OpenAI Data Agent entre dans une course à l’analytique d’entreprise fondée sur la confiance

OpenAI a lancé OpenAI Data Agent le 10 septembre, intégrant l’analyse gouvernée des données d’entreprise à ChatGPT Work alors que la concurrence dans l’analytique d’entreprise s’intensifie.

Le nouvel agent se connecte à des systèmes métiers approuvés, enquête sur les évolutions et crée des tableaux de bord interactifs à partir de demandes en langage naturel. Il recommande également des actions de suivi et peut envoyer des résultats approuvés via des outils de travail connectés.

Cette ambition place OpenAI en concurrence directe avec la pile d’analytique conversationnelle de plus en plus mature de Google. Pourtant, l’enjeu ne consiste pas seulement à savoir quel modèle écrit le meilleur SQL. Il s’agit de déterminer quelle plateforme peut comprendre les définitions métier, respecter les autorisations, exposer les éléments probants et gagner suffisamment de confiance pour influencer des décisions réelles.

OpenAI arrive avec un avantage utile. L’entreprise a déjà testé un système interne associé dans un environnement de données complexe avant d’en proposer les capacités à ses clients. Cependant, Google, Microsoft, Snowflake, Databricks et les éditeurs établis de business intelligence contrôlent des éléments importants de la pile analytique existante.

La bataille qui en résulte présente une forme inhabituelle. OpenAI souhaite que ChatGPT devienne l’endroit où les employés interrogent, investiguent, visualisent et agissent. Ses partenaires veulent néanmoins que leurs entrepôts, couches sémantiques et tableaux de bord restent le fondement de référence sous-jacent à cette expérience.

OpenAI Data Agent passe des réponses à l’action

Le changement important n’est pas l’interrogation en langage naturel. C’est la tentative de réunir tout un workflow analytique dans une seule conversation ChatGPT.

Selon le lancement de Data Agent, les utilisateurs peuvent connecter des sources approuvées telles qu’Amazon Redshift, Google BigQuery, ClickHouse, Databricks, MongoDB et Snowflake. Des fichiers provenant de Google Drive et SharePoint peuvent également alimenter une analyse.

L’agent fait davantage que traduire une question en requête de base de données. OpenAI affirme qu’il peut investiguer les raisons de l’évolution d’une métrique, examiner les éléments probants, accepter des instructions de suivi et transformer ses conclusions en tableau de bord interactif.

Ce workflow cible un délai familier au sein des grandes organisations. Un responsable commercial constate que les renouvellements ont diminué, demande une explication à un analyste et attend pendant que celui-ci identifie les tables appropriées. L’analyste doit ensuite confirmer les définitions, vérifier les jointures, rapprocher les tableaux de bord et présenter ses conclusions.

OpenAI Data Agent condense ces étapes dans une boucle conversationnelle. Un utilisateur peut demander pourquoi le nombre d’utilisateurs actifs hebdomadaires a baissé, solliciter des comparaisons avec des périodes antérieures et orienter l’agent vers des causes probables. L’agent peut ensuite proposer des vérifications supplémentaires au lieu de s’arrêter à un graphique statique.

OpenAI indique également que l’agent peut créer des tableaux de bord dans Omni, Oracle BI, Power BI, Sigma, Tableau et ThoughtSpot, ou interagir avec eux. Ce détail compte, car OpenAI ne demande pas à chaque client d’abandonner immédiatement sa couche de visualisation actuelle.

ChatGPT Work devient plutôt une surface d’orchestration. L’agent peut accéder aux magasins de données, documents métier, systèmes sémantiques et tableaux de bord existants, tout en préservant ces systèmes comme sources de vérité.

Une couche sémantique est l’ensemble gouverné de définitions qui explique comment une entreprise calcule des mesures telles que le chiffre d’affaires, la rétention et les utilisateurs actifs. Ces définitions empêchent différentes équipes d’attribuer des sens distincts à un même libellé.

OpenAI affirme que son agent peut utiliser des définitions de métriques, des calculs personnalisés, des relations et une terminologie métier provenant notamment de dbt, GitHub, Snowflake Horizon et Databricks Genie Ontology. Cet ancrage distingue le produit d’une interface générique de conversion de texte en SQL.

