Le Data agent est un plugin de ChatGPT Work

OpenAI a annoncé le Data agent le 10 septembre 2026.

Il apparaît dans ChatGPT Work sous la forme du plugin Data et peut être installé ou rendu disponible par les administrateurs d'un espace de travail.

L'utilisateur démarre ensuite une conversation avec l'agent et pose directement sa question métier.

Il n'est pas obligé de connaître le nom de la table, la syntaxe d'une requête ou le logiciel de business intelligence qui produira finalement le graphique.

Snowflake, BigQuery, Redshift et Databricks peuvent alimenter la même conversation

Le premier changement important est la largeur de la couche de connexion.

OpenAI liste notamment Amazon Redshift, Datadog, Google BigQuery, ClickHouse, Databricks, MongoDB et Snowflake parmi les sources approuvées auxquelles l'agent peut accéder.

Des documents et fichiers présents dans Google Drive ou SharePoint peuvent également entrer dans l'analyse.

Le Data agent ne travaille donc pas seulement sur un entrepôt de données parfaitement structuré.

Il peut rapprocher des données quantitatives et du contexte documentaire provenant d'autres systèmes autorisés.

Le problème difficile n'est pas toujours d'écrire SQL

Dans une grande entreprise, savoir interroger une base ne suffit pas.

Il faut surtout savoir quelle table représente réellement le chiffre recherché.

Deux colonnes peuvent porter des noms presque identiques tout en utilisant des populations, des périodes ou des filtres différents.

Un revenu « actif » peut par exemple exclure une catégorie de clients qu'un autre tableau de bord inclut.

Une requête techniquement valide peut donc produire un nombre parfaitement faux d'un point de vue métier.

OpenAI essaie de donner à l'agent le vocabulaire de l'entreprise

Le Data agent peut exploiter les termes métier, définitions de métriques, calculs personnalisés et relations entre données utilisés par l'organisation.

OpenAI cite des sources de contexte telles que Databricks Genie Ontology, dbt, GitHub, Snowflake Horizon et les tableaux de bord BI existants.

Cette couche sémantique est probablement plus importante que la simple capacité à générer une requête.

Un modèle sait assez facilement écrire du SQL plausible.

Comprendre ce que l'entreprise appelle précisément un client actif, une conversion ou une marge nette est un problème beaucoup plus local.

L'agent peut enquêter au lieu de produire une réponse unique

Le produit est conçu pour accepter des questions de suivi.

Un utilisateur peut demander pourquoi un indicateur a baissé, puis demander de séparer le résultat par région, segment client ou période.

Il peut également examiner les éléments qui soutiennent une conclusion avant de poursuivre.

L'idée est de transformer l'analyse en investigation progressive plutôt qu'en prompt unique suivi d'un résultat définitif.

C'est important parce qu'une vraie analyse de données implique souvent plusieurs hypothèses abandonnées avant de trouver l'explication utile.

Le résultat peut devenir un dashboard interactif

Lorsque l'analyse devient utile, le Data agent peut la convertir en tableau de bord interactif avec des visualisations intégrées.

Le dashboard peut ensuite être modifié, partagé et rafraîchi.

L'utilisateur peut même fournir des règles graphiques ou une charte de marque afin d'adapter sa présentation.

Cette étape réduit la séparation historique entre l'exploration ponctuelle et le reporting destiné à être réutilisé.

Une question posée dans un chat peut donc finir comme un support que l'équipe consulte régulièrement.

ChatGPT peut aussi construire dans Power BI ou Tableau

OpenAI ne cherche pas forcément à remplacer tous les outils de BI déjà présents.

Le Data agent peut construire et manipuler des tableaux de bord dans Omni, Oracle BI, Microsoft Power BI, Sigma, Tableau et ThoughtSpot.

Le rôle de ChatGPT devient alors celui d'une interface en langage naturel au-dessus d'outils existants.

Une équipe peut conserver ses modèles sémantiques, ses permissions et son environnement BI tout en modifiant la manière dont elle formule les demandes.

