Les fonctions AI d’AlloyDB de Google intègrent le traitement du texte à SQL
Google a détaillé deux fonctions AI d’AlloyDB en preview qui intègrent la classification et l’extraction de texte aux requêtes de base de données, remettant en question la nécessité de pipelines applicatifs distincts. Les fonctions, ai.classify et ai.extract, permettent aux développeurs de demander des libellés et des champs structurés via SQL, le langage utilisé pour interroger les bases de données relationnelles. Elles simplifient la manière dont les applications invoquent l’IA, tout en laissant la précision des modèles, les coûts d’inférence et la gestion des données comme responsabilités opérationnelles.
L’alternative est familière aux développeurs : récupérer du texte de la base de données, l’envoyer à un modèle, interpréter la réponse et réécrire les résultats utiles. Google transfère une partie de cette coordination dans AlloyDB, sa base de données gérée compatible avec PostgreSQL. La pression immédiate s’exerce sur le code applicatif dont le rôle principal est de relier le texte stocké aux services de modèles.
Snowflake propose déjà des fonctions comparables de classification et d’extraction, donnant à cette annonce un point de référence établi dans l’industrie. La proposition particulière de Google concerne les données opérationnelles, notamment les tickets de support, les avis et les dossiers métier. La question est de savoir si l’intégration de l’IA aux requêtes de base de données réduit suffisamment la maintenance pour justifier de rapprocher le travail dépendant des modèles des opérations quotidiennes des applications.
Les fonctions AI d’AlloyDB ajoutent des tâches définies aux requêtes de base de données
Le changement repose sur une interface plus spécifique pour demander aux modèles de travailler sur le texte stocké en base.
La classification attribue le texte à des catégories, tandis que l’extraction en tire les informations demandées. Aucune de ces tâches n’est nouvelle pour les applications d’IA. Le changement de produit réside dans le fait que les développeurs peuvent exprimer ces tâches au moyen de fonctions de base de données nommées, au lieu d’assembler eux-mêmes chaque interaction.
Le calendrier exige une certaine prudence. Les notes de version d’AlloyDB de Google indiquaient que les deux fonctions étaient disponibles en preview le 27 octobre 2026. Son billet de blog de novembre a ensuite expliqué leur fonctionnement et fourni des exemples. L’annonce développe donc l’explication publique d’une preview existante, plutôt que d’établir novembre comme leur première disponibilité documentée.
Le statut de preview compte pour les acheteurs qui envisagent ces fonctions pour des flux de travail importants. Il distingue une capacité disponible d’un service généralement disponible assorti d’attentes établies pour la production. Une organisation peut évaluer ces fonctions dès maintenant sans présumer que toutes les exigences opérationnelles sont déjà réglées.
Selon la documentation sur la classification, la fonctionnalité nécessite PostgreSQL 18 ou une version ultérieure, ainsi que l’extension google_ml_integration en version 1.6.1 ou supérieure. Une extension est un package installé qui ajoute des capacités à la base de données. Le moteur de requêtes AI concerné et les paramètres de preview doivent également être activés.
ai.classify accepte des catégories fournies par le développeur. Elle permet de choisir une seule catégorie ou de renvoyer plusieurs libellés applicables. Les développeurs peuvent ajouter des descriptions et des exemples de catégories, apportant au modèle davantage de contexte sur les distinctions recherchées.
Cette conception déplace l’effort de la rédaction d’instructions pour le modèle vers la définition de la tâche de classification. Une équipe doit toujours décider de la signification de ses catégories. Elle doit également définir la manière de traiter les entrées qui se chevauchent, sont incomplètes ou ambiguës.
La distinction devient plus claire avec un message de support hypothétique portant sur un produit endommagé et une demande de remboursement restée sans réponse. Un seul libellé impose un choix de routage. Plusieurs libellés préservent les deux préoccupations, mais les systèmes en aval doivent savoir comment traiter cette combinaison.
ai.extract répond à un problème différent : transformer du texte libre en champs demandés. Sa documentation sur l’extraction structurée décrit les schémas et les descriptions textuelles permettant de préciser les informations souhaitées. Un schéma définit les champs attendus et leurs types de données.