Les administrateurs conservent un rôle central. Ils choisissent les connexions disponibles, configurent les plugins de sources de données et déterminent quels rôles peuvent les utiliser. Les requêtes sont censées appliquer les autorisations existantes de l’utilisateur connecté au niveau des tables, des lignes et des colonnes.

L’agent apparaît sous le nom Data dans le répertoire Plugins de ChatGPT Work. Une fois qu’un administrateur l’a installé et a configuré les connexions pertinentes, les employés peuvent l’invoquer en s’adressant à @Data dans une conversation.

OpenAI affirme que l’étape finale peut aller au-delà de l’analyse. L’agent peut identifier les personnes qui devraient participer, recommander les prochaines actions, partager des conclusions par Slack ou email, et effectuer des actions approuvées par un utilisateur.

Cette progression modifie les enjeux concurrentiels. Un tableau de bord aide traditionnellement quelqu’un à comprendre ce qui s’est passé. Un agent qui analyse un changement et déclenche une réponse commence à rivaliser pour le contrôle du workflow de décision lui-même.

L’analytique d’entreprise devient une bataille pour la porte d’entrée

OpenAI met les éditeurs d’outils analytiques sous pression en faisant de ChatGPT le premier endroit vers lequel un employé se tourne avec une question métier.

Les plateformes de business intelligence consacrent depuis des années leurs efforts à dépasser les rapports statiques. Tableau, Power BI, Looker, ThoughtSpot et les plateformes de données plus récentes prennent déjà en charge les questions en langage naturel, les explications automatisées et la visualisation assistée.

OpenAI Data Agent n’arrive pas avant ce changement. Il arrive après que l’analytique conversationnelle est devenue une priorité stratégique dans toute l’industrie.

Google a rendu Conversational Analytics dans BigQuery généralement disponible le 30 juin 2026. Son système permet aux utilisateurs techniques comme métier d’exécuter des analyses en plusieurs étapes et de générer des rapports visuels en langage naturel dans BigQuery.

L’analytique conversationnelle de Google peut également accéder à des sources multicloud, y compris Databricks Unity, AWS Glue, SAP et Salesforce. Les équipes data peuvent publier des agents spécialisés dans Gemini Enterprise, Data Studio ou des applications personnalisées.

Cela donne à Google une position claire dans cette compétition. L’entreprise contrôle un important entrepôt de données cloud, la famille de modèles Gemini, des interfaces d’entreprise et l’infrastructure où de nombreuses requêtes sont exécutées.

OpenAI emprunte une voie différente. L’entreprise veut que ChatGPT Work se place au-dessus de multiples plateformes de données, y compris les systèmes de ses concurrents. Le produit peut devenir la couche conversationnelle commune même lorsque l’entrepôt sous-jacent appartient à Google, Snowflake, Databricks ou Amazon.

C’est pourquoi ce lancement crée une pression qui dépasse la business intelligence traditionnelle. La plateforme qui possède le point de départ de l’employé peut influencer les outils qui restent visibles et ceux qui deviennent une infrastructure dissimulée derrière une conversation.

Un responsable financier pourrait ne plus ouvrir un catalogue de tableaux de bord, choisir un rapport et ajuster des filtres. Il pourrait commencer dans ChatGPT, décrire la décision à prendre et laisser l’agent localiser les jeux de données et tableaux de bord pertinents.

Ce changement n’élimine pas automatiquement les plateformes de BI. Les intégrations annoncées par OpenAI suggèrent un marché à plusieurs couches, dans lequel ChatGPT gère l’intention et l’orchestration tandis que les systèmes établis fournissent des métriques gouvernées, le stockage, la visualisation et le contrôle d’accès.

La question stratégique porte sur l’acteur qui capte la relation durable avec l’utilisateur. Si la plupart des analyses commencent dans ChatGPT, un produit de tableaux de bord existant risque de devenir une destination de rendu plutôt que l’espace de travail principal.

Les partenaires d’OpenAI reconnaissent cette possibilité, mais leur participation étend aussi leur portée. Microsoft affirme que les utilisateurs de Power BI peuvent créer des tableaux de bord en décrivant des questions métier. Tableau souligne que sa couche sémantique peut ancrer les réponses tandis que ChatGPT fournit un autre espace de travail.

