Poser une question à ses données en français, et obtenir un chiffre juste

Un assistant IA branché sur l’entrepôt invente ses propres définitions. Ce projet explore une autre voie : ne lui exposer que des métriques gouvernées.

Par Aubin Jesugo · [Période] · 2 min de lecture

À chaque machine sa prise : le chaos. Un seul boîtier commun : tout fonctionne ensemble.Illustration · [Crédit]

L’essentiel en trente secondes

Les assistants IA calculent vite, mais avec leurs propres définitions.
L’idée : ne leur donner accès qu’à des métriques définies une seule fois.
Le moyen : une semantic layer, exposée par un serveur MCP.

01Le problème

Brancher un assistant IA directement sur un entrepôt de données semble simple. Il lit le schéma, écrit une requête, renvoie un chiffre. Le chiffre est souvent plausible. Il est parfois faux — et rien ne permet de le savoir : l’assistant a décidé lui-même de ce qu’était un « client actif ».

02Pourquoi c’est important

Une réponse fausse mais bien présentée est plus dangereuse qu’une absence de réponse. Dès qu’une décision s’appuie sur ces chiffres, c’est la confiance dans toute la donnée qui est en jeu.

03L’approche

Plutôt que d’ouvrir les tables à l’assistant, ne lui ouvrir que des métriques définies une fois pour toutes dans une semantic layer. L’assistant ne calcule plus : il choisit une métrique, un niveau de détail et une période.

04Les décisions techniquesTechnique

Décision	Alternative écartée	Pourquoi
Exposer des métriques, pas des tables	Laisser l’assistant écrire du SQL	Une seule définition par indicateur
Passer par un serveur MCP	Une intégration sur mesure par assistant	Un protocole commun à plusieurs assistants
Une liste fermée de dimensions	Des dimensions libres	Éviter les combinaisons jamais testées

05L’architectureTechnique

En un coup d’œil

Question« Combien de clients actifs ce mois-ci ? »
Assistant IAChoisit un outil plutôt que d’écrire du SQL
Serveur MCPExpose une liste fermée de métriques
Semantic layerUne seule définition de « client actif »
EntrepôtModèles dbt testés et documentés

→ La question descendLa réponse remonte, avec sa définition ←

Figure 1. Le parcours d’une question. Seule la semantic layer sait calculer « client actif ».

Détails d’implémentation : l’outil exposé par le serveur MCPPython

serveur_mcp.py

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("semantic-layer")
METRIQUES = {"clients_actifs", "ca_net", "panier_moyen"}

@mcp.tool()
def interroger_metrique(metrique: str, grain: str, periode: str) -> dict:
    """Renvoie une métrique gouvernée, jamais une table brute."""
    if metrique not in METRIQUES:
        raise ValueError(f"Métrique inconnue : {metrique}")
    # client de la semantic layer : [à préciser]
    return semantic_layer.query(metrique, grain=grain, periode=periode)

06Les difficultés

Une question ambiguë reste ambiguë : « les ventes du mois », est-ce le mois civil ou les trente derniers jours ? L’assistant doit pouvoir demander une précision plutôt que choisir à la place de l’utilisateur. [Autres difficultés rencontrées : à documenter.]

07Résultats et limites

Résultat mesuré: [À documenter — aucun chiffre sans mesure]
Limites connues: [À documenter — aucun chiffre sans mesure]
Ce qui reste à faire: [À documenter — aucun chiffre sans mesure]

08Ce que j’en retiens

[Trois leçons, une phrase chacune.]