesquelles des sources concurrentes ont été retenues ou écartées ». Cette trace donne aux équipes data un point de départ lorsqu’une réponse semble douteuse.
Évaluer l’échec analytique, pas seulement la réponse finale
L’évaluation des agents doit distinguer les différentes catégories d’échecs. Un résultat peut être erroné parce que l’agent a retenu la mauvaise métrique ou la mauvaise interprétation d’une entité, utilisé un chemin de jointure non pris en charge, agrégé les données à la mauvaise granularité, sélectionné des données obsolètes ou incomplètes, perdu l’accès à un outil requis, arrêté son analyse avant de tester une autre explication, généré un code SQL syntaxiquement ou sémantiquement incorrect, ou mal interprété le résultat correct d’une requête.
Regrouper tous ces résultats sous le terme « hallucination » complique le diagnostic. Chaque échec provient d’une partie différente du système analytique et appelle une mesure corrective distincte.
L’évaluation doit porter sur plusieurs niveaux :
- Résolution sémantique : la question a-t-elle été associée aux mesures, dimensions, entités et règles temporelles attendues ?
- Exactitude de la requête : le code SQL généré a-t-il préservé la granularité, respecté les relations prises en charge et produit le résultat attendu ?
- Sélection des sources : les objets sélectionnés faisaient-ils autorité et étaient-ils suffisamment à jour pour répondre à la question ?
- Autorisation : chaque appel d’outil a-t-il été exécuté avec l’identité et les politiques prévues ?
- Qualité du plan : le workflow a-t-il suivi les pistes pertinentes, évité toute démultiplication inutile et attendu de disposer de preuves suffisantes avant de s’arrêter ?
- Qualité du résultat : la réponse correspond-elle à un résultat de référence ou se situe-t-elle dans une marge de tolérance acceptable ?
Les recherches sur l’évaluation des agents confirment qu’il faut aller au-delà de la réponse finale. Dans l’étude comparative Agent GPA de Snowflake AI Research, les évaluateurs qui ont analysé l’objectif, le plan et les actions d’un agent ont détecté 95 % des erreurs annotées par des humains, contre 55 % pour un LLM de référence utilisé comme juge. Ils ont également localisé 86 % des erreurs dans la partie précise de la trace d’exécution où l’échec s’était produit.
Créer le jeu d’évaluation à partir de travaux analytiques éprouvés
Les rapports existants, le code SQL validé par un analyste et les calculs certifiés constituent de bons points de départ pour le jeu d’évaluation. Les requêtes vérifiées, aussi appelées requêtes de référence, associent des questions business représentatives à un code SQL validé ou à des résultats attendus. Elles fournissent aux équipes des cas de référence pour tester les modifications apportées au modèle, à la couche sémantique, au schéma ou à la logique d’orchestration.
Le jeu de tests doit également inclure les échecs les plus susceptibles d’échapper à un examen superficiel : démultiplication des jointures, valeurs d’entités ambiguës, formulations alternatives, données restreintes, changements de sources et questions nécessitant plusieurs vues sémantiques.
L’exécution de ces évaluations met en évidence les régressions. Par exemple, une requête qui fonctionnait avant la révision d’un modèle sémantique et échoue ensuite constitue un signal bien plus exploitable qu’une baisse générale de la satisfaction des utilisateurs. Les tests de régression réexécutent les cas de référence après chaque mise à jour. Ils indiquent si le comportement a changé et donnent aux équipes un point de départ pour en rechercher la cause.
L’analytique agentique sur Snowflake
L’architecture d’analytique agentique de Snowflake répartit ces exigences entre les couches de sémantique, d’exécution, de gouvernance et d’évaluation.
Les Semantic Views représentent les métriques, dimensions, relations et autres éléments de logique business sous forme d’objets Snowflake gouvernés, réutilisables dans les workflows SQL, de BI et d’IA. Snowflake Horizon Context, au sein de Snowflake Horizon Catalog, enrichit le contexte business et technique, notamment avec des métadonnées sur les définitions, les relations, la provenance et la gouvernance.
Cortex Analyst convertit le langage naturel en SQL sur les Semantic Views, tandis que Cortex Agents planifie et orchestre les outils sur des données structurées et non structurées. L’exécution reste soumise au modèle de privilèges de Snowflake. Les procédures personnalisées conservent la sémantique des droits de l’appelant ou du propriétaire.
Les requêtes vérifiées et les évaluations de Cortex Analyst fournissent des cas de référence pour tester l’exactitude et détecter les régressions lorsque les modèles, les schémas ou les définitions sémantiques évoluent. Pour les utilisateurs business, Snowflake CoWork offre une interface conversationnelle permettant d’analyser les données d’entreprise gouvernées, d’approfondir les résultats et de créer des livrables analytiques réutilisables.
Ces fonctionnalités permettent aux équipes de maintenir les principaux points de contrôle au plus près des données gouvernées : résolution sémantique, autorisation, exécution des requêtes, provenance et évaluation. L’agent reste libre de choisir comment étudier une question, tandis que les définitions et les politiques demeurent intégrées au système dans lequel il opère.
Plus l’autonomie augmente, plus l’architecture doit garantir la confiance
À mesure que les agents analytiques mènent des investigations plus larges et réalisent davantage d’actions en aval, le nombre de décisions qu’ils prennent de façon autonome continuera d’augmenter. La multiplication des appels d’outils, des sélections de sources et des bifurcations accroît le risque qu’une erreur de contexte, d’autorisation ou d’exécution se propage dans le workflow.
Pour les responsables data, la meilleure approche consiste à intégrer autant de certitudes que possible dans le système environnant : logique business explicite, relations gouvernées, contrôles d’accès applicables et évaluation fondée sur des travaux analytiques réels. Grâce à ces contraintes, les équipes peuvent laisser davantage de latitude aux agents pour explorer et agir, sans perdre en visibilité sur la manière dont le travail a été effectué.
KEY TAKEAWAY: An agent's analysis is only as reliable as the system around it. Explicit business definitions, governed data relationships, enforceable access controls and continuous evaluation give agents the context and constraints they need to investigate complex questions accurately.
FAQ sur l’analytique agentique
L’analytique agentique remplace-t-elle les tableaux de bord ?
Les tableaux de bord restent utiles pour le suivi standardisé, les métriques récurrentes et les workflows dont le parcours analytique est volontairement prédéfini. L’analytique agentique répond aux questions dont la décomposition ou les étapes de suivi sont déterminées en cours d’exécution. Ces deux approches gagnent en cohérence lorsqu’elles s’appuient sur les mêmes métriques gouvernées et les mêmes relations analytiques.
Qui est responsable lorsque l’analyse d’un agent est erronée ?
La responsabilité incombe toujours à l’organisation qui exploite le système et aux personnes chargées des décisions éclairées par ses résultats. Pour les usages lourds de conséquences, les équipes doivent définir les responsabilités et les exigences de contrôle, tout en conservant un historique d’exécution suffisant pour reconstruire la résolution sémantique, les sources de données, les requêtes et le contexte d’autorisation à l’origine du résultat.




