Fiche concept

Databricks Genie — agent text-to-SQL

À jour au 2026-07-24T14:00:00Z

Édité par Cédric-Olivier Mâry, éditeur et directeur de la publication — 27 ans d'écosystème SAP. Comment ces pages sont produites, et où intervient l'automatisation.

Qu'est-ce que Databricks Genie — agent text-to-SQL ?

La garantie de gouvernance de Genie est qu'Unity Catalog applique les droits data propres de l'utilisateur au moment de la requête — il n'y a aucune escalade de privilèges via l'interface en langage naturel.

De quoi il s'agit

Databricks Genie est un agent de requêtage en langage naturel gouverné, intégré à Databricks SQL. Un utilisateur métier tape une question en langage courant et reçoit une réponse générée par SQL sur les tables Delta Lake, sans jamais écrire de SQL lui-même. Ce n'est délibérément pas une interface de chat généraliste : chaque déploiement de Genie est circonscrit à un Genie Space — une configuration explicite des tables Delta concernées, une couche sémantique de définitions de termes métier, des questions d'exemple sélectionnées, et des extraits SQL de confiance que l'équipe data rédige et maintient. Le grand modèle de langage derrière Genie s'appuie sur ce contexte curé plutôt que sur un raisonnement libre sur des tables arbitraires, ce qui maintient ses réponses proches de la vérité terrain que l'équipe data a effectivement validée.

Pourquoi c'est important

Genie ne fonctionne qu'à l'intérieur de son 'Genie Space' configuré — un ensemble fixe de tables Delta, de définitions de termes métier et d'extraits SQL de confiance, pas la connaissance libre d'internet.
C'est le candidat naturel pour un reporting répétitif et bien documenté : dépenses finance par centre de coût, pipeline commercial par région, inventaire supply chain par usine.
Quand les données SAP arrivent dans Databricks via BDC Delta Sharing, un Genie Space sur ces tables permet aux équipes finance ou supply chain de s'auto-servir sans licence SAP ni compétence SQL.

Points clés

Databricks Genie — text-to-SQL agent n'est maîtrisé que lorsqu'il change une décision d'achat nommée.
Commencer par le contrat sémantique et le modèle de contrôle avant de démontrer l'outil.
Utiliser les signaux SAP, analystes, études, KG et actualités actuels comme preuves, pas comme décoration.
Séparer les faits vérifiés des tendances directionnelles et des hypothèses modélisées.
Définir le propriétaire, la métrique, le seuil, le circuit de support et le plan de retour arrière avant de passer à l'échelle.
Pour les cas d'usage IA, mesurer la fiabilité, le coût, la latence, la sécurité et la validation humaine.
Laisser un actif opérationnel réutilisable : mémo, checklist, tableau de contrôle et journal d'exceptions.
Une réponse premium est courte, explicite sur les arbitrages, et défendable en comité de pilotage.

Termes employés sur cette page

Decision owner: La personne responsable qui assume l'arbitrage et finance l'action suivante.
Semantic contract: La définition partagée des termes métier, métriques, entités et règles d'accès utilisée par les outils et les équipes.
Control plane: La couche qui applique la politique, l'accès, le lineage, le monitoring et l'escalade à travers le modèle opérationnel.
Evidence grade: Un libellé qui distingue le fait vérifié, le signal directionnel, l'hypothèse modélisée et l'observation de terrain.
Adoption metric: Le comportement mesurable qui prouve que le concept a changé le travail réel après la mise en production.
Agent reliability: La constance, le coût, la sûreté et la conformité aux politiques d'un agent au fil de multiples exécutions.

Sources

Fiche complète réservée aux abonnés. Ce que la fiche complète ajoute : le cadre de décision complet · la comparaison SAP · Snowflake · Databricks · Fabric · les pièges courants et leur correctif · l'aide-mémoire · les schémas d'architecture · les blocs de code · les chiffres à citer.

Ouvrir dans l'application →