Le 8 octobre, Anthropic a publié Claude Dashboards. Connectez une source de données, décrivez votre besoin en langage naturel, et Claude peut écrire le SQL, construire des visualisations et créer un tableau de bord qui continue de se mettre à jour.

Ma première réaction a été : cela recoupe plusieurs idées que j’explore dans DuckLocal.

DuckLocal est un outil de données de bureau local-first que je développe avec DuckDB et GPUI. Au-delà de l’interrogation et de l’exploration de fichiers, je travaille sur des tableaux de bord déclaratifs qui permettent aux agents IA de participer à l’analyse et à la visualisation.

Claude Dashboards était donc plus qu’une sortie produit intéressante. Cela m’a fait reconsidérer la direction que DuckLocal doit prendre.

1. Que fait Claude Dashboards ?

Construire un tableau de bord, traditionnellement, c’est connecter une base de données, comprendre son schéma, écrire du SQL, choisir des graphiques et des métriques, configurer des filtres, organiser la mise en page et publier le résultat. Aucune de ces étapes n’a rien d’exceptionnel pour un analyste, mais ensemble elles restent un obstacle considérable pour tous les autres.

Claude Dashboards ramène ces étapes dans une interaction en langage naturel. Un utilisateur pourrait demander :

Analyse l’évolution de notre chiffre d’affaires sur les six derniers mois, décompose-la par région et montre-moi le segment de l’activité qui croît le plus vite.

Claude peut générer les requêtes et les graphiques à partir des données connectées. Il prend en charge des plateformes comme Snowflake, BigQuery, Redshift, Databricks et ClickHouse, et des connecteurs peuvent importer des données de systèmes métier comme Salesforce.

Deux choix de conception m’ont marqué.

Un tableau de bord devient un objet d’analyse qui continue d’évoluer

Le tableau de bord n’est pas seulement une présentation finale. Un utilisateur peut continuer de demander à Claude de modifier un graphique, d’ajouter un filtre ou d’explorer une autre dimension sans reconstruire le tableau de bord à la main.

Le SQL derrière chaque graphique reste visible

Les utilisateurs peuvent vérifier non seulement le résultat, mais aussi la façon dont il a été calculé. L’IA peut abaisser le seuil d’entrée de l’analyse, mais elle ne doit pas transformer l’analyse en une boîte noire invérifiable.

2. Que confirme Claude Dashboards ?

Une idée m’a accompagné tout au long du développement de DuckLocal :

Un tableau de bord ne devrait pas être une page statique au bout d’un flux BI. Il devrait être un espace de travail où les personnes et les agents IA analysent les données ensemble.

La BI traditionnelle confie généralement à un analyste le soin de créer un tableau de bord et de le remettre aux équipes métier. Quand quelqu’un conteste une métrique, il revient vers l’analyste, qui met à jour le SQL ou ajoute un graphique.

Un agent IA peut changer cette boucle. Une personne pose une question ; l’agent explore les données et crée un tableau de bord. Quand la personne remarque quelque chose d’inattendu, elle demande à l’agent d’ajuster la requête ou d’aller plus loin.

Le tableau de bord glisse du reporting à sens unique vers une interaction analytique à double sens. Claude Dashboards m’a rendu plus confiant dans le fait que cette direction mérite d’être explorée.

Qu’une grande entreprise entre sur un marché ne prouve pas à soi seul une demande commerciale. Cela montre en revanche que l’analyse en langage naturel, le SQL et les tableaux de bord sont devenus un axe d’investissement actif pour les produits d’IA. Les utilisateurs n’ont peut-être pas tant besoin de plus de graphiques que d’un chemin plus rapide vers des réponses fiables.

3. Deux leçons que je retiens de Claude Dashboards

DuckLocal v0.2.1 introduit deux fonctionnalités liées à cette direction.

Permettre aux personnes et aux agents de collaborer autour d’un graphique

La première est les commentaires de tableau de bord. Une personne peut laisser une question directement sur un graphique DuckLocal :

Pourquoi le taux d’erreur a-t-il bondi pendant cette période ? Peux-tu enquêter ?