Dans un flux de vente illustratif, ces champs pourraient inclure le nom du contact, l’entreprise, le poste et le besoin exprimé. L’interface de base de données facilite l’expression de cette demande à proximité de la transcription stockée. Elle ne garantit pas que chaque champ extrait reflétera fidèlement la conversation.
C’est la première limite de la proposition de Google. Les fonctions regroupent des tâches courantes d’IA dans une interface de base de données. Elles ne suppriment pas les décisions métier qui déterminent si les libellés et champs obtenus sont utiles.
Les équipes applicatives font face à une intégration plus légère
Le bénéfice immédiat le plus évident est la réduction du code de coordination autour des tâches récurrentes de traitement du texte.
Considérons une opération de support hypothétique qui stocke les messages entrants dans sa base de données transactionnelle, le système qui enregistre l’activité métier en cours. Son application a besoin de libellés pour le routage et de détails extraits pour le suivi. Sans interface intégrée, les développeurs doivent coordonner ces demandes via une autre couche de traitement.
Cette couche assume des responsabilités légitimes. Elle sélectionne les enregistrements, fournit des instructions, invoque un modèle, interprète les réponses et enregistre les résultats. Elle doit également disposer d’une politique pour les échecs et les traitements répétés. Même lorsque chaque composant est gérable, leur maintenance combinée devient une partie du produit.
Les fonctions AI d’AlloyDB remettent en question la nécessité de cette couche entière pour la classification et l’extraction simples. Si la base de données peut exprimer directement la demande, les développeurs d’applications ont moins de composants d’intégration à construire. Il s’agit d’une option architecturale concrète, et non d’une affirmation selon laquelle tout traitement externe devrait disparaître.
La pression est la plus forte sur les services internes dont le principal objectif est de déplacer du texte entre le stockage et l’inférence. L’inférence consiste à exécuter un modèle pour produire une réponse. Lorsqu’un service apporte peu au-delà de cette coordination, une fonction de base de données offre un candidat crédible au remplacement.
Les flux de travail plus élaborés constituent une proposition différente. Une application peut devoir consulter plusieurs systèmes, demander une approbation humaine ou choisir parmi plusieurs fournisseurs de modèles. Ces exigences dépassent l’attribution de libellés ou l’extraction de champs à partir de texte stocké.
La décision dépend donc du travail remplacé. Une tâche de classification compacte est plus adaptée à une évaluation qu’un processus complet de gestion de dossiers. Traiter les deux comme équivalents exagérerait ce que l’annonce établit.
Les équipes de base de données héritent également d’un rôle plus visible. Dès que des appels de modèle apparaissent dans les requêtes, les administrateurs doivent comprendre quelles charges de travail en dépendent. La responsabilité applicative et la responsabilité de la base de données se rapprochent autour des performances, des autorisations et du dépannage opérationnel.
Ce changement modifie la discussion d’achat. Un responsable de l’ingénierie devrait se demander si l’intégration supprime une maintenance récurrente, plutôt que si la requête paraît plus courte. Un code plus court est utile lorsqu’il produit aussi un modèle opérationnel plus clair et plus facile à maintenir.
Pour les équipes qui utilisent déjà AlloyDB, l’évaluation peut se concentrer sur un flux de travail circonscrit. Pour les organisations qui envisagent une migration de base de données, ces fonctions offrent à elles seules une justification plus limitée. Le déplacement d’une base de données opérationnelle implique des responsabilités qui vont bien au-delà de l’enrichissement de texte.
L’annonce crée aussi une distinction utile pour les travailleurs du savoir. Structurer les dossiers clients dans une base de données répond à un besoin différent de celui de la recherche dans des notes personnelles et des fichiers techniques. Une base de connaissances consultable répond au besoin d’accéder aux connaissances de travail réparties entre les documents.
