Le regard honnête d’un praticien sur les agents de données d’IA horizontale – Snowflake Cortex, Databricks Genie, Microsoft Fabric – et où un assistant natif BI comme JAS gagne réellement son don. Spoiler: la boîte de discussion n'a jamais été la partie difficile.
Si vous avez assisté à une démonstration d’agent de données au cours de la dernière année, vous en connaissez la forme. Quelqu’un tape « montrez-moi les revenus par région le trimestre dernier » dans une boîte de discussion, une requête SQL propre s’écrit, une table apparaît, peut-être un graphique et la salle hoche la tête. C’est une bonne démo. C’est Supposé d'être une bonne démo.
Ensuite, vous revenez à votre propre environnement – celui avec 3 000 rapports, quarante ans de noms de table accumulés qui ont eu du sens pour quelqu’un en 2009, une équipe financière qui définit le «client actif» différemment des ventes, et un agent de conformité qui vous mettra personnellement fin si les données des patients quittent le bâtiment – et la magie démo devient plus calme.
Nous avons passé une bonne partie de 2026 à regarder les agents de données horizontaux mûrir: Snowflake Cortex, Databricks Genie, les agents de données de Microsoft Fabric et Copilot, et les piles build-it-yourself que les gens assemblent à partir de ClickHouse, LibreChat, un magasin de vecteurs, et un week-end. Ils sont vraiment impressionnants, et nous voulons leur donner un vrai crédit avant de vous dire où nous pensons qu’ils tombent – parce que la version honnête de cette comparaison est plus utile que la version de la brochure, et il se trouve qu’il est plus flatteur pour l’approche nitative BI de toute façon.
Voici donc la version honnête.
Ce que les agents horizontaux sont réellement bons
Ces outils sont proches de vos données brutes. C’est toute leur thèse, et c’est une bonne thèse. Lorsqu’une question n’a jamais été posée auparavant – une tranche vraiment nouvelle qu’aucun analyste n’avait été anticipée – un agent câblé directement dans l’entrepôt peut aller raisonner sur les tables brutes et essayer d’y répondre. Pour l’exploration ouverte, pour le travail de la data-science, pour la phase « Je ne sais même pas encore ce que je recherche », cette proximité avec la maison du lac est un réel avantage. Ils s'adaptent à votre calcul. Ils se fichent que votre question soit bizarre.
Si vous êtes un magasin natif de Snowflake ou que vous vivez dans Fabric, l’histoire d’intégration est également propre: l’agent fonctionne à l’intérieur de la plate-forme que vous payez déjà, sous les contrôles d’accès que vous avez déjà configurés. La gouvernance au niveau de l’entrepôt est réelle – les politiques d’accès en ligne de Snowflake, les autorisations Unity Catalog de Databricks et Microsoft Purview dans Fabric transportent tous l’agent. Quiconque vous dit que ces agents «ignorent ta sécurité» vous vend quelque chose. Ils ne le font pas. Les utilisateurs voient les lignes qu’ils sont autorisés à voir.
Donc: puissant, bien gouverné à la couche de données, idéal pour l'exploration. C’est le bon point de départ.
La chose qui n’est jamais sur la glissière
Voici ce que la démo ne vous montre pas, et ce que les vendeurs sont étonnamment francs à propos une fois que vous avez lu le marketing.
Aucun de ces agents n'est magique sur un schéma brut. Ils ne sont que fiables Après quelqu'un a fait le travail difficile et peu glamour de construire une couche sémantique sur le dessus des données.
flocons
Snowflake Cortex
« Le modèle sémantique est ce qui rend Cortex Analyst précis. »Snowflake dit ce mot pour mot dans leur propre documentation: un modèle générique n’a donné que des difficultés de schéma de base de données, car les schémas ne contiennent pas de définitions d’entreprise ou de logique métrique. Leur réponse est le modèle sémantique – un fichier YAML (ou maintenant une vue sémantique) où un humain code ce que les tables méchante, quelles jointures sont valides, comment chaque métrique est calculée, ce à quoi « CUST_ID » fait réellement référence. Sans cela, vous êtes de retour à une devinette automatique intelligente sur vos chemins de jointure. Et Cortex lui-même est livré en tant qu'API; il n'y a pas d'interface groupée que vos utilisateurs professionnels peuvent simplement ouvrir.
briques
Databricks Génie
La même histoire dans différents vêtements.Un Genie Space est quelque chose d'analyste de données Configurations: enregistrer les tables dans Unity Catalog, le plafonner à trente par espace, ajouter l’exemple de requêtes SQL, écrire des instructions, définir « actifs de confiance » — requêtes prévérifiées et paramétrées pour les questions que vous anticipez. Genie fait mieux sur les questions que vous avez vues venir et organisées. La réponse revient comme un tableau de résultats, et Databricks note clairement qu’un utilisateur non technique ne peut souvent pas lire suffisamment bien le SQL généré pour savoir si c’est juste.
