top of page

La mise à jour de Databricks Genie Agents étend les questions sur les données aux workflows

il y a 31 minutes
13 min de lecture

Databricks a étendu Genie Agents le 11 novembre, en ajoutant du contexte et des actions d’entreprise, tout en laissant d’importantes capacités en aperçu ou en bêta. La mise à jour de Databricks Genie Agents relie un problème métier familier à une question opérationnelle plus difficile : à quel moment une réponse analytique doit-elle devenir une action ?

L’annonce intègre l’analyse de documents, les connexions aux applications et le partage externe dans une même proposition produit. Ces ajouts concernent des tâches qui traversent les bases de données, les fichiers et les applications métier. Ils introduisent aussi des exigences différentes en matière de preuves, d’autorisations et de validation.

La tension centrale oppose l’élargissement du contexte à l’exécution contrôlée. Un système qui explique une variation de chiffre d’affaires n’a pas les mêmes responsabilités qu’un système qui publie ses conclusions ou met à jour un enregistrement. Cortex Agents de Snowflake constitue un point de comparaison concurrentiel pour cette orientation. Pour les acheteurs en entreprise, la question devient la manière dont ces systèmes associent information et autorité, plutôt que leur simple prise en charge des questions en langage naturel.

Ce que la mise à jour de Databricks Genie Agents ajoute réellement

La version étend un produit analytique existant, avec une disponibilité qui varie selon les nouvelles capacités.

Selon la mise à jour de Genie Agents de l’entreprise, l’analyse de documents non structurés entre en aperçu public. Les données non structurées désignent des informations stockées dans des documents et des images plutôt que dans des tables de base de données organisées. Les connecteurs natifs Model Context Protocol, qui permettent aux agents de communiquer avec des outils externes, sont présentés comme généralement disponibles.

OpenSharing et Genie Clean Rooms pour Genie Agents restent en bêta. OpenSharing permet aux fournisseurs de distribuer des agents entre des comptes Databricks. Genie Clean Rooms ajoute une interface de questions-réponses contrôlée qui masque les données sous-jacentes aux destinataires. Ces stades de disponibilité comptent indépendamment, même lorsque les fonctionnalités apparaissent ensemble dans une démonstration.

Il s’agit d’une mise à jour de composants au sein d’un ensemble plus large d’annonces autour de Genie. Elle ne doit pas être interprétée comme le premier lancement de Genie. Elle n’établit pas non plus que chaque capacité associée à la famille Genie au sens large est prête pour un déploiement général.

Le changement pratique concerne l’éventail de preuves qu’un agent peut utiliser avant de répondre. Une table peut montrer qu’un indicateur métier a évolué. Un document peut expliquer une exception, une condition contractuelle ou une procédure opérationnelle. Une connexion à une application peut fournir un autre élément de contexte ou offrir un endroit où envoyer le résultat.

Cette combinaison modifie la nature d’une demande analytique. Un utilisateur peut poser une question dont la réponse dépend à la fois d’un calcul et d’une explication. Le workflow qui en résulte peut aussi dépasser l’endroit où le calcul a été effectué.

Prenons l’exemple illustratif d’une revue de compte. Un responsable commercial constate qu’une opportunité recule dans une table de reporting. L’explication peut dépendre d’un plan de compte et d’un échange récent avec le client. Un agent capable d’accéder à ces sources dispose d’un meilleur point de départ qu’un agent limité à la table.

Cependant, l’accès à davantage de preuves ne garantit pas que celles-ci sont pertinentes ou à jour. Une réponse bien formulée peut toujours associer un calcul exact à une explication obsolète. Les acheteurs doivent donc distinguer la couverture des sources de la qualité de la réponse.

La mise à jour de Databricks Genie Agents est importante parce qu’elle introduit ces questions dans le périmètre opérationnel du produit. Elle rend plus visible la frontière entre analyse et exécution. Évaluer cette frontière suppose de regarder au-delà de l’interface conversationnelle et d’examiner ce qui se produit derrière chaque réponse.

Le contexte documentaire change qui est responsable de la réponse

L’analyse de documents déplace une partie de la charge de mise en œuvre vers les personnes responsables des preuves métier.

La documentation sur l’analyse de fichiers de Databricks décrit l’association de volumes Unity Catalog, qui sont des conteneurs de fichiers gouvernés, à un agent. L’analyse de fichiers utilise le mode Agent, le mode de raisonnement en plusieurs étapes du produit. Les réponses peuvent inclure des citations vers des pages sources spécifiques, et l’accès respecte les autorisations de l’utilisateur à l’origine de la demande.