Ces approches peuvent coexister au sein d’une même organisation. L’enrichissement de base de données soutient le comportement des applications et le reporting. Les outils de connaissance personnelle aident à trouver et à relier des informations pendant le travail. Le bon choix dépend de l’emplacement de l’information et de la décision à prendre.
Pour les développeurs qui évaluent AlloyDB face à l’IA applicative, la comparaison pratique porte sur la responsabilité. Quelle approche facilite le diagnostic des échecs, la revue des changements et la vérification des résultats ? Cette comparaison est plus utile que de compter les lignes de code supprimées.
Le traitement par lots modifie l’économie des appels de modèle
La stratégie d’exécution compte autant que la commodité du nom d’une fonction.
Placer un appel de modèle dans une requête ne rend pas automatiquement le traitement efficace. Une opération de base de données peut toucher de nombreux enregistrements, et l’évaluation de chacun séparément introduit du travail répété. La qualité de l’intégration dépend en partie de la manière dont ces demandes sont organisées.
Google décrit le traitement par lots intelligent, qui regroupe les entrées éligibles pour le traitement par modèle. Sa documentation sur le traitement par lots explique que le moteur de requêtes peut rassembler les opérations AI plutôt que d’évaluer chaque appel éligible selon une exécution séquentielle ordinaire. Cela donne à la base de données un rôle dans la coordination de l’inférence.
Le billet de novembre met l’accent sur le traitement par lots dans les expressions WHERE, qui déterminent les enregistrements renvoyés par une requête. La documentation actuelle décrit une prise en charge plus large, notamment les expressions de sortie et les opérations éligibles impliquant des tables combinées ou des modifications de données. Les lecteurs devraient donc vérifier leur configuration installée par rapport à la documentation actuelle.
Cette différence limite également la manière dont la feuille de route doit être interprétée. Le blog évoque comme travail futur une extension au-delà de WHERE. La documentation actuelle décrit déjà une prise en charge d’exécution plus large. Une annonce datée ne devrait pas primer sur les indications d’implémentation disponibles pour un déploiement donné.
L’argument économique sous-jacent est compréhensible. Répéter des instructions partagées pour des demandes distinctes peut créer une surcharge de traitement inutile. Regrouper les entrées adaptées crée une occasion d’amortir ce travail, même si les économies réelles dépendent du modèle et de la charge de travail.
Google affirme que le traitement par lots améliore l’efficacité d’exécution et réduit la surcharge des prompts. Ces déclarations doivent rester attribuées au produit. L’annonce ne fournit pas de benchmark indépendant établissant la même amélioration dans les charges de travail des clients.
Pour un acheteur en entreprise, le débit et le temps de réponse répondent à des questions différentes. Le débit mesure la quantité de travail achevée sur une période. Le temps de réponse mesure la durée d’une demande particulière. Une tâche d’enrichissement en arrière-plan et une application interactive peuvent valoriser ces résultats différemment.
Imaginons un processus nocturne illustratif qui attribue des libellés aux retours clients accumulés. Sa priorité pourrait être de terminer l’arriéré de manière prévisible. Un écran destiné aux utilisateurs qui classe du texte pendant une demande est soumis à une contrainte différente : la personne attend la réponse.
Les deux charges de travail peuvent utiliser la même fonction tout en exigeant des décisions de déploiement différentes. C’est pourquoi une affirmation globale de performance ne peut pas déterminer si l’inférence doit appartenir à un chemin d’application particulier. Les exigences de timing de l’application déterminent toujours ce qui est acceptable.
La conception des requêtes reste également importante. Une tâche doit s’appliquer aux enregistrements pertinents pour son objectif. Une interface SQL familière ne devrait pas encourager une évaluation large par modèle lorsque des critères métier ordinaires peuvent d’abord réduire le travail.
L’évaluation répétée mérite une attention similaire. Si le texte source n’a pas changé, recalculer son interprétation peut ajouter peu de valeur. La réutilisation ou non d’un résultat antérieur est une décision de conception applicative qui exige des règles claires sur la fraîcheur et les changements de modèle.
