Qu'est-ce que l'Agentic Analytics ?

L’Agentic Analytics désigne des systèmes où des agents IA autonomes explorent la donnée, planifient une investigation en plusieurs étapes et produisent une analyse gouvernée, avec une supervision humaine minimale plutôt qu’un pilotage manuel de chaque requête. Contrairement au BI classique, qui attend qu’un analyste écrive une requête, ces systèmes surveillent en continu, décomposent une question complexe et déclenchent l’analyse eux-mêmes.

En quoi ça diffère du BI classique et de l’analytics augmentée

Le BI classique repose sur des rapports statiques et des requêtes manuelles : un analyste formule une question, écrit du SQL, produit un dashboard. L’analytics augmentée ajoute une couche d’assistance (suggestions, résumés automatiques) mais laisse l’analyste piloter chaque étape. L’Agentic Analytics change de registre : le système planifie une investigation entière, l’exécute de façon autonome, et ne sollicite l’humain qu’au cadrage initial et à la validation finale.

Une question comme “pourquoi notre ARR dérive-t-il ?” n’entre pas dans une seule requête SQL. Il faut la décomposer en dizaines de sous-questions, chacune traduite en requête, avant de synthétiser les résultats. C’est précisément ce que l’Agentic Analytics automatise.

L’architecture type

Un système d’Agentic Analytics s’appuie généralement sur six briques complémentaires :

• Données. Un accès unifié aux sources structurées et non structurées, avec des pipelines fiables et des métadonnées riches.
• Orchestration. La coordination de workflows multi-étapes, souvent via un agent superviseur qui délègue à des agents spécialisés.
• Raisonnement IA. Les modèles de langage qui interprètent les résultats intermédiaires et décident des prochaines étapes.
• Couche sémantique. Le Semantic Layer qui garantit que chaque agent utilise la même définition d’une métrique, sans quoi l’automatisation multiplie les incohérences au lieu de les réduire.
• Action. Le déclenchement de workflows, d’alertes ou de rapports une fois l’investigation terminée.
• Boucle de rétroaction. Un mécanisme d’apprentissage continu qui améliore le système à partir des investigations passées.

Les principes qui rendent un système fiable

Au-delà de l’architecture, quatre principes de conception distinguent un système d’Agentic Analytics fiable d’un prototype fragile :

• Mémoire externe. Plutôt que de tout faire tenir dans la fenêtre de contexte d’un agent, l’état de l’investigation vit dans un fichier externe (souvent un simple fichier Markdown), lisible et modifiable par un humain. Cela évite la dégradation de performance et l’explosion des coûts liées à un contexte qui grossit sans cesse.
• Décomposition en tâches atomiques. Un LLM excelle sur une tâche unique et bien cadrée, beaucoup moins sur un enchaînement de six étapes. Découper l’investigation en dizaines de requêtes unitaires, chacune confiée à un agent dédié avec une fenêtre de contexte fraîche, réduit drastiquement les erreurs.
• Orchestration par agents spécialisés. Un agent orchestrateur lit le plan, appelle un sous-agent pour chaque tâche, et passe au suivant une fois le résultat consigné. Chaque sous-agent ne voit que ce dont il a besoin pour sa tâche, ce qui limite les hallucinations et les coûts.
• Supervision humaine en début et en fin. L’humain cadre l’investigation au départ (objectif, contexte, pièges à éviter) et valide les résultats à l’arrivée, mais n’intervient pas à chaque étape intermédiaire. C’est ce qui distingue l’autonomie encadrée du pilotage automatique sans filet.

Le cas Photoroom : l’Insight Factory

Juliette Duizabo, Head of Data chez Photoroom, a présenté lors du Hymaday Agentic Analytics (voir le replay) le système qu’elle a construit pour appliquer ces principes : l’Insight Factory.

Le principe : une question complexe reçue sur Slack devient un fichier d’investigation Markdown, construit en 15 minutes de dialogue avec un agent (le “brief builder”) qui pose toutes les questions de cadrage nécessaires. Une fois le plan de tâches validé, un agent orchestrateur prend le relais : il appelle un sous-agent par tâche, chacun avec une fenêtre de contexte neuve, qui exécute une requête SQL, consigne son résultat dans le fichier, et s’arrête là. Une fois toutes les tâches faites, un dernier agent synthétise les résultats en un rapport.

Chaque étape est écrite dans des fichiers versionnés (le plan, les requêtes SQL, la synthèse), ce qui rend l’ensemble auditable : Juliette peut relire exactement ce que chaque agent a fait et sur quelle base, ou relancer la même investigation trimestre après trimestre. Les résultats sont concrets : une investigation qui prenait plusieurs jours se fait désormais en quelques heures, pour un coût moyen d’environ 30 dollars, avec une équipe data de trois personnes pour 140 collaborateurs.

Le même principe s’applique au-delà des investigations ponctuelles : chez Photoroom, un agent surveille chaque nuit les tests dbt qui échouent, ouvre une pull request corrective et ne notifie l’équipe qu’une fois les tests repassés au vert.

Prérequis et risques

L’Agentic Analytics ne fonctionne que si les fondations data sont solides. Sans données propres, testées et documentées, l’automatisation ne réduit pas les erreurs : elle les multiplie, à la vitesse d’un LLM. Les prérequis critiques sont connus :

• Qualité et gouvernance des données. Des pipelines fiables, des métadonnées riches, un Semantic Layer testé et versionné.
• Contrôles d’accès et pistes d’audit. Qui peut lancer une investigation, sur quelles données, avec quel budget de tokens.
• Confiance et explicabilité. Un raisonnement traçable, une limite claire de l’autonomie, des points de validation humaine sur les décisions à fort impact.
• Maîtrise des coûts. Un système agentique peut multiplier les appels LLM ; sans limite par tâche, les coûts dérivent vite à l’échelle d’une organisation entière.

Cas d’usage concrets

• Root cause analysis autonome : comprendre pourquoi un KPI dérive, en décomposant la question en dizaines de requêtes plutôt qu’en laissant un analyste y passer plusieurs jours.
• Détection de fraude en continu : surveiller des flux de transactions et déclencher une alerte dès qu’un pattern suspect apparaît.
• Diagnostic de baisse de conversion : identifier automatiquement les segments, pays ou plateformes responsables d’une baisse de performance.
• Maintenance prédictive : croiser des signaux opérationnels pour anticiper une panne avant qu’elle ne survienne.
• Bug fixing automatisé sur les pipelines de données : détecter un test qui échoue, proposer un correctif, et ne solliciter l’humain qu’en cas de doute.