Snowflake présente ses données gouvernées et ses contrôles d’accès comme un fondement partagé, quel que soit l’endroit où un employé pose sa question. Databricks présente de la même façon Genie comme la couche de contexte qui relie les données d’entreprise et des réponses fiables.

Ces déclarations révèlent une frontière négociée. OpenAI veut posséder l’expérience conversationnelle, tandis que ses partenaires veulent préserver leur autorité sur les données, les définitions et la gouvernance.

Google est l’adversaire principal le plus évident, car il peut combiner ces couches en interne. Ses agents analytiques vivent à proximité des données BigQuery et peuvent être intégrés à Gemini Enterprise sans dépendre d’une interface conversationnelle externe.

L’approche multiplateforme d’OpenAI offre de la flexibilité, mais elle crée également un travail d’intégration. Chaque système supplémentaire introduit des schémas, autorisations, conventions de métadonnées, calendriers d’actualisation et limites opérationnelles différents.

La compétition repose donc sur bien plus que des listes de fonctionnalités. Les clients doivent déterminer si une couche d’orchestration indépendante offre suffisamment de commodité pour justifier un nouveau point de contrôle critique dans leur architecture analytique.

Le contexte métier, et non le SQL, est la partie difficile

OpenAI Data Agent ne réussira que s’il peut distinguer une réponse techniquement valide de la réponse réellement attendue par une entreprise.

Les grands modèles de langage peuvent générer du SQL syntaxiquement correct tout en choisissant la mauvaise table, la mauvaise granularité, le mauvais filtre ou la mauvaise définition métier. La réponse obtenue peut sembler convaincante parce que la requête s’exécute et que le graphique paraît cohérent.

OpenAI a rencontré ce problème dans ses propres opérations. En janvier, l’entreprise a décrit un agent de données interne au service de plus de 3 500 utilisateurs, couvrant plus de 600 pétaoctets et 70 000 jeux de données.

Son architecture interne illustre pourquoi l’analyse d’entreprise exige bien plus qu’un accès à une base de données. Le système combine des métadonnées de schéma, des requêtes historiques, des annotations humaines, du contexte dérivé du code, des connaissances institutionnelles, de la mémoire et l’inspection en direct de l’entrepôt.

Les métadonnées de schéma renseignent l’agent sur les colonnes et les types de données. La lignée des tables décrit la manière dont les jeux de données sont reliés et les processus en amont qui les ont créés. Les requêtes historiques révèlent les jointures courantes et les modèles d’utilisation établis.

Ces éléments ne suffisent toujours pas à expliquer pleinement une organisation. Deux tables peuvent contenir des champs similaires tout en appliquant des exclusions différentes. Une métrique apparemment simple peut dépendre de conventions non documentées, de filtres expérimentaux ou d’une logique propre à un produit.

L’agent interne d’OpenAI traite cette ambiguïté à l’aide de descriptions rédigées par des humains et d’analyses au niveau du code. Codex examine les pipelines afin d’inférer le propriétaire d’une table, sa granularité, ses dépendances, ses clés de jointure et son comportement de mise à jour.

L’agent peut également récupérer du contexte institutionnel à partir des systèmes de travail. Des documents internes peuvent expliquer des lancements de produits, des incidents, des noms de code et des définitions canoniques de métriques que les schémas de bases de données ne peuvent pas exprimer.

La mémoire ajoute une couche supplémentaire. Lorsque les utilisateurs corrigent un filtre subtil ou clarifient un terme ambigu, le système interne peut conserver cet enseignement pour les conversations ultérieures. OpenAI indique que les utilisateurs peuvent consulter et modifier ces mémoires.

OpenAI Data Agent commercial suit la même idée centrale, même si OpenAI n’a pas publiquement établi que chaque déploiement client reproduit l’architecture interne. Le contexte propre à l’entreprise doit accompagner l’accès aux données brutes.

Ce mécanisme explique les intégrations avec les systèmes sémantiques. OpenAI a besoin de Databricks Genie Ontology, de modèles dbt, de Snowflake Horizon, de tableaux de bord BI et d’autres sources fiables, car le modèle ne peut pas déduire sans risque chaque règle métier.

Il explique également pourquoi les éditeurs de données établis restent difficiles à évincer. Cortex Analyst de Snowflake ancre déjà les questions en langage naturel dans des modèles sémantiques associés à des données structurées.