Le dashboard ne disparaît pas, son interface de création change

Cela nuance l'idée selon laquelle les agents vont simplement tuer les logiciels de business intelligence.

Un tableau de bord partagé, auditable et rafraîchissable reste utile.

Ce qui peut disparaître plus vite est la succession de tickets demandant à une équipe data de créer une nouvelle vue ou de déplacer trois filtres.

Si l'agent peut publier directement dans Power BI ou Tableau, une partie du travail répétitif migre vers l'utilisateur final.

L'accès aux données reste limité par les permissions existantes

C'est le point de sécurité central de l'annonce.

Les administrateurs déterminent quelles connexions sont disponibles et quels rôles peuvent les utiliser.

OpenAI indique que les requêtes respectent les permissions déjà associées au compte connecté.

Cela inclut les restrictions au niveau des tables, des lignes et des colonnes.

Un employé qui n'a pas accès au salaire individuel de ses collègues ne devrait donc pas obtenir cette donnée simplement parce qu'il sait la demander dans une phrase bien formulée.

L'agent n'est pas censé devenir un passe-partout pour le data warehouse

Cette architecture est essentielle parce qu'un agent capable de raisonner sur les données devient rapidement un risque s'il contourne la gouvernance existante.

Le modèle n'a pas besoin de disposer d'un compte omnipotent pour être utile.

Il peut agir comme une nouvelle interface au-dessus des droits existants.

Cela ne supprime pas tous les risques.

Une mauvaise configuration des permissions en amont reste une mauvaise configuration, même lorsque l'interface finale est conversationnelle.

Les administrateurs gardent aussi le contrôle sur les connexions

Une entreprise ne branche pas automatiquement toutes ses bases au moment où le plugin est installé.

Les administrateurs choisissent quelles sources peuvent être connectées et quels groupes peuvent les utiliser.

Ils peuvent également configurer les plugins nécessaires aux différentes plateformes.

Le Data agent dépend donc fortement de la qualité du travail effectué en amont sur les identités, rôles, modèles sémantiques et définitions de métriques.

Un agent sophistiqué posé sur une organisation de données chaotique ne transforme pas magiquement celle-ci en système propre.

OpenAI veut aller de l'analyse jusqu'à l'action

Le produit ne s'arrête pas nécessairement au graphique.

ChatGPT Work peut recommander des prochaines étapes, identifier les personnes qui devraient participer puis partager les résultats via Slack ou email.

Avec les outils connectés appropriés et après approbation, il peut également réaliser certaines actions.

Cette dernière étape change fortement la nature du produit.

Un assistant BI classique explique ce qui s'est passé.

Un agent connecté peut éventuellement participer à ce qui se passe ensuite.

Cette capacité rend la vérification plus importante, pas moins

Plus un système peut agir à partir de son analyse, plus une erreur analytique devient coûteuse.

Confondre deux définitions de revenu dans un graphique est gênant.

Utiliser ensuite ce graphique pour déclencher automatiquement une campagne, redistribuer un budget ou contacter des clients l'est davantage.

Le Data agent conserve donc un besoin évident de supervision humaine sur les décisions importantes.

L'automatisation de l'action n'est pas une preuve que l'analyse qui la précède est correcte.

OpenAI a d'abord construit ce type d'outil pour ses propres équipes

Le Data agent public s'appuie sur une expérience interne plus ancienne.

OpenAI avait décrit en janvier son propre agent de données maison, utilisé pour naviguer dans un environnement contenant des dizaines de milliers de jeux de données.

L'outil interne combinait métadonnées, historique des requêtes, annotations humaines, connaissance du code qui produit les tables et contexte institutionnel.

Il exécutait ses propres requêtes, examinait les résultats et modifiait son approche lorsque quelque chose semblait incohérent.

Cette histoire explique pourquoi le produit lancé aujourd'hui insiste autant sur le contexte et la sémantique plutôt que sur la seule génération de SQL.

Presque toute l'équipe produit d'OpenAI utiliserait déjà des data agents

OpenAI affirme que presque toute son organisation produit et plus des deux tiers de son organisation go-to-market utilisent des data agents dans ChatGPT Work pour analyser les données de l'entreprise.

