Si votre équipe marketing, votre service IT ou votre responsable des opérations a commencé à construire une solution de BI ou de reporting avec Claude ou un autre outil d’IA, les premières étapes ont probablement dépassé les attentes. Quelques prompts, une connexion de données fonctionnelle, un graphique qui s’affiche avec de vraies données. C’est indéniablement impressionnant et on comprend facilement pourquoi l’abonnement à une plateforme commence à sembler superflu.
Pour une source de données unique, un rapport qui n’a pas besoin d’être actualisé au-delà de quelques semaines, et une équipe disposant d’un développeur capable de maintenir du code personnalisé indéfiniment, construire avec Claude est une option tout à fait légitime. Le code fonctionnera, et la première version tourne généralement sans nécessiter beaucoup d’attention. Les difficultés apparaissent plus tard : quand le périmètre s’élargit, quand les clients commencent à poser des questions sur leurs données, ou quand un audit de conformité révèle des lacunes dans une infrastructure qui n’a jamais été conçue pour ça.
Ce qu’il faut comprendre avant d’aller plus loin, c’est ce qui se passe réellement en coulisses. Les agents IA progressent rapidement. Claude dispose désormais de connecteurs natifs et de MCPs qui étendent ce qu’il est possible de faire directement dans l’outil. Mais pour la plupart des workflows de données en production, la réalité reste la même : ce code a besoin d’un serveur pour s’exécuter, d’identifiants toujours valides, d’un système qui détecte les échecs à 3h du matin, et de quelqu’un capable de corriger la transformation qui casse quand la source change de format en amont. Rien de tout cela ne s’accompagne du code généré.
Cet article cartographie les lacunes existantes. L’objectif est une lecture équilibrée, utile que vous soyez en cours de développement, en phase d’évaluation, ou simplement en train d’essayer d’y voir plus clair.
A retenir
- La connaissance opérationnelle reste chez celui qui a tout construit : credentials API, logique de l’ordonnanceur, transformations fragiles. Quand il part, elle ne se transfère pas automatiquement.
- La sécurité de l’infrastructure IA ne couvre pas votre système : les certifications d’Anthropic portent sur le modèle et ses conteneurs, pas sur le chiffrement de vos données, les journaux d’audit de votre tableau de bord ou le contrôle d’accès par profil, qui restent à implémenter par votre équipe.
- Une démo qui affiche un graphique n’est pas un système en production. La production, c’est des jobs qui relancent en cas d’échec, des accès cloisonnés par profil, et des données archivées depuis le premier jour.
- Les premières semaines semblent toujours prometteuses. Les vraies questions émergent six mois plus tard.
Avant de vous lancer, neuf domaines méritent d’être passés en revue : intégration des données, transformation, stockage, ordonnancement, tableaux de bord, alertes, sécurité, scalabilité et coûts. Cet article vous guide à travers chacun d’eux.
À qui s’adresse cet article :

