Parlez à votre base de données : Oracle améliore son IA NL2SQL

Oracle veut rapprocher les utilisateurs métiers de leurs données

Interroger une base de données d’entreprise nécessite traditionnellement de connaître sa structure et de maîtriser SQL, ce qui laisse souvent les équipes métiers dépendantes des analystes ou des spécialistes data pour obtenir une information précise. Oracle veut réduire cette barrière avec Enterprise AI NL2SQL, une fonctionnalité d’OCI Generative AI capable de transformer une question formulée en langage naturel en requête SQL adaptée aux données de l’organisation.¹ Début septembre 2026, Oracle a mis en avant plusieurs améliorations importantes du service : sélection du modèle d’IA, enrichissement planifié des métadonnées et génération SQL en arrière-plan.² L’objectif n’est donc plus simplement de convertir une phrase en quelques lignes de SQL, mais de construire un système capable de comprendre progressivement la structure et le vocabulaire des bases de données d’entreprise afin de générer des requêtes plus pertinentes dans des environnements complexes.

Le NL2SQL ne traduit pas seulement les mots, il doit comprendre le métier

La difficulté du NL2SQL apparaît dès qu’une question utilise le vocabulaire propre à l’entreprise. Lorsqu’un responsable demande par exemple « Quels sont nos cinq produits les plus vendus le mois dernier ? », le système doit identifier les tables pertinentes, comprendre quelles colonnes représentent les produits et les ventes, retrouver les relations entre ces objets puis construire la requête correspondante. Oracle s’appuie pour cela sur un semantic store, enrichi à partir des métadonnées de la base et capable de relier les termes métier aux tables, colonnes et jointures appropriées.¹ Les commentaires, annotations et synonymes définis dans la base peuvent également contribuer à cet enrichissement. Cette couche sémantique est fondamentale : sans elle, un LLM pourrait produire une requête SQL syntaxiquement correcte mais reposant sur une mauvaise interprétation du schéma ou du vocabulaire de l’organisation.

Oracle laisse désormais choisir le modèle qui génère le SQL

L’une des principales nouveautés est la sélection du modèle. Enterprise AI NL2SQL permet désormais de choisir un modèle Generative AI disponible à la demande dans la région OCI concernée, aussi bien pour enrichir le semantic store que pour certaines requêtes individuelles de génération SQL.¹ En l’absence de sélection, Oracle utilise OpenAI gpt-oss-120b comme modèle par défaut et précise que celui-ci a été spécifiquement benchmarké pour NL2SQL, tandis que les autres modèles disponibles doivent être évalués par l’entreprise sur ses propres schémas et workloads avant un passage en production. Cette liberté permet aux équipes de comparer plusieurs approches selon leurs priorités, qu’il s’agisse de précision, de performances ou d’autres contraintes opérationnelles, plutôt que de dépendre d’un seul LLM pour tous les environnements data.

Le semantic store peut maintenant rester synchronisé avec la base

Une architecture NL2SQL perd rapidement de son intérêt si sa compréhension de la base devient obsolète. Oracle introduit donc un enrichissement planifié permettant de rafraîchir automatiquement les métadonnées du semantic store selon un intervalle défini, avec un minimum de six heures.¹ L’API permet également d’effectuer des rafraîchissements delta afin de mettre à jour uniquement les objets de base de données qui ont changé depuis le dernier enrichissement. Cette évolution est particulièrement importante dans les environnements où de nouvelles tables apparaissent, où les schémas évoluent ou lorsque les équipes enrichissent régulièrement les métadonnées métier. Plutôt que de considérer la couche sémantique comme une photographie figée du système d’information, Oracle cherche ainsi à en faire une représentation capable d’évoluer avec les bases qu’elle décrit.

Les requêtes complexes peuvent désormais être générées en arrière-plan

Oracle améliore également le traitement des demandes qui nécessitent davantage de temps. Une requête NL2SQL susceptible de dépasser le timeout habituel du client peut être envoyée comme background job : l’application reçoit alors un identifiant permettant de suivre l’état du traitement, puis récupère le SQL lorsque la génération est terminée.¹ Ce mode est disponible via les API, SDK et CLI, mais pas directement dans la console OCI. L’évolution peut sembler technique, mais elle devient importante lorsque NL2SQL est intégré dans des applications ou des agents qui doivent travailler sur des schémas complexes et poursuivre leur workflow sans bloquer toute l’interface pendant la génération. Oracle rapproche ainsi NL2SQL d’une véritable brique applicative pouvant être orchestrée dans des processus data plus larges.

Rendre le SQL invisible ne fait pas disparaître la gouvernance

La simplicité apparente d’une question en langage naturel ne signifie cependant pas que l’utilisateur obtient automatiquement un accès illimité à la base. Oracle distingue clairement la génération et l’exécution : Enterprise AI NL2SQL produit le SQL, mais l’opération GenerateSqlFromNl ne l’exécute pas directement.¹ Lorsque l’exécution est nécessaire dans un workflow agentique, le Database Tools MCP Server intervient séparément et applique les permissions de l’utilisateur ainsi que les garde-fous définis sur la base. Oracle recommande notamment de séparer la connexion utilisée pour enrichir le semantic store de celle utilisée pour les requêtes, cette dernière pouvant être configurée avec des privilèges plus limités. Pour les DSI, cette séparation est essentielle : démocratiser l’accès à la data ne doit pas conduire à contourner les mécanismes d’identité et d’autorisation déjà présents dans le système d’information.

La Gestion des données devient aussi une question de langage métier

Cette évolution transforme directement la Gestion des données. Si davantage d’utilisateurs peuvent interroger les bases sans écrire eux-mêmes du SQL, la qualité du semantic store, des métadonnées et des définitions métier devient encore plus stratégique. Une colonne mal documentée, deux indicateurs portant des noms similaires ou une définition ambiguë du chiffre d’affaires peuvent conduire l’IA à construire une requête qui semble cohérente tout en répondant à une question différente de celle réellement posée. Les équipes data devront donc continuer à structurer les schémas, documenter les objets, contrôler les permissions et tester la précision des requêtes générées. Le NL2SQL ne supprime pas ces compétences, il augmente au contraire la valeur d’une data correctement gouvernée et compréhensible par les machines.

L’accès à la data pourrait progressivement devenir conversationnel

Les améliorations apportées par Oracle montrent finalement comment l’IA générative commence à modifier l’interface entre les collaborateurs et les systèmes de données. Demain, un responsable commercial pourrait demander directement les produits dont les ventes reculent, un responsable financier comparer plusieurs périodes ou un agent IA récupérer une information structurée avant de poursuivre automatiquement son workflow. Enterprise AI NL2SQL est d’ailleurs conçu pour les scénarios agentiques nécessitant un accès aux données structurées de l’entreprise.³ Mais cette facilité d’utilisation ne signifie pas que SQL disparaît : il devient progressivement une couche intermédiaire générée par l’IA, tandis que les professionnels de la data restent responsables de la structure, de la qualité, des permissions et de la fiabilité des informations sur lesquelles reposent les réponses.

L’Actu IT à 360° — décrypter la technologie pour comprendre les métiers de demain.

Découvrir CCCLX

Références