Cortex Sense : un contexte ancré pour les données jamais modélisées

Nous sommes nombreux à avoir grandi avec une collection d’encyclopédies posée sur une étagère à la maison, considérée comme la référence pour répondre à presque tout. Mais leur contenu devenait souvent vite obsolète. Par exemple, on y trouvait encore Pluton présentée comme la neuvième planète des années après qu’elle ne l’était plus, et une bonne partie de ce que nous cherchions n’y figurait pas. En grandissant, nous avons vu Wikipédia devenir la nouvelle encyclopédie, avec une logique inverse. Même si certains de nos enseignants nous avaient d’abord dit de ne pas lui faire confiance, Wikipédia a fini par couvrir presque tous les sujets tout en restant à jour.

Les données d’entreprise n’ont jamais opéré cette transition ; nous essayons encore de les documenter comme nous documentions les encyclopédies, avec quelques experts chargés de consigner le sens de chaque élément, sans jamais vraiment terminer, et avec un retard qui s’accumule à mesure que le business évolue.

Notre propre équipe produit data chez Snowflake s’est donné pour mission de rendre nos tables lisibles pour les agents en ajoutant des vues sémantiques, afin que les agents s’appuient sur des définitions organisées et gouvernées plutôt que de deviner. Côté produit, nous avons lancé Semantic View Autopilot pour les générer plus vite. La démarche a clairement aidé, mais nous n’avions malgré tout couvert que la partie émergée de l’iceberg, moins de 5 % de nos 9 685 tables. Tout ce qui entrait dans ces 5 % donnait lieu à une bonne réponse, mais la plupart des questions posées portaient sur le reste : des tables que personne n’avait documentées, ou des données trop récentes pour qu’une vue sémantique existe. 

Imaginez que votre entreprise ait lancé une offre de tarification à l’utilisation il y a deux semaines. Les tables qui l’alimentent n’ont que quelques jours. Si un PM pose à un agent une question directe, « Comment la nouvelle offre se porte-t-elle depuis son lancement ? » , un Cortex Agent qui s’appuie uniquement sur les vues sémantiques refusera de répondre. Et d’autres agents sur lesquels votre équipe s’appuie peut-être déjà, qu’il s’agisse de Snowflake CoCo, de Cursor ou de ChatGPT, peuvent interroger directement ces nouvelles données, qu’une vue sémantique existe ou non, avec à la clé des réponses sûres d’elles, mais erronées.

Cortex Sense (bientôt en private preview) est conçu pour fonctionner avec les vues sémantiques, pas pour les remplacer. Là où vous avez besoin de réponses gouvernées et homogènes, la vue sémantique reste la référence absolue, et Cortex Sense la traitera comme un signal faisant autorité. Sur le reste de votre patrimoine de données, il construira cette compréhension par lui-même.

Il assemblera le même type de compréhension qu’une vue sémantique, et ira plus loin en construisant un modèle opérationnel de l’ensemble de votre business, pas seulement un catalogue de vos tables. Il le fera automatiquement à partir des signaux que votre business produit déjà, comme les requêtes que vos analystes ont exécutées par le passé, les modèles définis dans vos outils de transformation et les métriques déjà présentes dans votre BI. Une grande partie de ce contexte proviendra de Snowflake Horizon Connectors.

Plutôt qu’un second système de référence à maintenir, Cortex Sense sera une solution managée qui relèvera le niveau de précision de base des requêtes agentiques.

Pour établir une référence, nous avons évalué des agents sur des questions d’analytique produit portant sur les données internes de Snowflake, qui nécessitaient des jointures entre tables, la recherche de formules de métriques et la connaissance des conventions de filtrage. Notre équipe data a constaté que, sans couche de contexte, l’IA atteignait environ 25 % de précision, un résultat remarquablement proche du résultat d’Anthropic, qui l’a mesuré indépendamment à seulement 21 %.

_{Sans Cortex Sense, CoCo examine chaque table et chaque schéma séparément pour essayer de comprendre leur rôle. Avec Cortex Sense, il sait exactement où chercher et quelles requêtes exécuter.}

Le fait que ces connaissances soient extraites automatiquement plutôt qu’écrites à la main soulève une préoccupation légitime : le système pourrait se tromper avec assurance sans que personne ne s’en aperçoive. Cortex Sense limitera ce risque en exécutant une boucle d’autocorrection qui identifiera en continu les lacunes et les conflits dans ses propres connaissances. Vous activerez Cortex Sense via CoCo, et il construira une base initiale à partir de vos sources connectées. Il s’améliorera ensuite grâce à une évaluation ciblée. Vous lui fournirez des questions dont les bonnes réponses sont connues, et il utilisera chaque écart pour corriger sa propre compréhension. Ces entrées d’évaluation proviendront de trois sources : vos propres benchmarks de référence, les retours des utilisateurs et les suggestions du système lui-même sur les domaines où sa couverture est limitée.

_{Snowflake CoCo affiche les résultats d’évaluation avec Cortex Sense. (Les informations présentées dans cette illustration sont fictives et ne reposent pas sur des données réelles de clients ni de Snowflake.)}

Lorsque les évaluations mettent en évidence une lacune, Cortex Sense s’ancre dans le contexte au lieu de deviner. Pour revenir à la question sur les performances de la nouvelle offre après son lancement, s’il avait repéré deux définitions contradictoires de ce que signifie un passage à une offre supérieure, il ne laisserait pas cette ambiguïté subsister dans ses connaissances. Il fera remonter le conflit au Cortex Sense builder et demandera à un humain de trancher. Nous avons constaté qu’imposer ce niveau d’honnêteté sur le contexte distingue Cortex Sense des systèmes comme la génération augmentée de récupération (RAG), qui se contentent de récupérer ce qu’ils trouvent. Lorsqu’une évaluation échoue, quelle qu’en soit la raison, ou s’il détecte des informations contradictoires, Cortex Sense cherchera à comprendre pourquoi et tentera de mettre à jour sa propre compréhension. S’il n’y parvient pas, il demandera de l’aide. Par exemple, lorsque nous avons commencé à tester Cortex Sense en interne, il a trouvé des dizaines de définitions différentes des utilisateurs actifs quotidiens. Chaque équipe avait sa propre méthode pour calculer cette métrique. Lorsqu’il nous a interrogés, il nous a simplement fallu lui expliquer en langage naturel quelle métrique correspondait à quelle équipe.