Tissu
Microsoft Fabric
Mêmes devoirs, plus une note de bas de page de conformité.Microsoft Fabric vous dit de faire les mêmes devoirs: construire un modèle sémantique Power BI organisé avec des relations et des mesures définies à la main, Alors pointer un agent de données sur elle. Et si vous faites surface à cet agent par l’intermédiaire de Copilot Studio ou M365, les réponses peuvent voyager en dehors de la limite de conformité et de la géographie de Fabric – un détail que votre équipe de sécurité voudra savoir avant, pas après.
La boîte de discussion est la partie facile. La couche sémantique est le produit réel.Chaque agent horizontal est une coque conversationnelle mince et brillante enroulée autour d'un projet de modélisation que vous devez construire et maintenir. L’intelligence n’est pas dans le LLM. C’est dans la description organisée de votre entreprise que vous nourrissez le LLM.
Ce qui recadre toute la question d'achat. Ce n’est pas « cet outil a-t-il de l’IA ? » Tout a l'IA maintenant. La vraie question est: où vit votre logique d’affaires, qui la maintient et combien d’endroits devez-vous la maintenir?
Pourquoi « BI-Native » est une réponse différente
C’est là qu’intervient le JAS de TURBOARD, et l’argument pour cela est presque embarrassant de façon simple une fois que le cadre ci-dessus est sur la table.
Si vous exécutez déjà vos analyses dans une plateforme BI, Vous avez déjà construit la couche sémantique. Vos vues gouvernées, vos descriptions de nœuds, de table et de champ, vos mesures calculées, vos tableaux de bord, vos filtres, votre modèle d'autorisation - que est le contexte commercial organisé, les agents horizontaux vous demandent d'aller construire à partir de zéro dans YAML. JAS est un assistant qui lit l'actif que vous avez déjà payé et maintenu, au lieu de vous demander de construire une deuxième copie d'elle ailleurs.
Ce seul fait tombe en cascade en quelques choses qui comptent plus qu'elles ne sonnent:
Une source de vérité, pas deux
Mettre un agent de données séparé sur un entrepôt et vous avez maintenant deux systèmes répondant à la même question – le tableau de bord certifié et la boîte de discussion – sans rien garantir qu’ils soient d’accord. Quand l'assistante vit à l'intérieur la couche BI et les raisons à travers le même modèle régi que les tableaux de bord utilisent, la réponse dans le chat et la réponse sur le tableau de bord sont la même réponse. La gouvernance ne se duplique pas, ne dérive pas, alors discrètement en désaccord.
La production est un atout, pas un reçu
Un agent horizontal vous tend une table. C’est parti quand vous fermez l’onglet. JAS produit des tirets et des tableaux de bord natifs – des choses interactives que vous pouvez percer, filtrer et épingler. La réponse ne s’arrête pas à « voici le nombre »; elle devient une partie de la surface d’analyse que votre organisation utilise déjà demain.
La gouvernance que vous n’avez pas à reconstruire
Les agents d'entrepôt font respecter la sécurité au niveau de la ligne - crédit lorsque cela est dû. Le bord natif de la BI n’est pas « nous avons la sécurité et ils ne le font pas ». C’est que vous ne maintenez pas votre logique d’accès à deux endroits et que vous priez pour qu’ils restent synchronisés – et que pour un travail réglementé, JAS puisse fonctionner sur des modèles de petit langage sur site, de sorte que les invitations et les données ne quittent jamais votre infrastructure.
C’est Là Que Les Gens Travaillent Déjà
Un « portail de données » séparé sonne bien dans une démo et meurt dans une utilisation quotidienne, car son utilisation signifie quitter votre tableau de bord, re-décrire ce que vous regardiez et revenir. JAS apparaît au point de consommation — dans le tableau de bord, à côté du tableau de bord, dans un volet global — de sorte que la question et les données vivent au même endroit.
Ce dernier point est l'endroit où les deux pièces les plus récentes de JAS font le béton d'abstraction.
JASlet & the JAS Pane: La partie qui est difficile à copier
Un widget JAS que vous déposez directement dans un tableau de bord. Il lit l’état actuel de ce tableau de bord – ou d’un tableau de bord spécifique – et le résume, l’explique ou pose des questions de suivi sur ce qui est exactement à l’écran. Le détail que nous aimons: vous avez défini un persona par widget. Le même tableau de bord des ventes peut être expliqué d’une manière pour un auditeur financier qui veut que les chiffres soient serrés et cédés, et une autre façon pour un gestionnaire d’opérations qui veut la tendance et le «so what». L'explication du tableau de bord cesse d'être un paragraphe d'IA générique et devient consciente du rôle.
Il aborde un problème que la foule d’agents horizontaux ignore principalement, car leur vision du monde entière est « générer la réponse à partir de données brutes ». Dans un magasin mature, la réponse généralement Il existe déjà. Quelqu'un a déjà construit le tableau de bord certifié. Le vrai problème n’est pas la génération – c’est découverte: trouver la seule vue digne de confiance parmi des milliers de rapports.
