Starburst annonce le lancement de son AI Data Assistant (AIDA), un assistant conçu pour permettre aux entreprises d’interroger et d’analyser leurs données en langage naturel. L’objectif : remplacer les rapports statiques par un accès en temps réel à des informations fiables et contextualisées pour accélérer la prise de décision.
Dans de nombreuses organisations, l’accès aux données reste encore un processus long et fragmenté. Les équipes attendent parfois plusieurs semaines, voire plusieurs mois, pour obtenir des tableaux de bord, avant d’exporter les résultats vers d’autres outils pour affiner leurs analyses. Ce fonctionnement crée un décalage entre la production des données et leur exploitation, au moment même où elles sont les plus critiques.
Avec AIDA, Starburst propose une approche différente en connectant directement l’intelligence artificielle aux données d’entreprise, sans nécessiter leur centralisation. Les utilisateurs peuvent interroger ces données en langage naturel et obtenir des réponses exploitables, reposant sur des informations gouvernées et à jour. L’objectif est de faciliter une prise de décision plus rapide et mieux contextualisée. L’assistant repose sur un cadre de raisonnement inspiré de l’approche ReAct, combinant analyse, action et observation. Cette méthode permet à AIDA de dépasser la simple génération de requêtes pour produire un raisonnement analytique, en s’appuyant à la fois sur l’échantillonnage de données en temps réel et sur l’analyse des métadonnées. Le système est ainsi conçu pour se rapprocher du fonctionnement d’un analyste plutôt que d’un simple outil de requêtage.
Autre particularité, AIDA adapte ses réponses en fonction du profil de l’utilisateur. Les spécialistes des données peuvent accéder à des explications techniques détaillées, tandis que les décideurs bénéficient de synthèses directement exploitables. La solution peut également être personnalisée aux couleurs de l’entreprise et s’intègre dans la Starburst Enterprise Platform, avec la possibilité de choisir entre différents modèles de langage, notamment ceux d’Anthropic, OpenAI ou AWS Bedrock.Au-delà de ses fonctionnalités actuelles, Starburst prévoit d’enrichir AIDA avec de nouvelles capacités dans les prochains mois. Une couche d’extensibilité permettra notamment d’intégrer des systèmes externes et d’orchestrer des workflows entre différents outils comme Slack, Jira ou Google Workspace. Une interface client dédiée doit également faciliter les interactions avec ces applications, tandis qu’un ensemble de garde-fous viendra encadrer l’usage de l’IA en appliquant des politiques de gouvernance et en limitant l’exposition de données sensibles.
Selon Justin Borgman, cofondateur et CEO de Starburst : “l’enjeu principal ne réside pas dans les modèles d’IA eux-mêmes, mais dans la capacité à les connecter à des données fiables et gouvernées. L’assistant a ainsi été conçu pour permettre d’exploiter des données distribuées à l’échelle de l’entreprise, sans les déplacer ni compromettre leur sécurité”.
Cette approche s’appuie sur une architecture fédérée, qui permet à l’IA d’opérer directement sur des données réparties entre différents environnements, qu’il s’agisse de data lakes, d’entrepôts de données, de cloud ou de systèmes opérationnels. En appliquant des règles de gouvernance cohérentes sur l’ensemble de ces sources, Starburst entend créer une couche unifiée reliant données, logique métier et politiques de sécurité.
Pour Kevin Petrie, vice-président de la recherche chez BARC US : “cette capacité à combiner données distribuées et raisonnement basé sur le contexte métier constitue un levier pour démocratiser l’analytique au sein des organisations. Elle permettrait à différents profils d’utilisateurs de prendre des décisions plus pertinentes, en s’appuyant sur une vision complète et contextualisée des données”.
Les cas d’usage visés par AIDA couvrent plusieurs fonctions clés de l’entreprise. L’assistant peut par exemple aider à identifier des écarts de facturation afin de récupérer des revenus perdus, détecter des signaux faibles annonçant une attrition client ou encore accélérer les enquêtes liées à la fraude et à la conformité. Dans chaque cas, il s’agit de transformer des données complexes en informations directement exploitables, afin d’améliorer la réactivité et la précision des décisions.