Il s'agit d'une donnée fournie par OpenAI et non d'une mesure indépendante.

Elle montre néanmoins l'ambition du produit.

L'objectif n'est pas de créer un outil réservé aux analystes.

OpenAI veut que marketing, ventes, produit, finance et opérations interrogent eux-mêmes les données.

Les premiers clients racontent surtout une histoire de démocratisation

NTT DATA, Thermo Fisher, ServiceTitan, Zipline, Turing et plusieurs autres organisations ont participé au programme Alpha.

Les exemples publiés concernent l'analyse de ventes, de dépenses, de conversion, de capacité opérationnelle ou de satisfaction client.

NTT DATA insiste notamment sur la possibilité pour des non-ingénieurs de créer leurs propres tableaux de bord en langage naturel.

micro1 affirme avoir reconstruit des dashboards de suivi en environ trente minutes tout en identifiant des erreurs dans les originaux.

Ces témoignages sont intéressants, mais restent des exemples clients sélectionnés dans le cadre d'un lancement produit.

Le risque principal est la confiance excessive dans un résultat bien présenté

Un tableau de bord généré automatiquement peut sembler extrêmement professionnel.

Cela ne garantit pas que la jointure utilisée soit correcte, que la période soit pertinente ou que le modèle ait interprété correctement une métrique interne.

L'interface conversationnelle rend l'analyse plus accessible, mais elle peut également masquer la complexité qui existait auparavant derrière un analyste ou du code.

La possibilité de consulter les éléments ayant conduit aux conclusions devient donc cruciale.

Le bon usage n'est probablement pas de supprimer l'équipe data

L'effet le plus plausible est plutôt un déplacement de son travail.

Les analystes passent beaucoup de temps sur des demandes répétitives : modifier une période, ajouter une segmentation, reconstruire un graphique déjà connu ou expliquer une variation simple.

Un agent capable de prendre en charge ces demandes peut libérer du temps pour la modélisation, la qualité des données, la définition des métriques et les analyses réellement difficiles.

Mais cette évolution suppose que les équipes data construisent précisément les couches sémantiques et les garde-fous dont l'agent a besoin.

L'outil qui semble réduire leur rôle dépend donc paradoxalement beaucoup de leur travail.

« Pas besoin d'écrire de requête » ne signifie pas « pas besoin de comprendre les données »

C'est probablement la limite la plus importante à retenir.

Le Data agent réduit la barrière technique entre une question et une analyse.

Il ne supprime pas les ambiguïtés du métier.

Si deux départements ne sont pas d'accord sur ce qu'est un client actif, l'IA ne peut pas résoudre ce conflit par une meilleure syntaxe SQL.

Elle a besoin d'une définition choisie, documentée et gouvernée.

OpenAI transforme ChatGPT en couche d'interface au-dessus de la pile data

La portée du lancement dépasse finalement la création automatique de graphiques.

Un même espace de conversation peut désormais relier entrepôts de données, documents, couches sémantiques, outils BI et applications de communication.

L'utilisateur formule une intention tandis que l'agent cherche où récupérer les données et comment présenter le résultat.

Dans cette architecture, Snowflake, BigQuery ou Tableau ne disparaissent pas.

Ils deviennent davantage l'infrastructure sous-jacente que l'utilisateur n'a plus besoin d'ouvrir à chaque étape.

La vraie bataille commence après la première réponse correcte

Générer un graphique à partir d'une question impressionne facilement pendant une démonstration.

Le défi beaucoup plus difficile consiste à donner la même définition de revenu lundi prochain, à respecter les mêmes permissions après une réorganisation et à continuer à produire une analyse correcte lorsqu'une table change.

C'est là que se jouera la valeur réelle du Data agent.

Si OpenAI réussit, la requête SQL ne disparaîtra pas.

Elle deviendra simplement une étape invisible exécutée quelque part entre une question posée en français courant et un tableau de bord que le reste de l'entreprise peut utiliser.