Chez Stockly, l’IA motorise la montée en compétences des data analysts

La nouvelle architecture de données de Stockly, le socle de l’adoption de l’IA

Cette évolution est récente. L’ensemble des équipes de Stockly ont adopté les assistants IA et les principes de l’IA agentique. En septembre 2025, la startup a modifié son architecture de données et a fait de l’usage de ces outils d’IA la norme pour les data analysts. « Nous avons pratiquement automatisé toutes les tâches d’analyse de données qui nous prenaient du temps », indique l’ingénieur analytique.

Avant septembre 2025, les analystes de données de Stockly s’appuyaient majoritairement sur Grafana. Ils ont depuis fait le choix de Metabase. Les notebooks s’exécutaient sur Google Colab. « Désormais, nous avons porté tout notre code sur GitHub et nous utilisons davantage Snowflake et dbt », déclare Mathieu Olivier.

« Dans les deux cas, nous avons adopté la philosophie du monorepo. Le flux d’intégration continue est en revanche beaucoup plus long à exécuter en production, du fait des nombreux tests. »

Un dépôt Git est consacré à l’équipe data, tandis que les ingénieurs responsables de la production gèrent un autre dépôt, dont la configuration est évidemment plus rigide.

« Dans les deux cas, nous avons adopté la philosophie du monorepo », explique Eliott Jabes, cofondateur et CEO de Stockly. « Le flux d’intégration continue est en revanche beaucoup plus long à exécuter en production, du fait des nombreux tests ».

La logique monorepo consiste à concentrer l’ensemble des éléments de code et leur documentation au sein d’un dépôt unique, organisé en dossiers parents. Une approche également recommandée par les architectes d’Octo Technology dans l’adoption des agents IA.

Quant à la plateforme dbt, elle joue le rôle d’une couche intermédiaire « en grande partie orchestrée à l’aide de l’IA ». « Elle permet de produire des éléments intermédiaires accessibles par des équipes techniques ou des métiers formés pour explorer des données transformées », ajoute l’ingénieur analytique.

Ces personnes s’appuient sur ces actifs pour valider des jeux de données de référence, par exemple pour le calcul de marge d’un partenaire. 

Dbt comme couche sémantique

Techniquement, Stockly a intégré dbt à Claude Code à travers des serveurs MCP. Pour rappel, Model Context Protocol est le protocole « de facto » pour donner aux assistants et agents IA un accès aux différents outils disponibles sur le marché. « Là où nous passions beaucoup de temps à préparer des données pour des tableaux de bord et à régler des paramètres. Cela ne nous réclame, aujourd’hui, plus que quelques secondes », se réjouit Mathieu Olivier.

Ce temps gagné est réinjecté dans le développement dans l’optimisation des performances et la production d’analyse avancée.

Les quatre data analysts ne sont pas des ingénieurs de données à proprement parler. Et ces pipelines créés à l’aide de Claude Code demeurent sous supervision humaine. « Nous avons toujours des équipes de data engineers qui vont pouvoir nous aider sur beaucoup de sujets, par exemple pour certaines connexions entre OpenFlow [la solution d’ingestion de données proposée par Snowflake, N.D.L.R.] et PostgreSQL », précise l’analytics engineer. « Néanmoins, nous pouvons désormais réaliser un ensemble d’étapes intermédiaires et exploratoires que nous ne pouvions pas faire auparavant ».

« Une fois que nous avons trouvé quelque chose qui nous convenait, nous avons passé la main aux ingénieurs de données qui ont stabilisé nos pipelines pour ensuite les gérer. »

Parmi ces étapes intermédiaires figure le maintien de la cohérence des stocks enregistrés. Afin d’éviter les pertes d’information, l’équipe de data analysts a mis en place des « dumps » – des sauvegardes de données temporaires. « Une fois que nous avons trouvé quelque chose qui nous convenait, nous avons passé la main aux ingénieurs de données qui ont stabilisé nos pipelines pour ensuite les gérer ».

Ces personnes n’ont pas toutes les compétences pour pousser des pipelines en production. En revanche, les assistants IA leur permettent de déployer des flux de données fonctionnelles dans des environnements de tests.

Par ailleurs, Stockly dispose de son propre serveur MCP. « Notre plateforme est écrite en Rust. Moi et les autres membres de mon équipe n’avons pas les compétences nécessaires pour comprendre les nouvelles fonctionnalités poussées par les ingénieurs », indique Mathieu Olivier. « Cela nous permet d’interroger le produit pour mieux les comprendre ainsi que les impacts qu’elles auront sur notre activité et celle de la société ». De la sorte, il n’est plus nécessaire de déranger les développeurs pour les sujets les plus communs.

Les ingénieurs, eux, utilisent quotidiennement l’IDE agentique Cursor. « Ils l’ont adopté plus rapidement. Les mêmes modèles de langage sont disponibles », déclare Eliott Jabes. « Je pense également que c’est une question d’expérience utilisateur : Cursor est plus adapté aux besoins des développeurs ».

L’adoption de l’IA agentique réclame une réorganisation

Il faut toutefois maîtriser les risques. Cela passe entre autres par une configuration des outils d’IA et de la formation.

