DATA
Agents × MCP × Modèles génératifs
La Data a déjà changé de visage
Agents, MCP, IA générative : ce qui a vraiment changé dans les outils ETL, Data Viz et gouvernance, et ce qui n'a pas bougé.
Faire défiler
DATA
Agents × MCP × Modèles génératifs
Agents, MCP, IA générative : ce qui a vraiment changé dans les outils ETL, Data Viz et gouvernance, et ce qui n'a pas bougé.
Un ingénieur data ouvre son outil ETL un matin et découvre qu'une 1ère version du pipeline demandé existe déjà, générée par un agent, avant même d'avoir écrit une ligne de code.
Ce n'est pas un scénario de démonstration commerciale : c'est déjà la réalité chez plusieurs éditeurs leaders du marché. Chez ASI, on a voulu aller voir au-delà du discours pour comprendre ce qui a réellement changé dans les outils ETL, Data Viz et gouvernance que nos équipes utilisent chaque jour, et ce qui, malgré tout, n'a pas bougé.
Ce qui rend ce moment différent des vagues d'automatisation précédentes, c'est la conjonction de 3 facteurs qui, pris séparément, existaient déjà : des modèles capables de comprendre du contexte métier, des agents capables d'enchaîner des actions, et un standard d'intégration qui rend ces 2 premiers éléments branchables sur n'importe quel outil sans développement sur mesure. C'est cette 3ème brique (le MCP) qui a fait basculer le sujet du laboratoire vers la production en l'espace de quelques trimestres. Un projet d'intégration qui demandait auparavant des semaines de développement spécifique peut aujourd'hui s'appuyer sur un connecteur standardisé, ce qui change à la fois le coût et la vitesse de mise en œuvre.
La vraie question
Ce n'est plus un débat : il faut s'y intéresser. Mais « à quel rythme et sur quel périmètre l'adopter, sans prendre de risque sur la qualité, la sécurité ou la conformité des données ? »
Les briques
La confusion la plus fréquente consiste à parler de « l'IA générative » comme d'un bloc unique. En réalité, 3 couches distinctes se combinent aujourd'hui, et c'est leur association qui change la donne.
Le cerveau
Claude, ChatGPT, Gemini… Ils comprennent, rédigent et raisonnent sur du texte, du code et des données. Seuls, ils réfléchissent mais n'agissent pas.
Les mains
Ils passent à l'action et enchaînent plusieurs étapes vers un objectif, sous supervision humaine ponctuelle plutôt que continue, une différence essentielle avec les scripts automatisés classiques.
Le connecteur
Model Context Protocol : un standard ouvert qui relie ces modèles à vos données, API et outils métier. On le décrit souvent comme « le port USB-C de l'IA », un point de branchement générique là où chaque intégration se faisait auparavant sur mesure.
C'est cette chaîne complète qui produit des gains concrets, pas un modèle génératif isolé.
Le terrain
Sur le terrain, l'impact se mesure en temps gagné sur des tâches précises plutôt qu'en transformation radicale des métiers.
Écrire, expliquer ou optimiser une requête | Plusieurs heures ramenées à quelques minutes.
Profiler un nouveau jeu de données | D'une demi-journée à quelques minutes.
Repérer les anomalies et proposer des règles | La revue manuelle laisse place à une détection en quelques minutes.
Rédiger et maintenir la documentation et le glossaire | D'une demi-journée à quelques minutes.
Moderniser un script legacy | De plusieurs jours à quelques heures.
Une première relecture en quelques minutes, avant l'intervention humaine.
Générer des jeux de test et cas limites | D'heures à minutes.
Rédiger une synthèse pour un comité | D'une heure de rédaction à environ dix minutes.
Repérer les champs sensibles | L'audit manuel devient un repérage en quelques minutes.
Le point commun
L'IA produit une 1ère version, l'humain valide. Ce n'est pas l'automatisation intégrale, c'est l'accélération du brouillon.
Le marché
C'est sans doute le changement le plus structurant de 2025-2026 : le MCP n'est plus une expérimentation isolée, c'est devenu un standard de facto chez les leaders de 3 familles d'outils. Dans chaque cas, le point d'intervention humain se déplace de l'exécution pas à pas, vers le cadrage en amont et la validation en aval.
ETL / Intégration
Qlik Talend, Informatica…
L'ingénieur reste responsable de la validation avant la mise en production : c'est le principe commun à tous les éditeurs, même si leur niveau de maturité varie. Forrester anticipe que 30% des éditeurs d'applications d'entreprise lanceront leur propre serveur MCP en 2026 (Predictions 2026: Enterprise Software).
