Discutez avec votre base de données en français
et vérifiez chaque réponse à partir de la requête qui l’a produite
Datarelix vous permet de poser une question à une base de données en français. Il lit votre schéma, transforme la question en requête SQL en lecture seule, la soumet à un validateur qui rejette tout ce qui n’est pas une lecture, puis l’exécute sur vos données réelles. La réponse arrive avec la requête exécutée, les tables lues, le nombre de lignes et le temps d’exécution, pour que vous puissiez la vérifier. Les réponses utiles peuvent être épinglées à un tableau de bord qui se rafraîchit.
Ce que vous pouvez demander, et ce qui revient
Vous posez la question comme vous la poseriez à un collègue. Ce qui revient, c’est un tableau ou un graphique, et en dessous, les éléments de preuve : la requête, ses sources et ce qu’elle a coûté à exécuter.
- la requête
- le SQL exact qui a été exécuté, pas une paraphrase
- les tables
- les sources lues, pour repérer une copie de staging
- le nombre de lignes
- combien de lignes sont revenues
- le temps d’exécution
- la durée de la requête sur votre base
Le mécanisme derrière la traduction — contexte du schéma, plan structuré, validation, puis exécution — est décrit dans comment une question en langage naturel devient du SQL.
customers · orders · 10 rows · 0.4s
Est-il prudent de brancher une IA sur votre base de données ?
Tout dépend de ce qui applique la promesse de lecture seule. Une consigne système qui demande au modèle de ne pas écrire est une demande, pas un contrôle. Dans Datarelix, chaque instruction générée est analysée en arbre syntaxique complet et rejetée si ce n’est pas une lecture, et le modèle ne détient jamais les identifiants de connexion — c’est un service de requêtes isolé qui les détient, et il ne les déchiffre qu’au moment où une requête s’exécute. L’analyse Python générée s’exécute dans un bac à sable sans accès réseau : le trafic sortant est bloqué au niveau réseau — un pare-feu, pas une vérification dans le code.
L’architecture et ses risques résiduels sont exposés dans le modèle de menace de la lecture seule et les contrôles qui l’appliquent, le trajet des identifiants dans où vit le mot de passe de votre base, et ce que le modèle reçoit à la place, et l’énoncé canonique de chaque limite sur la page sécurité.
Vous évaluez plusieurs fournisseurs, pas seulement nous ? La liste de contrôle sécurité, neutre vis-à-vis des fournisseurs tient en dix questions à réponse binaire et les documents à exiger, écrite pour être utilisée face à n’importe qui dans cette catégorie.
La réponse sera-t-elle juste ?
Parfois non, et la vraie question est de savoir si vous pouvez vous en apercevoir. Une requête peut être syntaxiquement parfaite, s’exécuter sans erreur et mesurer malgré tout la mauvaise chose : lire « chiffre d’affaires » comme du brut quand votre conseil entend du net, ou multiplier le total d’une commande sur ses lignes dans une jointure. Aucune formulation rassurante ne corrige cela. Afficher la requête, si.
Deux choses font bouger les probabilités. La première, c’est le contexte : un modèle qui sait ce
que signifie votre colonne
status
écrit un filtre différent de celui qui l’ignore —
pourquoi un outil choisit la mauvaise colonne, et quelles colonnes décrire en premier.
La seconde, c’est l’habitude de vérifier, qui prend environ une minute une fois que vous savez où
regarder :
la vérification en huit étapes avant qu’un chiffre n’arrive au conseil.
À quoi il se connecte
Datarelix interroge les bases, entrepôts et stockages objet que vous exploitez déjà, plutôt que de vous demander de déplacer vos données ailleurs — la liste actuelle est sur la page fonctionnalités. Les connexions sont en lecture seule par conception, et limitées aux schémas que vous leur indiquez.
