Hier, Anthropic a publié comment ils ont construit leur "agent de données" interne : Comment Anthropic permet l'analyse de données en libre-service avec Claude
OpenAI a publié son article sur "l'agent de données maison" il y a cinq mois : À l'intérieur de l'agent de données maison d'OpenAI
J'ai lu les deux – voici le résultat.
Points de convergence
- La partie difficile n'est pas d'écrire du SQL. C'est de trouver la bonne table et de comprendre comment l'utiliser correctement. Les deux le répètent.
- Le modèle est une commodité (ils ne l'ont pas dit directement mais…) – le contexte autour de lui est le produit. Anthropic est passé de 21 % à 95 % de précision simplement en ajoutant une compétence qui a accès au contexte – une base de connaissances.
- (Surprise, pas surprise) Plus de contexte n'aide pas forcément. La précision d'Anthropic a augmenté de moins de 1 % après avoir donné accès à des milliers de requêtes passées (j'imagine à quel point leur consommation de tokens a grimpé 🙂).
Comment ils diffèrent
- OpenAI a construit un agent autonome. Codex et le ChatGPT interne utilisent l'agent via MCP, ou l'utilisateur peut discuter directement avec lui via le web ou Slack. Tandis qu'Anthropic a construit une simple compétence qui a accès au contexte de données via une base de connaissances (fichiers md).
- OpenAI a un contexte dans un "index" qui est alimenté quotidiennement par des jobs de pipeline, tandis qu'Anthropic intègre la base de connaissances sous forme de fichiers md dans le même dépôt que le modèle de données, mis à jour dans la même PR.
Mon avis (après avoir construit un "agent de données" pour des données non structurées, pas du SQL)
L'approche d'Anthropic avec des compétences est plus "native à la plateforme", donc elle s'intègre mieux à la boîte à outils existante. Je pense que toute l'expérience développeur, le contexte de données ainsi que toute la plateforme de données évolueront vers les plateformes (le meilleur article académique dans cette direction – Code as Agent Harness). L'approche d'OpenAI semble plus évolutive et mature (5 mois d'avance ?) – avec des agents de données dédiés, 600 To de données et des pipelines planifiés pour mettre à jour le contexte. Nous verrons comment cela évolue.
Question pour les experts en données ici
Où en êtes-vous avec ces workflows agentiques ? Mon impression est que la plupart des équipes écrivent encore du SQL à la main et copient-collent du "contexte" morceau par morceau dans Claude Code/Copilot/Codex et partagent leurs connaissances dans Slack.
Le tableau de comparaison complet côte à côte avec plus de détails et de chiffres se trouve dans notre article de blog – lien dans les commentaires 👇