La documentation définit également des limites pratiques. Les auteurs associent des volumes entiers plutôt que des dossiers sélectionnés au sein de ceux-ci. La recherche de contenu prend en charge les volumes gérés et ignore les fichiers de plus de 100 MB ou de plus de 500 pages. Des dépendances régionales s’appliquent également.

Ces détails font de l’organisation documentaire une préoccupation opérationnelle. Un volume contenant des politiques approuvées à côté de brouillons obsolètes crée un environnement de preuve différent d’une collection soigneusement entretenue. L’interface de l’agent ne dispense pas de décider quels documents doivent être regroupés.

Cela exerce une pression sur les responsables métier comme sur les équipes data. La finance peut être responsable de la définition d’un indicateur, tandis que le juridique est responsable du langage contractuel qui en modifie l’interprétation. Une réponse combinant les deux sources exige une relation claire entre ces responsabilités.

Pour une question illustrative d’approvisionnement, les relevés de dépenses peuvent identifier des fournisseurs dont les coûts augmentent. Les documents contractuels peuvent expliquer les conditions de renouvellement ou les exceptions négociées. La combinaison de ces sources n’est utile que si l’agent distingue un accord actif d’une version remplacée.

Les citations de pages rendent la revue plus concrète, car elles donnent au lecteur un élément précis à examiner. Elles n’établissent pas que la page retenue étaye chaque partie de la conclusion. Une référence peut être exacte alors que le raisonnement qui en est tiré reste incomplet.

Cette distinction devient particulièrement importante lorsque les utilisateurs demandent pourquoi quelque chose s’est produit. Une évolution chiffrée et un commentaire documentaire peuvent coexister sans démontrer une relation causale. Un agent doit préserver cette incertitude plutôt que de transformer une proximité en explication.

La charge évolue donc plutôt qu’elle ne disparaît. Une fonctionnalité de documents gérés peut réduire le travail d’intégration sur mesure. Les experts métier doivent toujours déterminer ce qui constitue une preuve faisant autorité et comment des sources contradictoires doivent influer sur la réponse.

Il existe également une différence entre répondre à partir de passages pertinents et établir une tendance exhaustive à travers une collection. Un résumé convaincant ne révèle pas, à lui seul, avec quelle exhaustivité le système a effectué la recherche. Les évaluateurs doivent se demander si des preuves omises modifieraient la conclusion.

Le meilleur cas de déploiement concerne un domaine métier délimité, doté de sources identifiables et de responsables désignés. Des collections plus vastes augmentent l’éventail des questions possibles, mais rendent aussi la sélection des sources plus difficile à évaluer. Un contexte plus riche devient utile lorsque son autorité est compréhensible.

L’accès aux applications fait de l’action une décision distincte

L’autorisation de récupérer des informations doit être évaluée séparément de l’autorisation de modifier un autre système.

Databricks distingue Lakeflow Connect, son service d’ingestion de données, des connexions d’outils au moment de l’exécution. L’ingestion fait entrer les données des applications dans l’environnement analytique. Les connexions d’exécution permettent à un agent d’interagir avec une application pendant une tâche. Ces voies servent des objectifs différents, même lorsqu’elles concernent des informations métier liées.

La documentation des outils MCP décrit une authentification individuelle des utilisateurs et des appels d’outils utilisant les autorisations de l’utilisateur demandeur. Elle distingue les opérations de lecture automatiques des opérations d’écriture qui requièrent une approbation. Les auteurs peuvent activer ou désactiver des outils individuels.

Il existe une divergence de disponibilité qu’il convient de préserver. L’annonce du 11 novembre qualifie les connecteurs MCP natifs de généralement disponibles. Le guide d’intégration, mis à jour pour la dernière fois le 9 novembre, qualifie encore les outils MCP dans Genie Agents de bêta. Les acheteurs doivent confirmer la configuration prise en charge dans leur espace de travail plutôt que de supposer une disponibilité identique.

Pour la planification du déploiement, l’enjeu plus large est la relation entre connaissance et autorité. Récupérer un plan de compte peut aider à expliquer une recommandation. Publier cette recommandation dans un canal partagé modifie qui la voit et la manière dont d’autres peuvent l’utiliser.