Ces considérations expliquent pourquoi les fonctions AlloyDB AI sont plus importantes qu’une simple commodité syntaxique. Elles confient davantage de responsabilités à la base de données pour coordonner le travail des modèles. Leur avantage doit être évalué à l’aune de résultats achevés et exploitables, ainsi que de leur charge opérationnelle.
L’évaluation la plus rigoureuse comparerait des tâches équivalentes selon des critères d’acceptation équivalents. Elle inclurait les sorties infructueuses, les retraitements et la revue humaine. Sinon, une requête plus rapide risque d’être confondue avec un meilleur flux de travail de bout en bout.
Les sorties structurées nécessitent toujours une vérification
Un champ au bon format peut tout de même contenir la mauvaise information.
C’est la principale limite du transfert de l’extraction vers SQL. Un résultat structuré est plus facile à exploiter pour un logiciel, mais le formatage et l’exactitude sont deux propriétés distinctes. L’intégration améliore l’interface sans rendre l’interprétation d’un modèle autoritative.
Prenons une facture illustrative contenant une date d’émission, une échéance de paiement et une date de livraison. Une date extraite peut être syntaxiquement valide tout en renvoyant au mauvais événement. Un processus en aval qui l’accepte automatiquement préserverait l’erreur sous une forme plus pratique.
La classification pose un problème équivalent. Un message client peut exprimer de l’insatisfaction sans demander d’annulation. Si une équipe définit mal ses catégories, une étiquette renvoyée proprement peut tout de même orienter le dossier vers le mauvais flux de travail.
Les exemples et descriptions de catégories aident à communiquer l’intention, mais ils deviennent aussi partie intégrante de la définition maintenue de la tâche. Les modifier peut changer le comportement. Les équipes devraient considérer ces changements comme des décisions applicatives importantes, plutôt que comme de simples modifications de requête.
Il en va de même pour les champs d’extraction. Demander l’exigence exprimée par un client diffère de demander une opportunité commerciale déduite. La première demande cherche des éléments probants dans la source ; la seconde introduit une interprétation. Un nom de champ clair devrait rendre cette distinction visible.
Pour les fonctions AlloyDB AI expliquées en termes opérationnels, la vérification constitue le pont entre la sortie du modèle et l’action métier. Un résultat peut étayer une revue avant d’être autorisé à déclencher une étape irréversible. Cette limite devrait dépendre des conséquences d’une erreur.
Cela est particulièrement pertinent pour des exemples sensibles tels que les notes cliniques. Google présente l’extraction dans le domaine de la santé comme un cas d’usage possible. Cet exemple ne constitue pas une preuve de validation clinique, d’approbation réglementaire ou d’adéquation aux dossiers propres à une organisation.
L’affirmation relative à la localisation des données exige également de la précision. L’annonce de la fonction de Google indique que les entrées traitées par lots sont envoyées aux modèles Gemini Enterprise Agent Platform. Appeler ces modèles via SQL ne permet pas d’établir que l’inférence s’effectue entièrement dans le processus de base de données.
Une organisation devrait donc examiner le parcours réel du traitement. Les questions pertinentes incluent le service sélectionné, la région, les autorisations et les conditions applicables de traitement des données. Une architecture applicative plus simple peut réduire les points de coordination sans éliminer la nécessité de comprendre où les informations sont traitées.
Les coûts suivent la même logique. Faire passer la requête par SQL ne permet pas d’établir que le traitement par modèle est gratuit. Les acheteurs devraient distinguer le travail de base de données de la consommation d’inférence et évaluer la charge de travail complète.
Une question pratique se pose également quant à la manière dont les résultats générés deviennent des faits métier enregistrés. Une extraction proposée peut rester une suggestion jusqu’à ce qu’un autre processus la valide. Mettre automatiquement à jour des enregistrements faisant autorité exige un niveau d’exigence plus élevé que l’affichage d’un champ candidat.
