Agent de données dans ChatGPT Work : sources connectées, tableaux de bord et alternatives (2026)
Le 10 septembre 2026, OpenAI a présenté un Data agent au sein de ChatGPT Work. L'annonce est sobre en marketing et exceptionnellement précise sur les aspects techniques. Elle nomme les entrepôts de données auxquels l'agent accède, les couches sémantiques qu'il lit et les outils de BI dans lesquels il peut réécrire. Elle indique également qui décide de tout cela.
C'est précisément cette spécificité qui rend cette annonce digne d'une lecture attentive. La plupart des annonces d'analyses par IA décrivent un résultat. Celle-ci décrit une chaîne d'approvisionnement — de l'entrepôt de données aux définitions métier, jusqu'à un tableau de bord que quelqu'un peut modifier.
Cet article détaille ce que dit réellement l'annonce et ce qu'elle laisse de côté. Il aborde ensuite la manière de réaliser le même travail lorsque vos données ne résident pas du tout dans un entrepôt de données.
Ce qu'OpenAI a annoncé
L'affirmation principale tient en une seule phrase sur la page de l'annonce. Le Data agent « se connecte aux données de votre entreprise, examine ce qui a changé et crée des tableaux de bord interactifs que vous pouvez partager ».
Trois verbes sont ici à l'œuvre. Il se connecte, il examine et il crée. Le troisième est ce qui distingue cet outil d'une simple interface de chat connectée à une base de données. Le résultat n'est pas un paragraphe d'analyse. C'est un livrable que votre équipe peut rouvrir la semaine suivante.
La page présente le problème sous l'angle de l'attente. « Obtenir ces réponses implique souvent d'attendre un rapport ou de demander à quelqu'un d'autre d'effectuer l'analyse. » Le Data agent est positionné comme la solution qui élimine la file d'attente, et non comme celle qui remplace l'analyste.
Une autre ligne définit les limites de l'expérience. Vous orientez et affinez l'analyse au cours d'une seule conversation, « sans rédiger de requêtes ni devoir apprendre à utiliser un nouvel outil d'analyse ». L'agent est conçu pour être l'interface principale, et non un onglet supplémentaire.
À quelles sources de données il se connecte
C'est la section la plus concrète de l'annonce, et elle mérite d'être citée plutôt que résumée.
Le Data agent « se connecte à des sources de données approuvées, notamment Amazon Redshift, Datadog, Google BigQuery, ClickHouse, Databricks, MongoDB, Snowflake, et plus encore ». En parallèle, il « peut également intégrer des fichiers et des documents issus de Google Drive et SharePoint dans l'analyse ».
L'interface d'entrée comporte donc deux volets. D'un côté, l'entrepôt de données et les bases de données opérationnelles. De l'autre, la pile de documents qui n'ont jamais été intégrés dans un entrepôt. Cela comprend la présentation trimestrielle, le contrat signé et la feuille de calcul qu'un responsable régional met à jour manuellement.
Redis et G2 apparaissent également sur la page en tant que partenaires de la plateforme. Cela élargit le champ d'action au-delà du stockage analytique vers deux autres types d'entrées. Redis gère l'état en temps réel, c'est-à-dire les chiffres qui évoluent sous vos yeux. G2 fournit des données de marché tierces, apportant un contexte que l'entreprise ne génère pas elle-même.
Cette combinaison mérite d'être soulignée. Il s'agit d'un agent capable de lire l'entrepôt de données, le stockage de documents, le cache en temps réel et un fournisseur de données externe. Il se positionne comme un point d'entrée unique pour tout ce que l'entreprise sait.
La couche sémantique est la partie intéressante
Une simple connexion à l'entrepôt de données ne suffit pas à indiquer à un agent ce que signifie « client actif » au sein de votre entreprise. L'annonce aborde ce point directement.
L'agent « utilise les termes métier de votre organisation, les définitions de métriques, les calculs personnalisés et les relations entre les données pour interpréter les données ». Ce contexte, selon la page, « provient de couches sémantiques et de sources de confiance telles que Databricks Genie Ontology, dbt, GitHub, Snowflake Horizon et des tableaux de bord de BI ».
Deux conclusions s'imposent à la lecture de cette liste. Premièrement, la présence de GitHub aux côtés de dbt implique que les définitions de métriques résidant dans du code soumis au contrôle de version sont traitées comme une source de vérité, et non comme une simple documentation. Deuxièmement, la valeur de cette fonctionnalité dépend directement du travail de définition déjà accompli par l'entreprise. Une équipe disposant d'un projet d'envergure sur dbt bénéficiera d'une expérience très différente de celle d'une équipe qui n'en a pas.