Un agent peut lire le commentaire via le CLI DuckLocal, analyser le problème et répondre. La personne peut poursuivre la discussion ou clore le fil quand la question est réglée. Les commentaires vivent à côté du tableau de bord dans un fichier .dash.comments.json, si bien que le flux de travail ne dépend d’aucun service de collaboration cloud.

Graphique Commandes par jour de DuckLocal avec son panneau de commentaires ouvert, prêt à envoyer une question à un agent IA
Un commentaire est attaché au graphique et enregistré à côté du fichier .dash, là où un agent peut le lire et y répondre avec ducklocal comments.

Le modèle que je veux installer est celui-ci :

La personne pose les questions et porte les jugements. L’agent exécute l’analyse. Le tableau de bord est leur contexte partagé.

Une analyse utile arrive rarement d’un seul coup. Elle émerge de questions, d’essais et de corrections.

Faire du SQL la base vérifiable de l’analyse

La seconde fonctionnalité est l’inspection du SQL des graphiques. DuckLocal v0.2.1 peut afficher le dernier SQL réellement exécuté pour chaque graphique du tableau de bord, avec les sources de données et les valeurs de filtre courantes développées. L’utilisateur peut copier ce SQL ou l’ouvrir dans un onglet de requête pour le modifier et l’exécuter.

Panneau SQL de DuckLocal montrant la source CSV orders développée, le filtre, le regroupement et le tri derrière un graphique Commandes par jour
Le panneau SQL montre la requête qui a réellement tourné, avec la source CSV développée et le filtre courant, et des actions pour la copier ou l’ouvrir dans un onglet de requête.

Un graphique généré par l’IA peut sembler juste alors que son calcul est faux. Une métrique de croissance peut utiliser la mauvaise période ou omettre une partie de l’activité. Ne montrer que l’image finale rend ces erreurs difficiles à repérer.

Exposer le SQL rend l’analyse plus transparente. Pour les travaux financiers, d’audit et de sécurité en particulier, un résultat doit être vérifiable et reproductible, pas seulement facile à comprendre.

Documentation associée : Relire un tableau de bord avec des commentaires · Lire et répondre aux commentaires depuis le CLI

4. En quoi Claude Dashboards et DuckLocal diffèrent-ils ?

Les deux produits visent à abaisser le seuil d’entrée de l’analyse de données et à faire du tableau de bord quelque chose que l’on peut continuer d’explorer, de vérifier et de modifier. Leurs positionnements et leurs modèles de fonctionnement restent néanmoins différents.

CritèreClaude DashboardsDuckLocal
PositionnementAnalyse et tableaux de bord pilotés par l’IAEspace de travail de données de bureau local-first
ExécutionProduit cloud ClaudeApplication de bureau locale
Accès aux donnéesConnecteurs vers des plateformes de données et des systèmes métierExécution DuckDB locale, avec des connexions externes explicites si nécessaire
Modèle de tableau de bordGénéré et modifié en langage naturelFichiers texte déclaratifs avec CLI et workflows d’agents
Collaboration avec l’IAPrincipalement via une conversation avec ClaudeVia le CLI et des commentaires attachés aux graphiques
Transparence du SQLVoir le SQL derrière un graphiqueVoir, copier et ouvrir le SQL réellement exécuté
Modèle de sourceProduit commercial ferméOpen source sous Apache-2.0
Confidentialité et contrôleService cloud et modèle de permissions des connecteursExécution locale avec un contrôle explicite du stockage et de l’accès réseau

DuckLocal n’a pas besoin de concurrencer Claude Dashboards fonctionnalité par fonctionnalité. Les plus grandes forces de Claude sont le modèle lui-même et son intégration aux sources de données d’entreprise et à d’autres outils. Pour une entreprise qui utilise déjà Claude et des plateformes de données cloud, cette expérience tombe sous le sens.