La feuille de route de Google mentionne une provenance au niveau des lignes, c’est-à-dire un lien entre une réponse extraite et le texte source qui l’étaye. Le blog présente cette capacité comme un travail prévu. Les acheteurs ne devraient pas supposer que l’aperçu fournit déjà cette piste de preuve.
Tant qu’une attribution appropriée n’est pas disponible dans un déploiement, les équipes ont besoin de leur propre moyen de préserver le contexte source. Un réviseur devrait pouvoir examiner le texte à l’origine d’un résultat contesté. Sans ce lien, une sortie pratique peut devenir difficile à auditer.
Il s’agit de considérations de déploiement, et non d’éléments démontrant l’échec de l’aperçu. Les documents disponibles expliquent les fonctionnalités et les avantages visés. Ils n’établissent pas une exactitude vérifiée de manière indépendante, l’économie de la charge de travail ou les résultats opérationnels pour chaque cas d’usage proposé.
Snowflake montre pourquoi l’intégration SQL devient un terrain concurrentiel
Google se dispute la place du travail d’IA au sein d’une catégorie de produits déjà établie.
La fonction de classification IA de Snowflake accepte également des catégories, descriptions et exemples définis par l’utilisateur. Elle prend en charge les résultats à étiquette unique et à étiquettes multiples. Ce recoupement établit une comparaison concrète sans prouver qu’une implémentation est plus performante que l’autre.
Cette similitude importe, car elle modifie le critère de différenciation. La classification exprimée via SQL est déjà disponible ailleurs. Google doit rendre cette approche utile dans le contexte opérationnel d’AlloyDB, plutôt que de s’appuyer uniquement sur l’existence d’une fonction nommée.
La concurrence plus large oppose les interfaces de base de données spécialisées par tâche et l’orchestration de modèles gérée par l’application. L’orchestration désigne la coordination des étapes de traitement et des services. Chaque voie offre aux équipes un endroit différent pour gérer les comportements, les défaillances et les changements d’intégration.
Une interface de base de données est attrayante lorsque l’entrée y est déjà stockée et que l’opération demandée est bien délimitée. Une couche applicative reste attrayante lorsque le traitement traverse plusieurs systèmes ou exige un contrôle sur mesure. Aucun de ces avantages ne tranche toutes les décisions d’architecture.
C’est pourquoi AlloyDB face à l’IA applicative doit être évalué au niveau de la charge de travail. La question utile est de savoir si une tâche particulière devient plus facile à exploiter. Les affirmations générales sur le remplacement des pipelines applicatifs ignorent les cas où ces pipelines contiennent une logique métier essentielle.
La documentation des concurrents rappelle également que la configuration des tâches influence les résultats. Snowflake évoque la clarté des catégories et les exemples comme facteurs du comportement de classification. La leçon est générale : une interface spécialisée n’élimine pas la nécessité de définir soigneusement la tâche.
Pour les acheteurs, des noms comparables ne devraient pas impliquer des contrats interchangeables. Les structures de sortie, la gestion des erreurs, les entrées prises en charge et les exigences d’accès peuvent différer. Une évaluation de migration doit examiner ces détails plutôt que de supposer que des fonctions portant des noms semblables se comportent de manière identique.
La position de Google devient plus convaincante lorsqu’une charge de travail AlloyDB existante peut adopter les fonctions avec une coordination supplémentaire limitée. C’est une proposition plus étroite et plus vérifiable que l’affirmation d’un avantage universel sur les services externes.
Les équipes applicatives devraient également préserver une limite claire autour des attentes métier. Une décision d’acheminement telle que « nécessite une revue de facturation » devrait avoir une signification documentée, indépendante de sa mise en œuvre. Cela facilite l’évaluation des changements de modèles ou de systèmes de traitement.
