Snowflake Intelligence : Parler à toutes ses données, pas seulement à son data warehouse.
En novembre 2025, Snowflake a annoncé la disponibilité générale de Snowflake Intelligence, présenté comme un “enterprise intelligence agent” qui permet à chaque collaborateur de poser des questions complexes en langage naturel et d’obtenir des réponses exploitables, directement dans Snowflake (*).
En quelques mois de preview, plus de 1 000 clients ont déjà déployé plus de 15 000 agents en production, ce qui donne une bonne idée de la traction de ces usages (*).
En seulement quelques mois
Mais derrière le “chat avec ta donnée”, il y a une transformation beaucoup plus profonde :
- Unification des données structurées et non structurées dans un même socle d’IA.
- Accès conversationnel sécurisé à l’ensemble du patrimoine d’information.
- Renforcement de la gouvernance et de la couche sémantique, qui n’est plus cantonnée aux outils de dataviz.
C’est exactement autour de ces trois axes que nous positionnons KPC et notre offre Talk to Data.
C’est exactement autour de ces trois axes que nous positionnons KPC et notre offre Talk to Data..
Axe 1 – Unifier données structurées et non structurées : agrandir le socle d’information de l’entreprise
Historiquement, Snowflake s’est imposé comme plateforme de référence pour les données structurées (tables, métriques, faits, dimensions). Avec l’AI Data Cloud et les briques comme Cortex AI, Document AI ou Cortex Search, cette promesse s’est progressivement étendue aux contenus non structurés.
Il s’appuie sur un accès unifié aux données structurées et non structurées, au sein du même environnement gouverné Snowflake. Notamment avec l’analyse de l’audio.
Grâce à Document AI, il devient possible d’extraire de l’information depuis des factures, contrats, mails, rapports PDF… et de les réconcilier avec les données de référence (clients, contrats, produits…). (*)
Des capacités d’analytique “agentique” (Agentic Document Analytics) permettent de poser une question qui mobilise des milliers de documents, bien au-delà des architectures RAG classiques limitées à quelques dizaines de documents par requête.
* Source Snowflake (4)
Concrètement, cela change quoi ?
Jusqu’ici, la plupart des projets de data & BI restaient centrés sur des chiffres (CA, marge, NPS, volumes, délais, etc.) alimentés par quelques systèmes cœur (ERP, CRM, outils métiers).
Avec Snowflake Intelligence, le socle d’information de l’entreprise s’élargit :
- On ne regarde plus seulement “Combien de retours clients ?”, mais aussi “Pourquoi ces retours ?” en analysant le texte des tickets, des emails ou des enquêtes NPS.
- On ne suit plus seulement le taux de litige, mais on explore les clauses contractuelles récurrentes dans les dossiers conflictuels.
- On ne se contente plus d’un backlog IT, on peut faire émerger automatiquement les thèmes récurrents dans les demandes métier.
A Retenir
Autrement dit, Snowflake Intelligence parachève le mouvement commencé par Snowflake : faire de la plateforme non pas seulement un entrepôt de données, mais le “datum” de l’entreprise, le point de rassemblement de toutes les informations stratégiques — structurées comme non structurées.
Axe 2 – Révolutionner l’accès à la donnée : de la requête SQL au dialogue - Deuxième rupture : l’interface conversationnelle.
Snowflake Intelligence est d’abord une application prête à l’emploi, avec une interface chat dans Snowsight, qui permet à un utilisateur métier de poser des questions en langage naturel et de laisser l’agent :
Interpréter la question
Générer les requêtes adéquates
Croiser les bonnes sources
Restituer une réponse compréhensible.
Cette interface s’appuie sur :
- Cortex AISQL et Cortex Analyst, capables de transformer une question métier en SQL, puis d’expliquer ou d’enrichir les résultats.
- Des LLMs de premier plan (OpenAI, Anthropic, Meta, Mistral, DeepSeek…) opérés directement dans Snowflake, via Cortex AI. URL
- Des Cortex Agents qui orchestrent les étapes complexes (décomposer une question, sélectionner les bonnes sources, appliquer les bons outils, etc.). URL
Pour les métiers, cela signifie :
- Moins de dépendance aux équipes data pour chaque nouvelle question.
- Une capacité à explorer, tester des hypothèses, creuser un “pourquoi” en temps réel.
- Un mode d’interaction qui ressemble à une discussion avec un collègue très calé sur la donnée, plutôt qu’à une demande de rapport. Exemple : “Explique moi la baisse de marge sur la BU X au T3, en prenant en compte les remises commerciales, le mix produit et les coûts logistiques, et propose trois pistes d’action prioritaires.”
Snowflake Intelligence ne se contente pas de sortir un chiffre. Il est capable de :
- retrouver les bonnes tables et vues,
- décomposer le problème,
- raisonner sur les différents facteurs,
- produire une synthèse argumentée, éventuellement assortie de visualisations.
