Huwise déploie son framework agentique doté d’un context layer d’usage pour amplifier l’impact des data marketplaces
L’IA agentique continue de s’imposer dans les organisations, portée par une promesse concrète : des systèmes capables d’agir de façon autonome pour gagner en productivité et répondre aux enjeux métiers. Mais encore faut-il qu’un agent sache sur quoi s’appuyer pour agir avec justesse. Sans le bon contexte, un agent peut générer des réponses approximatives et imposer davantage de vérifications. À mesure que les agents se multiplient, le contexte devient donc déterminant pour garantir leur autonomie.
C’est dans cette perspective que Huwise lance son framework de création d’agents IA, conçu comme un socle commun pour développer des agents adaptés aux usages des data marketplaces. Cette même fondation permet aussi bien de déployer nos agents clés en main, déjà intégrés à la plateforme, que de construire des agents personnalisés pour nos clients taillés sur mesure selon le secteur, les problématiques métier et le contexte de chaque organisation.
Une approche qui ouvre la voie à une grande diversité d’usages, avec un objectif commun : renforcer l’impact des data marketplaces et accélérer l’adoption des données. Décryptage dans cet article.
Le “context layer” de Huwise : une couche de connaissance sur les usages réels des data products
Le context layer est aujourd’hui au cœur des réflexions sur les agents IA : les définitions sont nombreuses, mais toutes s’accordent sur un point : un agent performant doit disposer d’un contexte riche, fiable et pertinent. Chez Huwise, notre vision du contexte s’inscrit dans la continuité de ce que nous construisons depuis le début puisqu’il repose sur des capacités clés de la data product marketplace Huwise.
Un context layer qui repose sur les capacités natives de la plateforme
| Éléments du contexte | Plateforme Huwise |
|---|---|
| Connaissance des usages | Se nourrit des signaux d’usage de la marketplace (recherches, points d’abandon dans le parcours, consultations ou actions de consommation) collectés grâce au funnel de conversion, aux statistiques intégrées ou encore au lignage des données, qui permet d’identifier les actifs les plus connectés dans l’écosystème. |
| Sémantique (semantic layer) | S’appuie sur des éléments issus à la fois de la marketplace (définitions du glossaire métier, métadonnées des fiches produit, etc) et de son écosystème (du simple fichier Excel aux outils dédiés comme un Data Catalog). |
| Règles et contexte métier | Peuvent être issus de la documentation associée aux data products, des règles ou encore des contenus renseignés directement par les utilisateurs dans la marketplace. |
| Connaissance des utilisateurs | Repose sur des informations telles que leur rôle, leur profil, leur statut ou certains attributs récupérés via le SSO, afin de permettre aux agents de mieux comprendre qui formule la demande et dans quel contexte. |
Un context layer dynamique porté par la connaissance de l’usage des data product marketplaces
Un agent IA peut connaître les données d’une organisation, leurs définitions et leurs sources… Mais sait-il comment les métiers les utilisent réellement ?
Le langage métier repose sur des règles et des raccourcis propres à chaque organisation. Prenons par exemple le calcul de l’ARR dans une organisation :
- Un agent connecté à un data catalog ou à un data lake va pouvoir identifier les données disponibles sur l’ARR, sans nécessairement savoir lesquelles retenir ni comment les combiner selon les règles propres à son organisation.
- Un agent connecté à une data product marketplace dispose de signaux supplémentaires pour comprendre quelles données sont réellement pertinentes : recherches, profils utilisateurs, actions de consommation, combinaisons de données ou encore définitions métier. Il peut ainsi constater, par exemple, que les équipes Finance s’appuient systématiquement sur un même data product pour leurs analyses d’ARR, le combinent avec une source précise et se réfèrent à une définition métier donnée.
L’agent passe de « voici les données qui pourraient servir à calculer l’ARR » à « voici comment l’ARR est réellement calculé dans votre organisation, avec les données et les règles métier utilisées pour l’obtenir ». Le contexte devient ainsi dynamique, enrichi par les usages métiers : l’agent ne connaît plus seulement les données, il comprend comment elles sont réellement utilisées dans l’organisation.
Un context layer ouvert sur l’écosystème data
Le contexte que nous construisons repose sur les standards actuels du marché (qui évoluent rapidement et que nous suivons avec attention) pour qu’il reste exploitable au-delà de notre plateforme. Une approche qui se retrouve dans notre collaboration avec Atlan, qui voit en Huwise un partenaire essentiel pour capter l’intelligence d’usage et contribuer à la construction d’un contexte plus dynamique.
Un framework conçu pour déployer des agents IA performants, enrichis par la connaissance des usages
Les agents IA ouvrent de nouvelles perspectives pour répondre aux enjeux des data product marketplaces, des usages récurrents aux besoins métier les plus spécifiques. Fort de 15 ans d’expertise, le framework agentique Huwise s’appuie sur les briques technologiques structurantes de la plateforme, notamment ses API et son serveur MCP, pour constituer un socle robuste de création et de déploiement d’agents IA.
