Snowflake lance Cortex pour centraliser l’IA générative sur ses données

Snowflake regroupe dans Cortex des briques d’IA générative accessibles là où résident déjà les données. De la requête SQL à la recherche de documents, jusqu’aux agents orchestrés, l’ensemble vise à limiter la dispersion des composants et à traiter des besoins opérationnels comme le support client.

Support client : classifier, résumer et accélérer les réponses

Le traitement des sollicitations d’assistance expose les entreprises à des volumes importants de messages, de réclamations et de demandes, dont la gestion manuelle mobilise des équipes et complique la détection rapide des problèmes récurrents. Les AI Functions de Cortex servent à classer ces demandes, à en identifier la tonalité et à produire des synthèses. Le service de recherche peut compléter ce dispositif pour améliorer l’efficacité du traitement. L’ensemble des fonctionnalités vise à réduire le temps consacré à des tâches répétitives et à faciliter l’exploitation des données existantes.

Architecture : réduire la fragmentation des projets IA

Des organisations exportaient leurs données vers des services externes pour utiliser des modèles de langage, puis montaient des pipelines RAG ou des automatisations, avec à la clef une multiplication de composants et des enjeux de gouvernance. Un projet traditionnel empile entrepôt de données, service d’inférence, base vectorielle, orchestrateur et couche applicative, chacun avec ses paramètres de sécurité, de disponibilité et sa facturation. Snowflake propose d’intégrer les fonctions d’IA dans le même environnement que les données afin d’en limiter la dispersion. Dans Cortex, les développeurs peuvent recourir à des modèles fournis notamment par Anthropic, Mistral, Meta ou OpenAI selon les régions et les modèles, et rapprocher les capacités IA des informations à exploiter.

Accès direct depuis SQL et Python pour les équipes data

Cortex rend des opérations IA disponibles dans les outils déjà utilisés par les équipes, avec des appels de modèles depuis SQL et Python. Les Cortex AI Functions exécutent des tâches de génération et d’analyse directement dans les requêtes, sans application intermédiaire pour traiter des corpus. AI_COMPLETE génère une réponse textuelle à partir d’une instruction, AI_SUMMARIZE_AGG produit des condensés multi-lignes, et AI_FILTER renvoie Vrai ou Faux en tant que garde-fou dans une clause WHERE. D’autres fonctions couvrent la traduction, l’analyse de sentiment et la classification. En 2026, la suite regroupe ces briques au sein du même périmètre, avec des services managés pour travailler sur les données existantes.

Cortex Analyst traduit des questions en langage naturel en requêtes SQL

Pour les équipes qui n’écrivent pas de requêtes, Cortex Analyst traduit des questions formulées en langage naturel en SQL adapté au schéma. Les utilisateurs peuvent demander un chiffre d’affaires trimestriel, comparer des filiales ou rechercher des produits les plus rentables. Ce processus suppose une compréhension des relations entre tables et des mesures pertinentes ; un modèle sémantique guide le service sur la structure. Les dimensions, mesures et relations peuvent être décrites en YAML ou gérées via des Vues Sémantiques, qui encadrent la signification des champs et les règles de calcul. À défaut de couche sémantique, le modèle doit inférer la colonne de chiffre d’affaires, le champ de région, le lien clients-commandes et la période à considérer.

Cortex Search facilite l’exploitation des fichiers PDF et rapports techniques

Au-delà des tables, de nombreux actifs informationnels résident dans des contrats PDF, rapports techniques, documentations internes, comptes rendus ou fichiers Markdown. Cortex Search permet de les exploiter sans les convertir entièrement en tables relationnelles, en combinant recherche lexicale et sémantique pour localiser des passages pertinents. La recherche lexicale s’appuie sur la correspondance de termes, utile pour des références ou identifiants, quand la recherche sémantique repose sur des embeddings vectoriels qui encodent le sens des textes. La mise en place débute par la sélection d’une source textuelle ; des documents peuvent être stockés dans un stage Snowflake, traités par AI_PARSE_DOCUMENT, puis préparés pour l’indexation. Selon la structure, un découpage en chunks est utilisé, pratique clé des architectures RAG pour éviter l’envoi de documents complets aux modèles.

Agents : orchestrer Analyst et Search dans une même réponse

Les agents IA, proposés via Cortex Agents, décomposent un objectif, mobilisent plusieurs outils et combinent des composants de l’écosystème, notamment Analyst et Search. Ils gèrent des demandes nécessitant à la fois des données structurées et des documents, en enchaînant interrogation SQL, recherche documentaire et génération d’une réponse contextualisée. Chaque agent s’appuie sur des instructions qui définissent son rôle, ses objectifs et ses limites, connaît les outils autorisés et déclenche les opérations en fonction de la demande. L’intégration évite de développer séparément un moteur documentaire et un générateur SQL, tout en laissant la possibilité de brancher un orchestrateur externe. L’objectif affiché de la couche IA intégrée est d’exploiter les LLM sans bâtir une infrastructure séparée de l’entrepôt.