Une revue commerciale illustrative montre cette distinction. Un agent peut comparer les chiffres du pipeline à des documents de compte et préparer une synthèse stratégique. L’analyse peut être utile avant que quiconque n’autorise sa diffusion. Son envoi introduit une autre décision concernant l’audience, le contenu et le calendrier.

Les autorisations existantes d’un utilisateur dans l’application constituent une limite d’accès, mais elles ne répondent pas à toutes les questions de workflow. Une personne peut légitimement accéder à un document tout en nécessitant une validation managériale avant de diffuser les conclusions qui en sont tirées. L’autorisation technique et l’approbation métier servent des objectifs différents.

C’est là que la mise à jour de Databricks Genie Agents modifie l’évaluation de l’acheteur. Une démonstration d’utilisation réussie d’un outil établit qu’une connexion a fonctionné. Elle n’établit pas que l’action choisie correspondait au processus de l’organisation.

La distinction compte également lorsqu’un workflow s’interrompt en cours de route. Une analyse correcte peut précéder une opération d’écriture infructueuse. Inversement, une action peut réussir alors que la recommandation sous-jacente nécessite une correction. Traiter l’ensemble de la conversation comme une réussite unique masque ces différences.

Les équipes qui évaluent ces workflows doivent donc examiner les résultats intermédiaires. Elles doivent comprendre quelles informations ont été récupérées, quelle conclusion a été produite et quelle action a été proposée. Chaque étape présente un type d’échec différent.

Cela n’exige pas que chaque tâche devienne un long exercice d’approbation. Cela exige d’adapter la charge de revue à la conséquence. Un brouillon destiné à une inspection personnelle et une mise à jour opérationnelle partagée méritent un traitement différent.

L’orientation du produit est cohérente pour les tâches qui traversent déjà les applications. Sa valeur dépend de sa capacité à réduire les transferts sans rendre la responsabilité plus difficile à suivre. La question décisive est de savoir si les utilisateurs peuvent comprendre et contrôler le passage de la preuve à l’exécution.

Snowflake montre pourquoi une interface de chat ne suffit plus

La pression concurrentielle concerne le workflow analytique complet, y compris la manière dont les preuves sont combinées et examinées.

La documentation de Cortex Agents de Snowflake décrit un système qui associe des sources structurées et non structurées. Cortex Analyst génère des requêtes de base de données, tandis que Cortex Search récupère des informations documentaires. L’agent coordonne ces outils et raisonne à partir de leurs résultats.

Snowflake documente également les outils personnalisés, les connexions MCP externes, la supervision et les évaluations. Sa documentation avertit explicitement que l’exactitude des réponses et les citations ne sont pas garanties. Ces capacités établissent une comparaison pertinente, et non la preuve qu’un fournisseur ou l’autre est plus performant pour une charge de travail donnée.

L’orientation commune est claire : l’analytique en langage naturel inclut de plus en plus le travail qui entoure une requête. Les utilisateurs veulent des explications, des éléments justificatifs et une prochaine étape utile. Une interface conversationnelle seule ne détermine pas comment ce travail doit être réalisé.

Pour les acheteurs, cela transforme la comparaison d’une liste de fonctionnalités en une évaluation opérationnelle. Les deux fournisseurs peuvent décrire la combinaison de données et de documents. Les différences significatives apparaissent lorsqu’une question réelle comporte une ambiguïté, des preuves manquantes ou des définitions contradictoires.

Une question illustrative sur le chiffre d’affaires peut employer un terme que la finance et les ventes interprètent différemment. Le défi ne consiste pas seulement à produire une requête valide. Il s’agit de sélectionner la définition métier visée et d’expliquer quelle interprétation a façonné le résultat.

L’accès aux applications ajoute une autre dimension de comparaison. Une liste d’outils peut montrer qu’un agent accède à un système métier. Les acheteurs doivent néanmoins déterminer si l’interaction résultante respecte leur processus de validation et offre suffisamment de détails pour le dépannage.

Cela pousse les fournisseurs à rendre leurs flux de travail inspectables. Cela incite également les équipes internes à définir ce qu’est un résultat satisfaisant. Sans norme convenue, une démonstration convaincante peut substituer la qualité de présentation à l’exécution effective de la tâche.

Les comparaisons doivent tenir compte de l’environnement existant de l’entreprise. Déplacer des données, reconstruire des définitions ou introduire une nouvelle frontière administrative peut affecter le résultat pratique. La meilleure réponse conversationnelle ne représente qu’une partie de la décision de déploiement.