Google permet aux équipes de configurer des agents de données avec des requêtes vérifiées, des métadonnées personnalisées, des termes de glossaire et des instructions explicites. Sa documentation recommande de valider les résultats générés, car des réponses plausibles peuvent tout de même être factuellement erronées.

OpenAI fait face à la même limite fondamentale. Un modèle de raisonnement peut explorer plusieurs hypothèses, mais son niveau de confiance ne garantit pas que le jeu de données choisi représente la vérité approuvée par l’organisation.

Le véritable test ne consiste pas à savoir si un agent produit un tableau de bord. Il s’agit de déterminer si un analyste peut examiner ses éléments de preuve, reproduire sa logique et identifier l’hypothèse à l’origine d’un résultat inattendu.

C’est aussi à ce stade que la gestion des connaissances devient une infrastructure opérationnelle. Les équipes ont besoin de définitions maintenues, de décisions documentées et d’un contexte métier consultable avant qu’un agent puisse raisonner de façon fiable entre les départements.

Une base de connaissances IA bien organisée peut aider les employés à retrouver le contexte pertinent. L’analytique d’entreprise impose des exigences plus strictes en matière de traçabilité, d’autorisations, d’approbation et de responsabilité des métriques.

Sans cette base, l’analyse en libre-service peut multiplier les désaccords plutôt que les résoudre. Davantage d’employés peuvent générer des réponses, mais chacune peut dépendre d’une interprétation différente de l’activité.

Le problème de confiance ne disparaît pas derrière un tableau de bord

Un graphique soigné peut rendre une erreur analytique plus dangereuse, car il donne à un raisonnement incertain l’apparence d’une preuve établie.

OpenAI indique que les utilisateurs peuvent examiner les éléments de preuve derrière chaque constat et affiner une enquête de manière conversationnelle. Cette conception est préférable à une réponse unique, mais les détails publics ne permettent pas encore d’établir les taux d’erreur dans des environnements clients variés.

Les documents de lancement présentent des exemples clients prometteurs. NTT DATA indique que des non-ingénieurs occupant des fonctions commerciales et corporate ont créé et mis à jour des tableaux de bord en langage naturel. L’entreprise cite les licences, les efforts requis et l’expertise technique parmi les freins à une utilisation plus large des tableaux de bord.

ServiceTitan indique que son équipe a créé un tableau de bord montrant que les utilisateurs de son assistant Atlas lançaient des campagnes à un rythme environ trois fois supérieur à celui des non-utilisateurs. Ce résultat aurait orienté des changements dans l’onboarding.

CookUnity indique que son équipe de croissance a créé un tableau de bord de conversion saisonnière, vérifié les résultats par rapport à des rapports internes et réduit le temps de planification. Cette étape de vérification est importante, car elle a préservé un point de référence indépendant.

Un autre partenaire d’évaluation, micro1, indique que son équipe des opérations a recréé des tableaux de bord de suivi des performances en une demi-heure et identifié des erreurs dans les versions originales. Ces témoignages illustrent des scénarios utiles, mais restent des déclarations de clients présentées par OpenAI.

Ils ne fournissent pas de comparaison standardisée en matière de précision, de latence, de coût total d’exploitation, d’échecs liés aux autorisations ou de temps de revue par les analystes. OpenAI n’a pas publié de preuves indépendantes à grande échelle montrant à quelle fréquence l’agent commercial aboutit à une conclusion correcte sans intervention.

Cette distinction importe, car les erreurs d’analyse comportent plusieurs niveaux. La requête générée peut être invalide, la table sélectionnée peut être inappropriée, ou la question métier peut être trop ambiguë pour admettre une seule réponse défendable.

Même un calcul correct peut produire une recommandation trompeuse. Une baisse des renouvellements peut être corrélée au volume de tickets de support, mais cette relation ne prouve pas quel changement opérationnel améliorera la rétention.

Donner à l’agent des outils d’action augmente les conséquences de ces erreurs. Envoyer un rapport présente moins de risques que modifier une campagne, réaffecter du personnel ou changer un parcours client.

L’approbation humaine offre un point de contrôle, mais sa qualité dépend de la visibilité. Un responsable ne peut pas superviser véritablement une action sans comprendre les données, les hypothèses, le niveau de confiance et les explications alternatives qui la sous-tendent.

