Des indicateurs définis
Nous documentons les mesures, dimensions, périodes, exclusions et relations entre données. Les règles métier font partie du contexte de requête ; elles ne sont pas laissées à l’interprétation libre du modèle.
Agent IA SQL et données
Vos équipes posent une question métier ; l’agent prépare une requête contrôlée et restitue un résultat lisible. Nous définissons avec vous les indicateurs, les vues autorisées et les limites qui rendent cette consultation vérifiable.
Direction métier · Finance · Data · Opérations
En pratiqueVoir un exemple métier ↘ Sur le terrainLe projet 1UP Distribution ↘Cas d’usage
Le langage naturel peut masquer des ambiguïtés : commande créée ou facturée, montant hors taxes ou toutes taxes, mois courant ou dernier mois complet. L’agent doit les résoudre avant le calcul.
Nous documentons les mesures, dimensions, périodes, exclusions et relations entre données. Les règles métier font partie du contexte de requête ; elles ne sont pas laissées à l’interprétation libre du modèle.
Vues autorisées, droits de base, limites de volume et délais d’exécution encadrent la consultation. Le contrôle combine permissions du moteur et validation des requêtes ; une simple consigne de lecture seule ne suffit pas.
L’utilisateur retrouve période, filtres, sources et SQL. Les données absentes ou une question ambiguë sont signalées. Une corrélation ou une variation observée n’est pas présentée comme une cause démontrée.
Réalisation · 1UP Distribution
Les développements documentés couvrent les rapports Excel et les tableaux de bord issus des questions métier. Les études expliquent les étapes de lecture et de restitution. Le résultat reste à apprécier dans le périmètre décrit ; aucune précision globale ou capacité prédictive n’en est déduite.
Voir la construction des rapportsUne requête qui s’exécute n’est pas nécessairement une réponse juste. La définition de l’indicateur et le périmètre des données doivent être visibles.
Consultation NL-to-SQL
SELECT SUM(montant_ht_net)
FROM vue_facturation_autorisee
WHERE date_facture >= '2026-09-01'
AND date_facture < '2026-10-01';
Factures comptabilisées ; périmètre utilisateur appliqué par la vue ; montant net des avoirs.
Démonstration du format attendu. Ce contenu n’est ni un écran client ni un résultat mesuré.
Le premier lot
Le pilote cible des vues de lecture et quelques indicateurs définis avec leurs responsables. Nous comparons les résultats à des calculs de référence, puis testons les questions ambiguës, accès interdits et requêtes coûteuses. L’extension à d’autres domaines exige la même définition sémantique.
Schéma et vues de test, définitions des indicateurs, profils d’accès, questions récurrentes et résultats de référence.
Le devis fixe les livrables, exclusions, jalons et critères de réception avant le démarrage.
Exemples de critères à convenir pour votre projet
Le service dans votre quotidien
Un parcours cible à adapter à vos outils et à vos utilisateurs lors du cadrage.
Le responsable précise ce qu’il veut mesurer. Les mots du métier sont rattachés à une définition d’indicateur convenue.
Le système utilise les vues autorisées et conserve les filtres. Le calcul doit pouvoir être rapproché de la requête exécutée.
L’utilisateur vérifie la période, les données incluses et le détail utile. Un montant n’est pas présenté comme fiable si sa définition reste ambiguë.
Nous clarifions les indicateurs avec leurs propriétaires. Périodes, unités, annulations et doublons sont définis avant les premières requêtes.
Le périmètre de lecture expose seulement les données utiles. Les droits de compte, restrictions de colonnes et limites du moteur sont appliqués indépendamment du modèle.
Les questions de référence sont rapprochées de calculs validés. Nous recherchons les jointures qui multiplient les lignes, filtres oubliés et agrégations trompeuses.
Nous suivons les requêtes refusées, temps d’exécution et corrections. Toute évolution du schéma ou des définitions déclenche une revue des cas concernés.
Budget et exploitation
Complexité du modèle de données, maturité des indicateurs, règles d’accès et volume des questions déterminent l’effort. Le budget d’exploitation inclut le modèle mais aussi la charge de requête et le maintien des définitions métier.
Le premier lot porte sur un domaine de données et des calculs de référence validés par le métier. Jointures, granularité, avoirs et périodes sont explicités avant d’estimer la couverture des formulations en langage naturel.
Le budget inclut les appels au modèle et la charge de lecture des données. Vues autorisées, durée maximale, volume de résultats et éventuelle réplique sont étudiés avec votre équipe data pour limiter les requêtes coûteuses.
Une colonne renommée ou une règle financière modifiée peut invalider une réponse auparavant correcte. La maintenance prévoit la mise à jour du référentiel métier et la comparaison des résultats avec les calculs attendus.
Définitions des indicateurs, vues, permissions et jeux de questions sont documentés. Le résultat conserve son périmètre, sa date et ses limites afin que l’équipe puisse comprendre le calcul sans dépendre de la formulation du modèle.
Le choix dépend de la charge et de la sensibilité des données. Nous privilégions un périmètre de lecture maîtrisé, par exemple des vues dédiées ou une réplique si l’architecture le permet. Le moteur impose ses propres permissions, délais et limites, indépendamment de la génération.
Nous comparons le calcul à une référence métier et inspectons filtres, jointures, granularité et exclusions. Le test doit couvrir les cas qui piègent l’indicateur : lignes dupliquées, avoirs, périodes incomplètes ou valeurs absentes. La validité SQL ne suffit pas.
Il demande la précision qui change le calcul ou expose une hypothèse à confirmer avant exécution. Par exemple, le chiffre d’affaires peut désigner commandes, livraisons ou factures. La définition retenue reste affichée avec le résultat et la requête.
Ressources
Définir ce que la question doit réellement calculer.
Lire le guideVérifier granularité, jointures et exclusions.
Lire le guideAppliquer les contrôles au-delà de la consigne au modèle.
Lire le guideFormation
Le projet précise les personnes à former, les situations à reconnaître et les procédures de relais. Pour approfondir la conception, vos équipes peuvent suivre un module consacré au RAG, aux agents et aux applications métier.
Les profils derrière votre projet
Votre sujet : Agent IA SQL : interroger vos données en langage naturel
Un usage IA doit trouver sa place dans vos processus, vos données et vos outils. Nous croisons cadrage produit et mise en œuvre technique pour définir les contrôles, évaluer les résultats et préparer l’adoption.
Découvrir l’agence
Direction · architecture
Intégration des modèles et agents aux applications, accès aux données, contrôles techniques et exploitation.
Direction · produit
Choix des usages, définition des limites, formation et prise en main des nouveaux workflows.
Product Owner / Scrum Master
Product Owner / Scrum Master : priorisation des usages IA, critères d’évaluation, retours utilisateurs et suivi des itérations.
Consultant senior mobilisable
La composition de l’équipe et sa disponibilité sont confirmées selon votre périmètre, les accès nécessaires et le niveau de service attendu.
Votre projet avec Dawap
Partagez les indicateurs, les bases concernées et quelques résultats de référence. Nous définirons un premier domaine de consultation.
Cadrer mon agent SQL