Cette évolution met aussi au défi les assistants analytiques isolés. Un outil limité aux questions sur les bases de données doit justifier les relais que les utilisateurs effectuent ensuite. Mais un agent plus large doit justifier la complexité supplémentaire qu’il introduit. Aucune approche ne l’emporte simplement parce qu’elle prend en charge davantage de fonctions.

Pour les travailleurs du savoir, une frontière connexe existe entre la recherche d’informations personnelles et l’analyse partagée à l’échelle de l’entreprise. La distinction entre les connaissances personnelles et d’équipe aide à préciser quelles sources et responsabilités relèvent de chaque environnement.

L’implication concurrentielle est donc plus limitée qu’une affirmation selon laquelle les agents remplacent les outils analytiques existants. Les fournisseurs se disputent la maîtrise d’une plus grande partie du chemin qui mène de la question métier au résultat validé. Les clients doivent évaluer ce chemin à l’aune de leurs propres preuves et contraintes opérationnelles.

Le partage externe étend le périmètre de gouvernance

Partager un agent crée des responsabilités liées aux réponses reçues par les destinataires, ainsi qu’aux données qu’ils ne peuvent pas inspecter directement.

L’annonce OpenSharing de Databricks présente le protocole comme une extension allant au-delà du partage de tables et de fichiers. Elle distingue le protocole ouvert de l’implémentation d’entreprise de Databricks. Cette distinction compte lorsqu’il s’agit d’évaluer des affirmations d’interopérabilité face à une configuration de produit précise.

Pour Genie Agents, la mise à jour de novembre introduit des capacités de partage en bêta. Un fournisseur peut associer du contexte et des instructions à un agent. Genie Clean Rooms est destiné aux situations où les destinataires doivent recevoir des réponses sans visibilité directe sur les données sous-jacentes.

Cela modifie ce que le fournisseur doit maintenir. Un jeu de données comporte des définitions, des attentes de mise à jour et des conditions d’accès. Un agent ajoute une couche supplémentaire : des instructions qui influencent l’interprétation des questions et la manière dont les éléments probants deviennent une réponse.

Prenons l’exemple illustratif d’une relation fournisseur. Un fabricant souhaite permettre à un partenaire d’étudier la performance des livraisons sans exposer tous ses enregistrements internes. Une interface d’agent contrôlée peut offrir un accès plus restreint à l’information, à condition que les réponses autorisées correspondent à la relation envisagée.

La distinction importante réside entre le fait de masquer les enregistrements bruts et celui de limiter ce que révèlent les réponses. Ces objectifs sont liés, mais ils ne sont pas identiques. Une évaluation de la confidentialité doit prendre en compte les informations accessibles au travers des réponses, y compris à des questions répétées ou étroitement liées.

Il s’agit d’une préoccupation analytique, et non d’une affirmation selon laquelle la fonctionnalité annoncée présente une vulnérabilité démontrée. La description publique du produit n’établit pas que tous les risques d’inférence possibles ont été éliminés. Les acheteurs doivent éviter de transformer une intention architecturale en garantie générale de confidentialité.

Le partage externe modifie également les conséquences d’une métrique ambiguë. Des collègues internes peuvent souvent clarifier une définition confuse grâce à une relation de travail établie. Un client ou un partenaire pourrait raisonnablement considérer la réponse d’un agent comme la position officielle du fournisseur.

Cela confère une importance commerciale à la responsabilité des définitions et des instructions. Les fournisseurs doivent décider comment les corrections parviennent aux destinataires et comment les utilisateurs identifient les changements de sens. Une réponse conversationnelle ne doit pas masquer silencieusement une règle métier révisée.

Une question similaire se pose avec les requêtes non prises en charge. Un agent partagé peut sembler plus flexible qu’un rapport fixe, ce qui encourage les destinataires à explorer. Son utilité dépend en partie de sa capacité à reconnaître lorsque les données disponibles ne permettent pas de répondre.

La responsabilité du fournisseur va donc au-delà du simple fait de rendre l’agent accessible. Elle comprend le maintien d’une relation fiable entre les sources, les questions autorisées et les conclusions qui en résultent. Mettre l’intelligence en paquet ne supprime pas la nécessité de limites claires.

La mise à jour Databricks Genie Agents ouvre la voie à la distribution d’expériences analytiques parallèlement aux données. Il s’agit d’une extension significative du rôle du produit. Son succès dépendra de la capacité des fournisseurs à accompagner ces expériences avec le même soin que celui qu’ils appliquent à leurs produits d’information sous-jacents.

