Le 2 novembre, Sally Xu, de l’équipe data science de xAI, a publié sur le site officiel un article présentant Data Bot, un robot partagé que l’équipe a construit dans Grok Bot. Il interroge l’entrepôt de données, réalise des analyses, restitue les résultats sous la forme à laquelle la personne qui pose la question est habituée, et peut aussi rejoindre des canaux Slack. L’article estime que la semaine dernière, il a traité environ 70 heures de travail qui seraient normalement retombées sur l’équipe data science.
Ce chiffre est une estimation interne, sans explication de la méthode de calcul. La page est signée SpaceXSI, xAI ayant fusionné avec SpaceX cette année. Quant à la taille de l’équipe, l’article se contente de dire qu’elle est « petite », sans donner d’effectif ; de l’extérieur, on ne peut donc pas calculer ce que représentent ces 70 heures.
Quatre familles de règles lui ont été enseignées
Data Bot tourne sur la fonction de robots d’équipe de Grok Bot, et ses capacités reposent sur des compétences partagées que l’équipe data maintient, réparties en quatre catégories :
- Indicateurs et analyse : des définitions unifiées pour les indicateurs clés comme les utilisateurs actifs et le chiffre d’affaires, avec les tables sources et la logique de requête ; quand un indicateur varie, on le décompose d’abord par segment de marché et par région, on le recoupe avec les jours fériés et le journal des modifications du produit, et ce n’est qu’ensuite que l’on conclut.
- Expérimentation : mise en place des tests A/B, analyse de puissance, contrôle de l’équilibre d’exposition et du biais d’échantillon, planification du déploiement ; le rapport de conclusions n’est rédigé que lorsque la puissance est suffisante.
- Graphiques et tableaux de bord : des courbes pour les tendances, des barres horizontales pour comparer des catégories, avec le thème et le guide de style de l’équipe ; les graphiques de la conversation peuvent devenir des tableaux de bord Databricks ou Hex.
- Ingénierie des données : règles d’écriture et de relecture des modèles dbt, conventions d’alerte des pipelines, et manière d’ajouter le suivi lors du lancement d’une nouvelle fonctionnalité.
L’autre pièce est la mémoire partagée. Le robot y consigne par exemple qui est responsable de tel pipeline, ou qu’une baisse d’indicateur venait en réalité d’un jour férié régional. Ces nouveaux souvenirs doivent être approuvés par un administrateur et ne s’appliquent à tous les utilisateurs qu’ensuite. Ce qu’une personne a enseigné, une autre n’a pas à le réexpliquer, et les souvenirs erronés se heurtent à un garde-fou.
Qui l’utilise
L’article donne l’exemple de trois collègues hors des métiers de la donnée.
Le chef de produit Kevin Niparko le traite comme un collègue à qui poser des questions : il obtient des réponses en quelques minutes et, pour les relances, n’a pas besoin de relancer toute l’analyse. Il aime les conclusions courtes accompagnées d’un graphique, et Data Bot les produit selon cette habitude. Sa formule :
« having a data scientist in his pocket »
(avoir un data scientist dans sa poche.)
Jon Brenner, du marketing de cycle de vie, donne au robot l’identifiant d’une campagne Braze et demande ce que les personnes qui ont ouvert l’e-mail ont fait ensuite. Pour la promotion de X Subscription, il a ainsi compté combien de destinataires avaient réellement changé d’offre, une question à laquelle les indicateurs natifs de Braze ne répondent pas.
Katy Abbaszadeh, directrice de la croissance du chiffre d’affaires, s’en sert pour mesurer l’effet des campagnes sur le pipeline commercial et les affaires en cours, suivre les objectifs hebdomadaires, repérer où la progression bloque, puis transformer les résultats en graphiques de présentation.
Une fois dans Slack, il peut aussi exécuter des tâches planifiées, comme suivre un indicateur selon les règles de l’équipe data ou envoyer un rapport hebdomadaire. Les collègues peuvent relancer directement sur le rapport ou lui demander d’enquêter sur des variations anormales. Les analyses complexes, qui demandent davantage de jugement, restent du ressort de l’équipe data, précise l’article ; l’équipe reconnaît aussi qu’elle cherche encore quelles consignes supplémentaires le robot requiert.
Outil interne ou produit : deux voies
En comparaison, l’année écoulée offre quelques cas de référence.
Anthropic a rendu publique en juin sa pratique interne : en branchant directement les données métier sur Claude, la précision n’atteignait que 21 % ; après lui avoir d’abord fourni les définitions et les règles, Claude pouvait répondre seul à environ 95 % des questions d’analyse de données. OpenAI a ajouté en septembre un Data agent à ChatGPT Work, en suivant la voie du produit : il se connecte à des sources comme Snowflake et BigQuery et construit des tableaux de bord directement dans six outils, dont Tableau et Power BI.
L’article de xAI se rapproche davantage de la voie d’Anthropic : une équipe interne met par écrit un savoir implicite sous forme de compétences, et le modèle n’est que l’exécutant. À la différence d’Anthropic, xAI ne publie pas de précision, ni de comparaison avant et après, ni la façon dont les réponses fausses sont repérées. Pour les chefs de produit et les marketeurs qui posent les questions, et qui n’ont souvent pas les moyens de vérifier eux-mêmes une requête SQL, cette lacune pèse plus lourd que les 70 heures lorsqu’il s’agit de savoir si d’autres entreprises peuvent s’en inspirer.
Il en va de même pour les autorisations. L’article mentionne que les mises à jour de la mémoire passent par une approbation, mais ne dit pas qui peut interroger quelle table. Pour un robot ouvert à toute l’entreprise et relié à l’entrepôt de données, la manière dont l’accès aux données de revenus et d’utilisateurs est délimité n’est pas expliquée.
L’article ne dit pas non plus si Data Bot doit être vendu à l’extérieur. Grok Bot, sur la page, peut être téléchargé et il est possible de contacter les ventes ; en octobre de cette année, il a aussi commencé à attribuer des boîtes e-mail dédiées aux utilisateurs. Reste à voir si les clients externes pourront utiliser la fonction de robots d’équipe dans la même mesure, ce que précisera la documentation produit à venir de xAI.
Sources : blog officiel de xAI, CocoLoop, compte officiel de Grok Bot ; les 70 heures correspondent à l’estimation interne de l’équipe, et les données de comparaison d’Anthropic et d’OpenAI proviennent de communications publiques antérieures des deux sociétés.