Les autorisations posent un autre défi. OpenAI indique que les requêtes respectent les règles d’accès existantes, y compris les restrictions au niveau des lignes et des colonnes. Cela protège l’extraction directe, mais les entreprises doivent également réfléchir à ce qu’un tableau de bord généré révèle par agrégation.

Un employé peut ne pas avoir accès aux enregistrements individuels tout en déduisant des informations sensibles à partir d’un petit groupe. Les équipes de sécurité devront vérifier si les politiques existantes se comportent comme prévu face aux questions de suivi et aux sources combinées.

Le raisonnement intersystèmes crée une exposition supplémentaire. Une question reliant des données commerciales, produit, financières et de support peut être précieuse précisément parce que ces domaines étaient auparavant séparés.

Elle peut aussi produire une réponse qu’aucun système individuel n’était conçu pour autoriser. Les administrateurs doivent examiner si la combinaison de faits individuellement autorisés révèle une conclusion métier restreinte.

La mémoire mérite une attention similaire. Mémoriser les corrections peut améliorer les analyses futures, mais les organisations ont besoin d’une responsabilité clairement définie pour les mémoires partagées. Une règle erronée ne devrait pas devenir discrètement une source durable de vérité.

Les équipes ont également besoin de contrôles des changements lorsqu’une définition de métrique évolue. L’agent doit savoir quelle définition s’applique aux périodes antérieures, au reporting actuel, aux communications réglementées et aux analyses expérimentales.

L’utilisation qu’OpenAI fait elle-même de son produit apporte des éléments encourageants montrant que l’architecture peut fonctionner à une échelle importante. L’entreprise indique que la quasi-totalité de son équipe produit et plus des deux tiers de son organisation go-to-market utilisent des agents de données dans ChatGPT Work.

Cependant, OpenAI évolue dans un environnement exceptionnellement natif de l’IA. Ses employés, ses équipes de données, ses outils internes et sa tolérance à l’expérimentation ne représentent pas tous les prestataires de santé, banques, fabricants ou organismes gouvernementaux.

L’entreprise a également construit son système interne autour de ses propres flux de travail. Un client qui connecte plusieurs plateformes matures hérite d’une complexité organisationnelle qu’une intégration de produit ne peut pas automatiquement résoudre.

Pour les acheteurs, les déploiements initiaux les plus sûrs reposent sur des métriques claires, des sources de données délimitées, des requêtes vérifiables et des actions réversibles. Les recommandations à fort enjeu nécessitent une évaluation plus robuste qu’un tableau de bord résumant l’activité d’une campagne.

L’OpenAI Data Agent doit donc être évalué comme un collaborateur analytique, et non comme un moteur de décision incontestable. Sa valeur dépend de sa capacité à exposer l’incertitude et à favoriser la vérification lorsque les preuves sont incomplètes.

Trois signaux détermineront la course à l’analytique d’entreprise

La prochaine étape sera déterminée par une adoption vérifiée, une gouvernance sous des charges de travail réelles et la réponse des plateformes qui contrôlent déjà les données d’entreprise.

Le premier signal est une utilisation durable au-delà des programmes alpha. OpenAI a cité des organisations testant l’analyse des ventes, des dépenses, du reporting, des effectifs et des opérations, mais l’enthousiasme initial ne démontre pas une adoption durable.

Il faudra observer si les employés non techniques continuent d’utiliser l’agent après les premières démonstrations. Une utilisation hebdomadaire répétée, des tableaux de bord partagés et la réduction des retards analytiques renforceraient l’affirmation d’OpenAI selon laquelle l’investigation conversationnelle peut devenir une activité courante.

La qualité des questions compte également. Les résumés simples sont largement disponibles. Une différenciation durable exige que les utilisateurs fassent confiance à l’agent pour mener des enquêtes en plusieurs étapes qui traversent les jeux de données et remettent en question les rapports existants.

Une hausse de ces flux de travail renforcerait la stratégie de porte d’entrée d’OpenAI. Si l’utilisation reste limitée à la création de graphiques élémentaires, les interfaces BI établies conserveront une plus grande part de leur rôle actuel.

Le deuxième signal concerne les preuves relatives à la précision et à la gouvernance. Les entreprises devraient rechercher des méthodes d’évaluation publiées, des capacités d’audit, des flux de correction et des limites claires autour des actions.