Mais une autre classe de besoins subsiste : tous les jeux de données n’ont pas leur place dans un service d’IA, et toutes les analyses n’ont pas besoin d’une plateforme de données cloud.

Explorer un CSV local, auditer un jeu de données financier exporté ou enquêter sur des journaux de sécurité contenant des informations sensibles peut n’exiger qu’un environnement d’analyse local. DuckLocal est local-first pour que ces travaux se fassent sur l’appareil de l’utilisateur.

Un logiciel local ne satisfait pas automatiquement toutes les exigences de conformité. Il donne toutefois aux utilisateurs un contrôle plus direct sur l’endroit où les données sont stockées, où les requêtes s’exécutent et quand le réseau est utilisé.

La confidentialité doit être un comportement produit, pas une promesse de README

Dans la v0.2.1, j’ai changé la façon dont les extensions DuckDB sont installées. Certains SQL pouvaient auparavant déclencher le téléchargement automatique d’une extension depuis le réseau par DuckDB. DuckLocal ne le fait plus par défaut ; l’utilisateur doit installer une extension délibérément depuis la page Extensions. Les vérifications automatiques de mise à jour sont également désactivées par défaut.

Pour un produit local-first, la confidentialité ne peut pas s’arrêter à une ligne dans le README. Elle doit apparaître dans les valeurs par défaut.

L’open source est une autre différence importante. Les utilisateurs peuvent inspecter le code et la logique de traitement des données, puis modifier le produit selon leurs propres exigences. Pour les travaux soumis à de fortes contraintes de confidentialité et de sécurité, cette vérifiabilité et ce contrôle peuvent devenir un avantage durable.

5. Ensuite : faire du tableau de bord un véritable espace de travail humain-agent

Les tableaux de bord de DuckLocal disposent désormais d’une configuration déclarative, de requêtes SQL, de visualisations et de commentaires sur les graphiques. Ils restent encore éloignés de l’environnement d’analyse humain-agent que j’ai en tête.

Une personne désigne un pic sur un graphique d’un tableau de bord pendant que le canard de DuckLocal et un agent IA reprennent la requête et renvoient un graphique corrigé
Le flux vers lequel DuckLocal se dirige : une question posée sur un graphique, étudiée par un agent, et résolue par du SQL et des modifications que la personne peut relire.

Ma prochaine priorité n’est pas d’ajouter autant de types de graphiques que possible. C’est de relier les étapes de l’analyse :

  • Une personne pose une question sur un graphique ; l’agent comprend les données et le SQL de ce graphique et poursuit l’enquête.
  • L’agent ne se contente pas de répondre : il propose des modifications du tableau de bord à partir de ce qu’il a trouvé.
  • La personne examine le SQL, le raisonnement et les modifications avant de décider de les accepter.
  • Le tableau de bord enregistre non seulement le résultat final, mais aussi les questions, les constats et les décisions qui y ont mené.

Je veux que DuckLocal devienne plus qu’une interface graphique pour DuckDB et plus qu’un outil de BI : un espace de travail de données local où les personnes et les agents IA peuvent continuer de travailler ensemble sur les mêmes données.

6. Pour conclure

Claude Dashboards pointe vers une convergence plus profonde du langage naturel, du SQL et de la visualisation de données.

Les tableaux de bord générés par l’IA sont la première étape. Une collaboration durable entre les personnes et l’IA autour des données est le problème plus intéressant.

Claude s’étend d’assistant IA vers espace de travail d’analyse de données. DuckLocal part de l’autre direction — un outil de données local qui ajoute progressivement la collaboration avec les agents. Leurs origines et leurs chemins diffèrent, mais ils approchent certaines des mêmes questions.

Je veux que DuckLocal reste ancré dans trois principes :

Local-firstOpen SourceCollaboration humain-agent

Les utilisateurs doivent maîtriser leurs données. L’analyse doit être transparente. L’IA doit collaborer avec la personne qui analyse les données, sans devenir une boîte noire qu’elle ne peut pas inspecter. C’est pour cela que je continue de construire DuckLocal.

Liens connexes

← Tous les articles