« J’ai mis en place un ensemble de petits fichiers qui incluent des lignes directrices pour l’ensemble des outils dont j’ai besoin », illustre Mathieu Olivier. « En deux-trois sessions, j’ai compris comment les peaufiner, ce qui permet d’écrire directement dans les environnements de tests de Metabase, par exemple ».

Une partie de ces spécifications sont portées par Notion, une « brique centrale de documentation » chez Stockly. « L’intégration entre Claude Code et Notion est étonnamment performante », affirme Eliott Jebes. « Tous les objectifs, la répartition de la charge de travail, les tickets et l’ensemble de la documentation sont référencés sur Notion ».  

Les définitions sémantiques des données manipulées résident, elles, dans dbt. Ce data lineage est accessible depuis Snowflake. « Nous y avons expliqué chacune des colonnes de nos jeux de données », renseigne Mathieu Olivier. « Cela nous a pris du temps. Nous avons commencé en septembre 2025. J’ai observé des résultats très pertinents en décembre ».

Entretemps, l’ingénieur analyste a appris à utiliser Git et VS Code, deux outils qu’il n’utilisait pas auparavant.

Cette montée en compétences implique une plus grande autonomie. Les data analysts de métier sont désormais capables de corriger des pipelines Materialize à l’aide d’un script, sans l’intervention d’un expert. Les réparations prennent environ dix minutes quand elles réclamaient auparavant une demi-journée de travail à un ingénieur.

« Les quelques mois investis à documenter, à réorganiser nos tâches et nos tables par concepts clés nous permettent d’obtenir des gains des productions considérables depuis le mois de janvier », constate Mathieu Olivier.

Cette phase de documentation est nécessaire, prévient-il. Sans elle, les LLM hallucinent et produisent des résultats frustrants. Heureusement, les quatre data analysts ont rédigé des requêtes SQL manuellement pendant des années et connaissent les erreurs qui pourraient causer des problèmes de performance et de coût.

« J’estime que les gains sont aussi liés à la gestion de projets, à la plus grande autonomie des équipes métiers, tout comme il est plus simple de définir des fonctionnalités. »

D’autres tâches, comme la génération de tests unitaires, sont à l’étude. De même, l’analyst engineer imagine qu’il pourrait changer rapidement de pile technologique si le besoin s’en fait sentir. « Nous sommes encore au début de notre adoption de l’IA », considère-t-il.

Si le dirigeant n’a pas fixé d’objectifs de gains de productivité relatifs à l’IA, l’entreprise y consacre un budget non négligeable. Et il remarque déjà une croissance forte du code livré. « Le volume de code livré chaque semaine a presque doublé en un an », remarque Eliott Jabes. « En revanche, j’estime que les gains sont aussi liés à la gestion de projets, à la plus grande autonomie des équipes métiers, tout comme il est plus simple de définir des fonctionnalités ».

Les data analysts et les métiers conçoivent de plus en plus de flux de travail sur le framework agentique n8n, plus simple à prendre en main, des développeurs citoyens. « Par exemple, l’équipe RH automatise la dernière étape de l’organisation des entretiens d’embauche », illustre Eliott Jabes.

Miser sur la formation plutôt que le recrutement

Désormais, le dirigeant de Stockly pousse à l’adoption généralisée des outils d’IA auprès de sa centaine d’employés. Une approche qui s’accompagne d’un changement de stratégie RH.

« Nous n’avons que quelques rôles tactiques ouverts au cours des six prochains mois. À l’inverse, nous investissons fortement dans la formation des collaborateurs. Nous souhaitons qu’ils s’adaptent à l’évolution de leurs métiers d’ici à cinq ans, sans prendre un train de retard ».

« Il faut conserver l’expertise des technologies et des produits métiers en interne. »

En conséquence, l’équipe IT de Stockly a revu sa gestion des accès et des rôles afin que les assistants IA ne soient pas des failles ou provoquent des plantages d’envergure. À noter que Stockly n’utilise pas encore de véritables agents IA autonomes. « C’est clairement un objectif, mais cela ne se fera pas en trois mois. Nous n’avons pas le niveau d’infrastructure et de contrôle requis pour ce faire », reconnaît le CEO.

Dans un même temps, « Il faut conserver l’expertise des technologies et des produits métiers en interne », recommande Mathieu Olivier. Certains collaborateurs techniques entrés récemment dans l’entreprise ont d’abord « mis les mains dans le cambouis » afin de comprendre les tenants et aboutissants des systèmes, avant d’adopter les outils d’IA. Quitte à ne pas aller aussi vite que les autres collaborateurs. Une approche également suivie par les directions métiers de la MAIF.

« C’est très important, car en fin de compte l’humain est responsable du code, des requêtes et des tâches », ajoute Eliott Jebes. « Par ailleurs, l’IA représente une opportunité de s’intéresser davantage aux enjeux métiers et économiques, pour mieux les challenger ».

« Le monde est en train de prendre un virage technologique incroyable. Pour le prendre à pleine vitesse, il ne faut pas hésiter à se jeter dans le grand bain », conclut le dirigeant.