C'est le prérequis implicite de toute cette annonce. OpenAI se montre explicite à ce sujet en décrivant son propre déploiement. Son équipe de données « a rendu cela possible en créant des définitions métier partagées, en définissant des règles d'accès et en mettant en place des garde-fous pour les données sensibles ».
Ce qu'il produit
Le résultat annoncé est un tableau de bord interactif, et non une réponse statique.
Selon la page, vous « transformez l'analyse en un tableau de bord interactif doté de visualisations intégrées », et « votre équipe peut le modifier, le partager et l'actualiser selon ses besoins ». Des chartes graphiques de marque peuvent être fournies afin que les résultats respectent l'identité visuelle de l'organisation.
Il existe également une passerelle de réécriture vers les outils existants. Le Data agent « peut également créer des tableaux de bord et interagir avec eux dans Omni, Oracle BI, Power BI, Sigma, Tableau et ThoughtSpot ». Ce choix de conception est plus important qu'il n'y paraît. Il signifie que le livrable n'a pas besoin de résider dans ChatGPT Work pour être utile. Cela réduit le coût d'essai de la fonctionnalité pour une entreprise qui a déjà standardisé ses processus sur un outil de BI.
Les conclusions peuvent également être transmises. L'agent peut partager les résultats « par Slack ou par e-mail et exécuter les actions que vous approuvez via les outils connectés ».
Cette dernière clause mérite une attention particulière. L'approbation se situe entre la recommandation et l'action, ce qui signifie que le flux décrit ne permet pas à l'agent d'agir de manière autonome. La page indique également que vous pouvez « demander à ChatGPT Work de recommander les étapes suivantes et d'identifier les personnes à impliquer ». L'orientation des tâches est donc traitée comme faisant partie intégrante de l'analyse plutôt que comme une étape distincte.
Qui contrôle l'accès
L'annonce est particulièrement directe sur ce point, et cette section est celle qui mérite le plus d'être lue si vous évaluez les risques liés au déploiement.
« Les administrateurs d'entreprise choisissent les connexions de données disponibles et les rôles qui peuvent les utiliser. » Les requêtes « appliquent ensuite les autorisations existantes du compte connecté, y compris les restrictions sur les tables, les lignes et les colonnes ».
Il s'agit de deux couches distinctes. Les administrateurs filtrent l'existence même des connecteurs. Les autorisations sous-jacentes de l'entrepôt de données continuent de s'appliquer à chaque requête. Une personne qui ne pouvait pas voir une colonne de salaires hier ne la verra pas non plus aujourd'hui par l'intermédiaire de l'agent.
Comment l'activer
Le processus de configuration décrit sur la page passe par le système de plugins plutôt que par une activation globale.
Vous trouverez le Data agent « répertorié sous le nom de Data dans le répertoire des Plugins de ChatGPT Work ». Les administrateurs « peuvent le rendre disponible ou l'installer pour leurs équipes via Workspace settings > Plugins ». Ils peuvent également « activer et configurer les plugins de sources de données concernés, tels que Databricks et Snowflake, et gérer qui peut les utiliser ».
S'il n'est pas encore installé, sélectionnez « Install plugin » dans le répertoire, suivez les étapes de connexion au compte, puis démarrez une conversation avec @Data.
Ce que l'annonce ne couvre pas
Il convient de le formuler clairement, car ces lacunes définissent le public cible de cette fonctionnalité.
La page ne décrit pas de tarification distincte pour le Data agent. Elle n'indique pas non plus quels niveaux d'abonnement de ChatGPT Work l'incluent. Aucune date de disponibilité générale n'est mentionnée. Les participants nommés au programme Alpha sont décrits comme l'utilisant déjà, parmi lesquels NTT DATA, Thermo Fisher Scientific, ServiceTitan et Zipline.
Il n'existe pas non plus de parcours décrit pour les utilisateurs dont les données ne se trouvent pas dans un système connecté. Chaque point d'entrée documenté suppose soit une connexion à un entrepôt de données, soit un compte Google Drive ou SharePoint activé par un administrateur.
Quelle situation pour les plus petites équipes ?
En analysant l'ensemble des prérequis, un schéma se dessine. Vous en tirerez le meilleur parti si vous disposez d'un entrepôt de données, d'une couche sémantique, d'un administrateur capable d'approuver les connecteurs et d'un outil de BI dans lequel réécrire.