Des guides propres à chaque moteur couvrent les droits à créer, les pièges qui font mal, et les endroits où le comportement du moteur ressort dans le SQL généré : poser des questions à PostgreSQL en langage naturel, poser des questions à Snowflake en langage naturel, interroger BigQuery en langage naturel et poser des questions à MySQL en langage naturel.
Où cela se place à côté de votre outil de BI
À côté, pas à la place. Un indicateur que cinquante personnes lisent de la même façon chaque lundi a sa place dans un tableau de bord certifié, où la définition est gouvernée et le chiffre stable. L’analytique conversationnelle sert à l’autre moitié : la question que personne n’avait prévue, posée une fois, qui deviendrait sinon un ticket. Le partage suit la fréquence à laquelle une question revient et le nombre de personnes qui ont besoin de la même réponse — un cadre de décision entre analytique IA et BI traditionnelle.
Si l’objectif est de raccourcir la file des demandes sans re-plateformer ce que vous possédez déjà, le modèle de surcouche décrit ce qui reste gouverné et ce qui bouge.
En quoi cela diffère d’un chatbot qui résume un tableur
Beaucoup d’outils répondent à des questions sur les données en langage naturel. Ils se divisent sur l’origine de la réponse. Certains répondent à partir de texte — un export collé, un document, les associations apprises du modèle — et produisent une prose qui ne peut être rattachée à rien. D’autres exécutent une requête sur votre base de données en production et vous remettent la requête avec le résultat. Seuls les seconds peuvent être vérifiés : c’est toute la différence, et la raison pour laquelle nous parlons d’ analytique conversationnelle vérifiable.
La catégorie, ses quatre couches de preuve et une liste de contrôle pour l’achat sont dans ce que signifie l’analytique conversationnelle vérifiable. Tous les guides cités sur cette page sont répertoriés dans le hub de ressources.
Questions fréquentes
- Faut-il connaître le SQL ?
- Non. Vous posez la question en français. Le SQL est affiché pour que quelqu’un qui lit le SQL puisse le vérifier : le lire est facultatif pour poser une question, et nécessaire avant qu’un chiffre parte vers une décision qui compte.
- Peut-il modifier ou supprimer mes données ?
- Non. Chaque instruction générée est analysée en arbre syntaxique complet et rejetée si ce n’est pas une lecture, avant que quoi que ce soit n’atteigne votre base. Connectez-le aussi avec un utilisateur de base en lecture seule, pour que la limite soit appliquée des deux côtés.
- L’IA voit-elle mes données ?
- Le modèle reçoit la structure de votre schéma — noms de tables et de colonnes, types, clés, et les descriptions que votre équipe rédige — pas vos lignes. Une exception, dite franchement : une valeur de réponse sur une seule ligne peut être reprise dans le contexte des questions suivantes, pour qu’un « et par rapport à l’an dernier ? » ait du sens. Les tables de résultats, non.
- Où va le mot de passe de ma base ?
- Pas au modèle. L’identifiant de connexion est chiffré au repos, conservé du côté de l’exécution, et déchiffré uniquement au moment où une requête s’exécute.
- Et si la réponse est fausse ?
- Ce sont les éléments de preuve qui vous permettent de le voir. Une requête peut s’exécuter sans erreur et mesurer malgré tout la mauvaise chose — la mauvaise définition du chiffre d’affaires, une jointure qui multiplie les lignes — et c’est pourquoi la requête et ses sources accompagnent chaque réponse, plutôt qu’un score de confiance.
- Est-ce que cela remplace notre outil de BI ?
- Non, et ce n’est pas le but. Les tableaux de bord certifiés restent le bon endroit pour un indicateur que beaucoup de personnes lisent de la même façon chaque semaine. Ceci sert aux questions qui arrivent une fois et ne peuvent pas attendre.
Posez une question dont vous connaissez déjà la réponse.
C’est le moyen le plus rapide de savoir si un outil a compris votre schéma — connectez un utilisateur en lecture seule, posez la question, et lisez la requête qu’il a écrite.
14 jours aux limites du plan Pro · sans carte bancaire