Ce qu’il faut surveiller à mesure que ces fonctionnalités atteignent davantage de flux de travail

Les prochains éléments de preuve utiles concerneront la maturité du déploiement, la qualité des réponses issues de sources mixtes et le travail achevé avec une responsabilité visible.

Le premier signal est une disponibilité plus claire. Au cours des prochains mois, les acheteurs devraient surveiller les notes de version et la documentation pour repérer les changements concernant l’analyse de documents et le partage. Ils devraient également vérifier si les indications relatives aux connecteurs résolvent l’écart entre l’annonce et la documentation sur les intégrations.

Des indications cohérentes renforceraient l’idée que les organisations peuvent planifier leurs déploiements autour d’un ensemble de fonctionnalités stable. Des divergences persistantes rendraient l’évaluation davantage tributaire d’une confirmation propre à chaque espace de travail. Aucun de ces résultats ne doit être déduit de la marque générique Genie.

Le deuxième signal est constitué par des éléments de preuve concernant les questions qui nécessitent à la fois des documents et des tables. Une évaluation utile devrait révéler si le système a trouvé les éléments nécessaires et les a correctement interprétés. Une réponse fluide, à elle seule, offre peu de visibilité sur ces deux exigences.

La documentation de Databricks sur la supervision des agents fournit une base pour tester et examiner le comportement des agents. Les acheteurs devraient utiliser cette capacité pour examiner des tâches représentatives de leur propre activité. Le résultat important est de savoir si les performances restent acceptables après modification des sources et des instructions.

Par exemple, une évaluation peut distinguer un calcul correct d’une explication étayée. Une réponse peut donner le bon chiffre financier tout en interprétant mal une exception contractuelle. Consigner séparément ces résultats rend la décision de déploiement plus éclairée.

Des évaluations indépendantes ou publiées par des clients, avec des méthodes claires, renforceraient les arguments en faveur d’un usage plus large. Des rapports qui omettent les conditions de source ou les cas d’échec laisseraient d’importantes questions sans réponse. Les éléments de preuve doivent expliquer ce qui a été testé, plutôt que de simplement décrire l’enthousiasme des utilisateurs.

Le troisième signal est un travail achevé assorti d’une trace compréhensible des décisions. Les organisations devraient observer si un contexte plus large réduit l’effort nécessaire pour parvenir à un résultat validé. Elles devraient également examiner le travail induit par la vérification, la correction et la maintenance de l’agent.

Une réponse apparemment plus rapide peut tout de même générer des efforts en aval si quelqu’un doit reconstituer son raisonnement. Une réponse plus lente mais solidement étayée peut être plus utile lorsque la validation entraîne de réelles conséquences. La comparaison doit inclure l’ensemble de la tâche.

Les exemples réussis devraient distinguer les actions suggérées des actions autorisées et achevées. Ils devraient également prévoir un refus ou une escalade appropriés. Un agent qui reconnaît l’insuffisance des éléments probants peut mieux servir un flux de travail qu’un agent qui produit toujours une recommandation assurée.

Ces signaux détermineront le niveau de responsabilité opérationnelle que les entreprises attribuent au produit étendu. L’accès aux fonctionnalités crée l’occasion de tester cette responsabilité. Des résultats répétés et inspectables constituent une base plus solide pour l’élargir.

Avant d’étendre un pilote, choisissez une question métier qui exige déjà un calcul, des preuves documentaires et une étape suivante validée. Définissez ce qu’est un résultat correct avant de comparer la réponse de l’agent. Demandez au responsable métier concerné d’examiner séparément les éléments probants et l’action proposée. Consignez les cas où le jugement humain demeure nécessaire et vérifiez si le flux de travail économise réellement des efforts après validation. Utilisez ces conclusions pour décider quelles sources ou quels outils supplémentaires méritent un accès. La mise à jour Databricks Genie Agents élargit ce que les équipes peuvent tenter ; la décision pratique consiste à déterminer quelles responsabilités leurs preuves justifient d’attribuer ensuite. Que devrait voir votre organisation avant de faire confiance à l’action qui en résulte ?

 
 

Commencez pour Gratuit

Un premier assistant IA local avec gestion des connaissances personnelles

Pour une meilleure expérience IA,

remio ne supporte que Windows 10+ (x64) et M-Chip Macs actuellement.

Votre partenaire IA au travail
Faites-en plus avec remio

Planifiez. Créez. Livrez.
Tout au même endroit.

bottom of page