Cela décrit une catégorie d'entreprises bien réelle et importante. Mais cela ne correspond pas à l'équipe de six personnes qui fonctionne à base d'exports. Leurs données d'entrée sont un fichier CSV provenant du système de facturation, une feuille de calcul gérée par le responsable des opérations et un PDF envoyé chaque mois par le fournisseur.
Pour ce second groupe, le goulot d'étranglement n'a jamais été l'accès aux requêtes. Le problème réside dans le fait que les données arrivent sous forme de fichiers, et que ces fichiers doivent être rapprochés avant de pouvoir faire l'objet de la moindre question.
Les alternatives lorsque vos données résident dans des fichiers
Si la source d'entrée est un dossier plutôt qu'un entrepôt de données, l'outil doit démarrer sur une autre base. Il commence par un téléversement plutôt que par une connexion.
Powerdrill Bloom est conçu précisément pour ce point de départ. Vous téléversez directement des feuilles de calcul, des fichiers CSV, des PDF et des documents. Posez votre question en langage naturel, et des graphiques, des tableaux et des exports vous sont renvoyés, accompagnés des lignes de données sous-jacentes. Sa page d'accueil décrit ce comportement comme celui d'un analyste qui « montre son travail ». Chaque chiffre « est fourni avec la page, la ligne et la donnée d'origine ».
Cette exigence de traçabilité est identique à celle que l'approche connectée à l'entrepôt résout grâce à la couche sémantique. Lorsque vous ne pouvez pas orienter l'agent vers une définition gouvernée, la meilleure garantie alternative consiste à montrer quelle ligne a produit quel chiffre.
D'autres pistes existent selon l'origine des difficultés. Si vos données se trouvent déjà dans Google Sheets et que le problème concerne la volumétrie, les meilleures alternatives à Google Sheets présentent des outils conçus pour des grilles plus vastes. Si vous souhaitez d'abord obtenir une définition plus large de cette catégorie, l'article qu'est-ce qu'un agent de données IA expose les points communs de ces systèmes.
FAQ
Qu'est-ce que le Data agent dans ChatGPT Work ? Il s'agit d'un plugin annoncé par OpenAI le 10 septembre 2026. Il se connecte aux sources de données approuvées de l'entreprise, examine les changements et crée des tableaux de bord interactifs qu'une équipe peut modifier et partager.
À quelles bases de données se connecte-t-il ? L'annonce mentionne Amazon Redshift, Datadog, Google BigQuery, ClickHouse, Databricks, MongoDB et Snowflake, tout en précisant que d'autres sont prises en charge. Il peut également extraire des fichiers depuis Google Drive et SharePoint.
Peut-il créer des tableaux de bord dans Power BI ou Tableau ? Oui. La page indique qu'il peut créer des tableaux de bord et interagir avec eux dans Omni, Oracle BI, Power BI, Sigma, Tableau et ThoughtSpot.
Qui décide des données auxquelles l'agent peut accéder ? Les administrateurs d'entreprise choisissent les connexions disponibles et les rôles autorisés à les utiliser. Chaque requête applique également les autorisations existantes du compte connecté sur les tables, les lignes et les colonnes.
Que faire si mes données se trouvent dans des feuilles de calcul plutôt que dans un entrepôt ? Chaque processus de configuration documenté pour cette fonctionnalité suppose un système connecté ou un compte Drive ou SharePoint activé. Les outils axés sur les fichiers acceptent à la place des téléversements directs, ce qui convient mieux aux équipes dont les données d'entrée arrivent sous forme d'exports.
Conclusion
L'annonce du Data agent doit avant tout être comprise comme un exposé des prérequis nécessaires. Les connecteurs, les couches sémantiques, l'approbation de l'administrateur et la destination BI sont tous explicitement nommés. La valeur de cette fonctionnalité augmente proportionnellement au travail préparatoire déjà réalisé.
Cela en fait une solution très adaptée aux entreprises qui ont investi dans la gouvernance des données. Elle est en revanche moins adaptée aux équipes dont les chiffres arrivent encore sous forme de pièces jointes. Si vos données d'entrée sont des fichiers plutôt que des tables, commencez là où se trouvent vos fichiers. Essayez Powerdrill Bloom gratuitement et téléversez un export pour visualiser le parcours menant de lignes brutes à une réponse prête à être partagée.
Source : OpenAI, « Now everyone can put data to work », 10 septembre 2026. https://openai.com/index/put-data-to-work