Sa singularité réside dans cette approche : s’appuyer sur les outils et capacités déjà conçus pour exploiter la donnée. Les agents peuvent ainsi être déployés là où ils expriment pleinement leur potentiel, au cœur d’environnements pensés pour faciliter la découverte et la consommation des données.
Des agents IA sur mesure pour répondre à des enjeux métiers spécifiques
Un agent générique intégré à une data product marketplace ne peut, à lui seul, répondre à la diversité des besoins métier. C’est tout l’intérêt du framework agentique Huwise : créer des agents IA et les adapter aux enjeux spécifiques de chaque organisation, qu’il s’agisse des règles métier, du périmètre, des sources de données, de la gouvernance ou encore du mode de fonctionnement. Chaque composant de l’agent peut ainsi être paramétré pour répondre précisément au contexte de l’organisation.
Exemple d’un agent IA sur mesure : l’assistant “comparateur de territoires”
Cet agent compare les indicateurs clés de plusieurs territoires pour éclairer la décision des collectivités.
Parce que la création d’agents IA reste encore un territoire d’exploration pour de nombreuses organisations, nos experts vous accompagnent à chaque étape, jusqu’à la conception d’applications métier personnalisées et directement intégrées à leur data marketplace Huwise.
Des agents IA clé en main pour garantir le succès des data products
Si chaque data marketplace a ses spécificités, l’usage qu’elle génère et la satisfaction qu’elle procure restent des enjeux communs à toutes. Forts de 15 ans d’expertise sur ces sujets, nous avons embarqué ce savoir-faire dans des agents IA clé en main, capables de transformer les signaux en actions concrètes au service du succès des data products.
Un de leurs leviers, une matrice qui cartographie les signaux d’usage de la marketplace :
À partir de cette lecture, les agents transforment les signaux observés en recommandations et actions ciblées, permettant aux data product owners et administrateurs de data marketplaces de concentrer leurs efforts là où ils auront le plus d’impact. Ils les aident ainsi à identifier :
- les data products à optimiser ou à mettre en avant (et comment agir pour renforcer leur adoption)
- les data products à surveiller, pour préserver ceux qui rencontrent déjà un fort succès
- les data products à déprioriser ou à supprimer, lorsqu’ils génèrent peu ou pas d’intérêt
Exemples d’agents IA clés en main Huwise
- L’agent IA « Marketplace Curator » : cet agent analyse en continu les usages de la data marketplace (clics, consommation, abandons, etc.) et recommande des actions pour améliorer l’adoption de chaque data product.
- L’agent IA « Opportunity Spotter » : cet agent identifie les écarts entre l’offre disponible dans le catalogue de la data marketplace et les besoins des utilisateurs, puis recommande les data products à créer pour répondre aux opportunités identifiées.
- L’agent IA « Metadata Filler » : cet agent fait des propositions pour mettre à jour et remplir les métadonnées manquantes.
- L’agent IA « Data Product Builder » : cet agent accompagne la création de nouveaux data products, depuis l’identification et la formalisation du besoin jusqu’à leur conception et leur packaging.
« Ces agents IA répondent à 75 % des questions que l'on se pose sur le pilotage de nos données en interne. »
Data product marketplaces : les seuls environnements capables de fournir une intelligence d’usage aux agents IA
Le contexte est devenu un prérequis des feuilles de route data, pour améliorer la pertinence des agents IA comme l’impact des données. Une évolution qui fait écho à la vision de Huwise depuis ses débuts : rendre les données plus compréhensibles et exploitables en captant les signaux qui révèlent leurs usages. Au plus près des recherches, interactions et consommations, les data product marketplaces disposent ainsi d’un contexte vivant, enrichi en continu, que Huwise entend continuer à développer pour accélérer leur adoption et en faire le réflexe naturel d’exploration des données.
“Nous voulons aller plus loin dans la collecte et la matérialisation des signaux d’usage, essentiels à la pertinence du contexte. La forme de nos futurs agents IA reste ouverte et sera guidée par les retours et l’usage que nous observons : il pourra s’agir d’agents spécialisés comme d’un agent unique couvrant un spectre plus large dans la plateforme. Sur le fond, notre ambition ne change pas : accélérer le cercle vertueux de l’usage, en rendant la plateforme plus pertinente pour attirer plus de visiteurs, générer de nouveaux signaux et enrichir le contexte des agents.”
Partager cet article :
Articles sur le même thème :
À propos de l’auteur
Toujours à l’affut des dernières évolutions de la solution Huwise, Pauline Plancke, Product Marketing Manager, explore, décrypte et valorise ces nouveautés.
Plus d'articles