A Retenir
Cette révolution de l’accès à la donnée n’est pas seulement un changement d’UX; C’est un changement culturel : la data devient réellement accessible “à la demande”, dans le langage des métiers.
Axe 3 – Modèle sémantique et gouvernance : quand l’IA vous oblige à solidifier votre data stack
Troisième axe, souvent sous-estimé : Snowflake Intelligence remet la couche sémantique au centre du jeu.
Snowflake Intelligence s’appuie sur une compréhension riche :
- des métriques (définitions de CA, marge, churn, etc.),
- des relations métier (client, produit, contrat, région, canal…),
- des contextes BI existants (Tableau, autres outils de dataviz, SQL “manuels”, etc.).
Snowflake introduit même des capacités de “semantic layer on autopilot” : la plateforme apprend des requêtes exécutées, des questions fréquentes et des définitions déjà présentes dans vos outils, et propose d’enrichir et d’ajuster le modèle sémantique au fil de l’eau.
Ce que cela change, c’est que :
- Le modèle sémantique ne vit plus uniquement dans l’outil de dataviz (sous forme de calculs locaux, d’extraits, de définitions éparpillées).
- Il se rapproche du socle de données — dans Snowflake — et devient une brique de gouvernance à part entière, partagée entre IT, data et métiers.
- Chaque réponse produite par Snowflake Intelligence doit être traçable : on peut remonter aux tables, aux vues, aux calculs et aux règles métiers, ce qui est clé pour la conformité et la confiance.
En d’autres termes, l’IA conversationnelle impose de rendre robuste et interopérable l’ensemble de la data stack :
- qualité et fraîcheur des données,
- gestion des droits et des rôles,
- définition claire des métriques de référence,
- documentation et alignement métier.
A Retenir
Chez KPC, nous voyons Snowflake Intelligence comme un test de solidité du socle data : si les réponses ne sont pas fiables, ce n’est pas (seulement) un problème d’IA, c’est un révélateur des faiblesses structurelles de la gouvernance et du modèle sémantique.
Ce que ça implique pour les organisations : ce n’est pas “plug & play” côté socle
Côté utilisateur, Snowflake Intelligence donne une impression de simplicité : on ouvre une interface, on pose une question, on obtient une réponse. Côté organisation, en revanche, la marche à franchir est réelle :
Clarifier les cas d’usage prioritaires
- Sur quels périmètres commence-t-on ?
- Quelles décisions doit-on réellement accélérer ?
- Quels risques (réglementaires, business, réputationnels) doit-on encadrer ?
Consolider le patrimoine data
- Assurer la qualité et la complétude des données sur les domaines ciblés.
- Réduire la dette d’intégration, les silos, les redondances.
Structurer la couche sémantique
- Identifier les métriques “golden” et leurs définitions officielles.
- Éliminer les divergences entre versions locales de la vérité.
- Documenter les règles de calcul, les agrégations, les filtres.
Encadrer l’usage de l’IA
- Définir des profils d’utilisateurs et des niveaux d’autonomie.
- Mettre en place des mécanismes d’évaluation et de monitoring des réponses.
- Construire des parcours de formation et de change management.
Snowflake apporte déjà des briques natives pour évaluer les agents (comme Agent GPA, qui mesure automatiquement la qualité des réponses sur des datasets standard, avec une détection d’erreurs annoncée proche des performances humaines). (*)
Mais pour une organisation, la vraie question est : comment intégrer ces capacités dans un cadre opérationnel, maîtrisé, aligné avec mes enjeux business ?
C’est là que KPC intervient avec Talk to Data. Découvrez notre solution pour mettre en place Snowflake Intelligence.
Et maintenant ?
Snowflake Intelligence marque une étape importante : celle où l’on peut enfin parler à toute sa donnée, dans un environnement gouverné, sans multiplier les outils ni dupliquer l’information.
Mais cette promesse ne se réalise pleinement que si :
- le socle de données est solide,
- la couche sémantique est structurée,
- les usages sont priorisés et encadrés,
- les utilisateurs sont accompagnés.
En tant que partenaire Snowflake et participant au programme de lancement de Snowflake Intelligence en Global Availability, KPC se positionne pour aider les organisations à franchir ce cap, en combinant :
- la puissance de l’AI Data Cloud,
- la maturité des capacités agentiques de Snowflake,
- et l’expertise de Talk to Data pour en faire un véritable levier de transformation.
Si vous souhaitez explorer comment Snowflake Intelligence peut s’intégrer dans votre data stack, vos cas d’usage métiers et votre gouvernance, nous serons ravis d’en parler.
" Ça y est, la data est enfin libre. Poser une question en langage naturel, obtenir une réponse exploitable, décider plus vite : c’est déjà une réalité. "
Article rédigé par
Mickael Kuentz,
Directeur Data & AI de KPC.