Data Viz
Power BI, Tableau, Qlik, Looker, ThoughtSpot…
L'agent accélère la requête, l'analyste reste responsable du visuel final et de la validation des chiffres. Exposer un serveur MCP n'est plus un différenciateur mais un standard de catégorie depuis 2025. La vraie question devient sa profondeur : orchestration, bout-en-bout.
Gouvernance
Collibra, Microsoft Purview…
L'agent propose la documentation, le data steward garde la main sur l'arbitrage et la certification. La gouvernance des modèles d'IA a fait son entrée dans les critères d'évaluation du Magic Quadrant for Data and Analytics Governance Platforms de janvier 2026, et Gartner a publié en juin 2026 un premier Magic Quadrant dédié aux plateformes de gouvernance de l'IA, signe de la structuration rapide du sujet.
Les constantes
3 constantes traversent ces 3 zooms métier. D'abord, la revue humaine reste la norme avant tout déploiement en production, quel que soit l'éditeur. Ensuite, la construction de bout en bout (un pipeline complet, un rapport entier, une classification exhaustive) reste un chantier jeune partout : les agents excellent sur des étapes unitaires, moins sur l'enchaînement autonome. Enfin, la maturité est hétérogène : 2 éditeurs de la même catégorie peuvent proposer un MCP en simple lecture pendant qu'un 3ème va jusqu'à la proposition active de modifications.
Autrement dit
L'IA générative déplace l'intervention des équipes Data de l'exécution pas à pas vers le cadrage en amont et la validation en aval. C'est un changement de posture, pas une disparition de la fonction.
Le métier
Ce déplacement du point d'intervention humain, déjà visible dans les outils ETL, Data Viz et gouvernance, redessine aussi le métier du consultant lui-même.
Aujourd'hui
Demain
Le métier ne disparaît pas mais se déplace de l'exécution vers la conception, la supervision et la garantie.
Les compétences attendues
Hard skills
Soft skills
La mise en œuvre
Face à ces 3 couches, la tentation est de vouloir tout adopter d'un coup, ou à l'inverse d'attendre que le sujet se stabilise. Ni l'un ni l'autre ne protège vraiment un projet Data. 3 chantiers, dans l'ordre, permettent d'avancer sans prendre de risque inutile.
1
Un agent ne corrige pas une donnée mal gouvernée, il en hérite. Avant toute connexion MCP, un état des lieux du niveau de documentation, de qualité et de sensibilité des données évite de généraliser les erreurs existantes à grande vitesse.
2
Choisir une tâche à faible risque et à fort volume (une revue de pipeline, un premier jeu de tests, une synthèse de comité) permet de mesurer le gain réel et d'ajuster le niveau de supervision avant d'élargir le périmètre.
3
Qui valide un résultat généré par agent ? Comment trace-t-on ses décisions ? Quelle conformité vis-à-vis de l'EU AI Act ou de l'ISO 42001 ? Ces questions se posent avant le premier incident, pas après.
À retenir
« Le vrai changement n'est pas que la machine travaille à la place de l'humain, c'est que le point d'intervention humain se déplace : moins d'exécution, plus de cadrage et de validation. »
En résumé
L'IA générative n'a pas attendu 2026 pour entrer dans les outils Data : elle y est déjà, sous la forme de 3 couches qui se combinent (modèles génératifs, agents autonomes, MCP) et qui rebattent, éditeur après éditeur, la façon dont on interagit avec un pipeline, un rapport ou un catalogue de données.
Pour ASI, cette bascule n'est pas une menace mais un repositionnement : nos clients gagnent en autonomie sur les tâches simples, et c'est précisément ce qui rend indispensable notre rôle sur la fondation, la gouvernance, la responsabilité et les cas complexes. Nos consultants ne sont pas remplacés par ces agents. Ils apprennent à les encadrer, à les auditer et à en garantir les résultats. C'est ce virage que nous voulons accompagner, projet après projet, avec nos clients.
À propos d'ASI
Experts du numérique. Pionniers du responsable.
30 ans
au service des organisations publiques et privées
400
collaboratrices et collaborateurs
ASI conseille, conçoit et réalise les services numériques d'organisations publiques et privées depuis plus de 30 ans. Nos 400 collaboratrices et collaborateurs accompagnent nos clients de l'idée à la mise en production de leurs produits numériques, sur-mesure et de bout en bout, en mobilisant l'ensemble de nos expertises : conseil, design de service, développement, intégration, data & IA, architecture SI, product management.
Notre singularité : faire du numérique un levier d'impact mesurable, pour les utilisateurs, les organisations, la société et la planète. Une conviction portée dès 2009 avec nos premiers bilans carbone, formalisée au fil des ans (EcoVadis, Global Compact, Planet Tech'Care, Label Numérique Responsable), et inscrite au cœur de notre raison d'être en devenant Société à Mission en 2024.
ASI = Au Service de l'Impact.