La conséquence concurrentielle est une pression accrue pour justifier le travail d’intégration courant. Si une base de données gérée traite une tâche de manière adéquate, le maintien d’un service distinct nécessite une raison précise. À l’inverse, les services personnalisés conservent leur valeur lorsqu’ils offrent un contrôle mesurable ou des capacités dont l’interface de base de données ne dispose pas.
Pour les lecteurs qui suivent les fonctions AlloyDB AI, telle est l’importance qui dépasse l’annonce. L’accès aux modèles devient partie intégrante de la discussion sur les produits de base de données. La décision d’achat inclut de plus en plus la question de savoir qui coordonne l’inférence et qui assume le comportement opérationnel qui en résulte.
Ce que les acheteurs devraient surveiller au cours des trois prochains mois
Les prochains éléments utiles porteront sur la disponibilité, les résultats mesurés et la traçabilité.
Le premier signal est un engagement de production plus clair pour ces fonctions en aperçu. Les acheteurs devraient suivre les notes de version afin d’identifier les changements de statut de lancement, les configurations prises en charge et les recommandations opérationnelles. Une disponibilité générale renforcerait la confiance dans la planification d’intégrations plus durables.
Un aperçu plus long n’établirait pas que les fonctions sont inefficaces. Il maintiendrait pertinente la distinction entre expérimentation et engagement de production. Les organisations devraient toujours faire correspondre leur tolérance au changement à l’importance de la charge de travail.
Le deuxième signal est une comparaison reproductible avec une implémentation gérée par l’application. Cette comparaison devrait utiliser des enregistrements source, des définitions de tâches et des critères d’acceptation équivalents. Mesurer uniquement les réponses réussies du modèle omettrait une partie du travail qu’une entreprise doit réellement exploiter.
Un résultat convaincant montrerait des sorties utiles parallèlement à l’effort total de traitement. La charge de revue, les requêtes infructueuses et les traitements répétés influent tous sur la capacité de l’approche intégrée à faire gagner du travail. Une amélioration selon ces critères renforcerait l’argument de Google en matière de maintenance.
Un résultat qui ne ferait que déplacer la complexité vers les opérations de base de données affaiblirait la proposition plus large. L’application pourrait devenir plus courte tandis que le dépannage deviendrait plus difficile ailleurs. Les acheteurs ont besoin d’éléments sur l’ensemble du flux de travail, et non sur son composant le plus favorable.
Le troisième signal est la fourniture d’une meilleure traçabilité, y compris la provenance au niveau des lignes évoquée dans la feuille de route de Google. L’extraction devient plus utile lorsque les réviseurs peuvent localiser le texte exact qui l’étaye. Cette capacité aiderait les équipes à distinguer une extraction fidèle d’une interprétation non étayée.
L’optimisation des coûts fait également partie de cette discussion, mais une mention dans une feuille de route n’est pas un engagement de livraison. Les acheteurs devraient rechercher un comportement documenté et des résultats vérifiables. La même prudence s’applique chaque fois qu’un blog et les indications actuelles de mise en œuvre décrivent des stades de développement différents.
Ces signaux maintiennent l’évaluation liée à la promesse centrale de l’annonce : réduire le travail nécessaire pour transformer du texte stocké en données applicatives exploitables. Ils empêchent également qu’une interface pratique devienne un substitut à un modèle opérationnel.
Pour une évaluation initiale, choisissez un flux de travail circonscrit dans lequel une étiquette ou un champ erroné peut être revu avant de modifier un enregistrement important. Conservez le texte d’origine et documentez ce qu’est une réponse correcte. Comparez la requête intégrée au processus existant en utilisant les mêmes entrées et le même standard de revue. Suivez l’effort nécessaire pour diagnostiquer les défaillances, mettre à jour les définitions de tâches et approuver les sorties. Décidez ensuite si les fonctions AlloyDB AI facilitent la maintenance de ce flux de travail précis. Quelle tâche de votre application nécessite actuellement un service distinct uniquement pour classifier du texte ou extraire des champs, et quels éléments justifieraient son transfert dans la base de données ?