Les propres données d’entreprise d’OpenAI indiquent que l’adoption évolue vers une délégation plus profonde. En juin 2026, Codex produisait 64 % des jetons de sortie combinés de Codex et ChatGPT parmi les clients entreprises.

L’entreprise a également indiqué que ses clients entreprises les plus actifs généraient 8,3 fois plus de jetons de sortie par utilisateur actif que les entreprises typiques. OpenAI souligne que le volume de jetons constitue une mesure imparfaite de la valeur métier.

Cette réserve s’applique directement aux agents de données. Davantage de requêtes, des investigations plus longues et des tableaux de bord supplémentaires ne prouvent pas que les décisions sont meilleures. Les acheteurs ont besoin de mesures liées à l’exactitude, à la revue des analystes, au temps gagné et aux résultats métier.

Le signalement des incidents sera tout aussi révélateur. Un compte rendu transparent des jointures défaillantes, du contexte obsolète, des erreurs d’autorisation ou des recommandations trompeuses aiderait les clients à évaluer la maturité opérationnelle.

Si OpenAI fournit des évaluations reproductibles sur différents entrepôts de données et couches sémantiques, sa position interplateforme gagnera en crédibilité. Si les preuves restent dominées par des témoignages clients sélectionnés, le déficit de confiance restera ouvert.

Le troisième signal sera la manière dont Google et les fournisseurs de plateformes de données réagiront. Google propose déjà des fonctionnalités d’analytique conversationnelle généralement disponibles dans BigQuery et distribue des agents via Gemini Enterprise et des API.

Ses contrôles des agents de données incluent des requêtes vérifiées, des instructions personnalisées, des termes de glossaire, des restrictions d’accès et la journalisation d’audit. Google empêche également ces agents d’exécuter des opérations d’écriture ou des requêtes de manipulation de données dans l’expérience BigQuery documentée.

Cette limite crée un contraste clair. OpenAI met l’accent sur le passage de l’analyse à l’action approuvée, tandis que les contrôles BigQuery documentés par Google mettent l’accent sur un environnement analytique contraint.

Aucune de ces approches n’est universellement meilleure. Un système plus étroit peut être plus facile à gouverner, tandis qu’un agent plus large peut éliminer davantage de frictions dans les flux de travail.

Snowflake, Databricks, Microsoft, Tableau et les autres partenaires doivent également décider quelle part de l’expérience utilisateur ils sont prêts à concéder. Ils peuvent approfondir les intégrations ChatGPT, renforcer leurs propres agents ou faire de la gouvernance sémantique leur principale source de différenciation.

Le soutien des partenaires aide actuellement OpenAI à atteindre les données d’entreprise sans exiger une migration complète. Avec le temps, ces mêmes partenaires pourraient résister à l’idée de devenir des services back-end interchangeables derrière ChatGPT.

La réponse concurrentielle décisive apparaîtra donc dans le comportement des produits, et non dans les déclarations de lancement. Observez où les tableaux de bord sont créés, où les définitions sont modifiées, où les autorisations sont administrées et où les utilisateurs reviennent pour leurs questions de suivi.

Les entreprises devraient commencer par un flux de travail important mais vérifiable. Une équipe produit pourrait étudier une baisse de l’adoption, comparer ses constats à un tableau de bord approuvé et consigner chaque correction nécessaire.

Ce test devrait inclure une terminologie ambiguë, une documentation obsolète, des colonnes restreintes et des métriques contradictoires. Il devrait également mesurer dans quelle mesure le temps des analystes passe de la rédaction des requêtes à la revue et à la gouvernance.

L’OpenAI Data Agent rend l’analytique d’entreprise plus accessible, mais l’accès n’a jamais été le seul goulot d’étranglement. Un contexte fiable, des autorisations soigneusement définies et des décisions responsables restent le travail le plus difficile.

La question centrale pour les acheteurs est désormais concrète : l’agent aide-t-il davantage de personnes à parvenir à des réponses défendables, ou permet-il simplement à davantage de personnes de produire des tableaux de bord convaincants ?

Les organisations qui testeront cette distinction avec soin apprendront où l’analytique conversationnelle a sa place. Celles qui traiteront des résultats fluides comme une vérité vérifiée risquent d’automatiser le type d’erreur le plus coûteux.