Lorsque les signaux se contredisent, Cortex Sense les classe comme un moteur de recherche web classe les pages : en fonction de leur pertinence, de leur autorité, de leur popularité et de leur fraîcheur. Une définition de métrique adossée à une vue sémantique gouvernée a plus d’autorité qu’une définition déduite d’une poignée de requêtes ; un schéma de jointure présent dans 500 instructions SQL de production pèse davantage qu’un schéma présent dans 3 instructions ; et une définition mise à jour le mois dernier prévaut sur une définition vieille de 2 ans.

L’une des questions que nous entendons souvent à propos de Cortex Sense est : comment allons-nous gérer l’accès au contexte ? Cortex Sense ingérera uniquement les métadonnées et les schémas d’utilisation, et non les lignes de données elles-mêmes. Mais comme pour tous les autres objets Snowflake, l’accès sera limité par rôle grâce à la gouvernance existante de Snowflake. Nous lancerons bientôt la private preview en permettant aux utilisateurs de spécifier un rôle unique qui aura accès à l’ensemble de Cortex Sense. Nous prévoyons ensuite d’étendre cette approche à des contextes par rôle, afin que vos équipes marketing et finance accèdent à des contextes différents.

Lorsque nous avons d’abord mis ce système à disposition de nos data scientists internes, il a atteint le même niveau que leurs vues sémantiques soigneusement organisées à la main sur un premier jeu d’évaluation interne, en s’appuyant sur le travail qu’ils y avaient déjà consacré. Il a ensuite pris l’avantage dans deux cas : lorsqu’une définition était devenue obsolète, et dans les domaines non couverts par les vues sémantiques existantes. Sur ce jeu, il a dépassé la performance humaine de 10 points de pourcentage, grâce à des signaux comme l’historique récent des requêtes.

Pour valider la valeur ajoutée de Cortex Sense, nous l’avons évalué sur un ensemble de questions complexes, en comparant un agent de codage de pointe avec un accès direct à l’exécution SQL via le protocole de contexte de modèle (Model Context Protocol, MCP), CoCo standard, qui pouvait récupérer des vues sémantiques pertinentes si nécessaire, et CoCo ancré par Cortex Sense. Cortex Sense a fait passer la précision de 24,1 % à 86,3 % sur notre benchmark. De plus, par rapport à un agent de pointe, Cortex Sense a réduit les coûts de 1,76 USD à 0,59 USD par requête, car il évitait à l’agent d’inspecter manuellement chaque table. L’agent de pointe avait tendance à exécuter DESCRIBE TABLE sur des dizaines d’objets, ce qui gaspillait des tokens et augmentait la latence. Les gains de coûts apportés par Cortex Sense seront partiellement compensés par un coût initial d’indexation ponctuel, qui dépend du volume de données indexées. Mais, de manière générale, nous avons constaté que ce coût d’indexation initial peut être amorti dans le temps grâce à la baisse des coûts par requête.

_{D’après des résultats de tests internes et des calculs de coûts réalisés en juin 2026.}

La mise en place de Cortex Sense n’a pris qu’une journée, au lieu des mois que nécessitent généralement ce type de projets, puisqu’il n’y a ni mission de conseil ni création manuelle à attendre. Comme il n’y a pas de nouvelles vues sémantiques à créer, il suffit de connecter vos sources et de démarrer, sans passer des jours à organiser le contexte. Le modèle de maintenance continue est lui aussi différent. À mesure que votre patrimoine de données évolue, Cortex Sense capte automatiquement le signal selon une cadence d’actualisation continue. Et si vous voulez vraiment mettre à jour ses connaissances, le workflow de correction est conversationnel. Vous expliquez la bonne définition en langage naturel, et Cortex Sense met à jour son modèle. 

Lorsque les encyclopédies ont cédé la place à Wikipedia, la rupture n’est pas venue du fait que les gens en savaient plus. Elle est venue du fait que la connaissance a cessé d’être publiée périodiquement par des experts pour commencer à évoluer d’elle-même. Le contexte d’entreprise se trouve au même tournant : les vues sémantiques restent la référence absolue lorsque vous avez besoin de réponses gouvernées et homogènes, mais elles ne devraient pas être la seule façon pour une IA d’apprendre votre business. Cortex Sense apprendra à partir des signaux que vous produisez déjà et continuera de s’améliorer à mesure que ces signaux évoluent.

Nous sommes très enthousiastes à l’idée de partager ce produit avec le monde entier. Cortex Sense entrera en private preview mi-juillet. Si vous souhaitez bénéficier d’un accès anticipé, contactez votre représentant de compte Snowflake.

_{Déclarations prévisionnelles : cet article contient des déclarations prévisionnelles, notamment de futures offres de produits. Il ne constitue en aucun cas un engagement à fournir des offres de produits. Les offres et résultats réels peuvent varier et faire l’objet de risques connus et inconnus, ainsi que d’incertitudes. Pour plus d’informations, consultez notre dernier formulaire 10-Q.}