Le volet JAS vous permet de poser une question de n'importe où sur la plateforme. En utilisant la génération augmentée de récupération sur les descriptions de nœuds, de tableaux et de champs, ainsi que de modèles d'utilisation réels, il trouve la vitrine ou le tableau de bord la plus pertinente et la plus utilisée, applique le bon filtre et place la réponse devant vous en quelques secondes. Il ne régénère pas une réponse à partir de zéro et espère qu’elle correspond à celle officielle – elle vous achemine vers l’actif de confiance et la filtre à votre question. Un agent de texte à QL réécrira joyeusement une requête qu'un analyste a déjà perfectionnée et certifiée il y a des mois, peut-être différemment. Le volet JAS vous indique celui certifié. Dans un environnement surpeuplé, c’est la différence entre un assistant et une responsabilité.
Quand l'agent horizontal est le bon appel
Nous avons dit que nous serions honnêtes, donc: il y a de vrais cas où nous atteindrions Cortex ou Génie ou un agent de tissu par rapport à un assistant natif de BI.
| Si votre situation est... | Le meilleur ajustement est... |
|---|---|
| Les données qui ne sont pas encore modélisées dans un outil de BI – elles vivent dans une maison de lac, les utilisateurs sont des scientifiques de données qui font une exploration ouverte contre des tables brutes à grande échelle | Un agent natif d'entrepôt assis directement sur le calcul |
| La valeur dont vous avez besoin est « posez n’importe quelle question des données brutes, y compris les questions que personne n’avait anticipées » | La proximité de l'entrepôt gagne |
| Vous êtes tout-en-un sur l'écosystème d'une plate-forme cloud et ne prévoyez jamais de partir | L'intégration native est vraiment pratique |
| Vos analyses vivent déjà dans une plateforme de BI régie, utilisée quotidiennement par les décideurs d’affaires | Un assistant BI-natif comme JAS réutilise la couche que vous avez déjà construite |
Et JAS n’est pas non plus de la sorcellerie. C’est exactement aussi bon que la modélisation sémantique en dessous – les vues, les descriptions, les mesures. Si ceux-ci sont bâclés, JAS sera bâclé. La symétrie honnête est celle-ci: les deux Les approches dépendent d'une couche sémantique bien construite. La différence est qu’avec une plate-forme BI, vous en avez probablement déjà construit et maintenu une plate-forme, et un assistant natif de la BI la réutilise – tandis qu’un agent horizontal vous demande de construire (ou de reconstruire) cette couche comme un artefact séparé, puis de la maintenir en parallèle pour toujours.
La ligne de fond
La manière la plus propre que nous avons trouvé pour le dire: les agents de données horizontaux vous permettent Parlez à vos données. C’est précieux. Mais l'intelligence d'affaires n'a jamais été que des tables et des requêtes. Il est régi par des modèles, des tableaux de bord, des filtres, des conventions visuelles, des autorisations, des personas et une décennie de mémoire institutionnelle sur le rapport auquel vous avez réellement confiance.
Une assistante BI-native vous laisse Parlez à votre BI — l'ensemble de l'environnement régi, et pas seulement la base de données qui s'y trouve.
Si votre analyse vit déjà dans une plate-forme de BI, le travail de base sémantique qui rend tout assistant d’IA digne de confiance est le travail que vous avez déjà fait. La question qui mérite d’être posée à un fournisseur n’est pas de savoir s’il a ajouté une boîte de discussion. Tout le monde l'a fait. C’est si leur IA comprend l’entreprise que vous avez déjà modélisée, respecte la gouvernance que vous avez déjà définie et répond à l’intérieur du flux de travail que vos employés utilisent déjà – ou si c’est un endroit de plus pour reconstruire tout cela et une source de vérité de plus pour se réconcilier.
La boîte de discussion n'a jamais été la partie difficile. Savoir que c’est vous dire la vérité, c’est.
Voir JAS sur votre propre BI
Si vos analyses vivent déjà dans un environnement de BI régi, JAS ne vous demande pas de la reconstruire – il lit la couche sémantique dans laquelle vous avez déjà investi et les réponses à l’intérieur des tableaux de bord que vos employés utilisent déjà.
Réservez une visite avec notre équipe et voyez JAS, le JASlet et le volet mondial JAS travaillant contre un modèle gouverné – avec une prise en charge de la LMS sur site pour les environnements réglementés.
Vous pouvez également explorer notre Comparaison complète de la BI pour voir comment TURBOARD s'empile sur plus de scénarios d'entreprise.
Blogs
Apportez une vraie question métier. Voyez comment TURBOARD y répond.
Nous démontrons JAS sur vos rapports, vos définitions et votre contexte de sécurité — pas sur une base d’exemple générique.