Google dévoile des outils BigQuery pour l'accès aux données des agents IA

Google dévoile une nouvelle suite d'outils pour connecter les agents IA aux données BigQuery

Mountain View, CA – 30 juillet 2025 – Google a lancé une nouvelle suite d'outils conçue pour renforcer les entreprises en connectant de manière transparente leurs agents IA aux données stockées dans BigQuery, son entrepôt de données basé sur le cloud. Ce développement répond à la demande croissante d'« applications agissantes » – des systèmes d'IA capables d'effectuer des tâches de manière autonome sans intervention humaine – et vise à fournir à ces agents le contexte riche nécessaire pour des réponses plus précises et pertinentes.

L'essor des agents IA est une tendance significative en 2025, de nombreuses entreprises les pilotant et les déployant activement pour automatiser les tâches répétitives, améliorer les expériences client et augmenter les capacités humaines. Cependant, un défi critique a été de permettre à ces agents d'interagir de manière sécurisée et intelligente avec de vastes quantités de données d'entreprise. La nouvelle suite d'outils de Google s'attaque directement à ce problème en offrant un pont sécurisé et fiable entre les agents IA et BigQuery.

La suite d'outils nouvellement introduite comprend un ensemble de fonctionnalités qui permettent aux agents IA d'exécuter des requêtes dans BigQuery et de récupérer des métadonnées cruciales. Les outils clés de cet ensemble sont list_dataset_ids (pour obtenir tous les ID de jeu de données dans un projet Google Cloud), get_dataset_info (pour des métadonnées détaillées de jeu de données), list_table_ids (pour lister les ID de table dans un jeu de données), get_table_info (pour récupérer les métadonnées de tables individuelles) et execute_sql (pour exécuter des requêtes SQL et récupérer les résultats directement depuis BigQuery).

Cette suite d'outils n'est pas une solution autonome ; elle s'intègre aux offres open source existantes de Google : l'Agent Development Kit (ADK) et la MCP Toolbox for Databases (anciennement connue sous le nom de Generative AI Toolbox for Databases). Les entreprises peuvent attribuer la suite d'outils à un agent créé dans le cadre de l'ADK en l'important depuis le module agents.tools dans un environnement Python, en utilisant l'ADK CLI et le SDK. Le paramètre tool_filter permet également une exposition sélective des outils à l'agent.

Alternativement, la MCP Toolbox for Databases prend en charge nativement la suite d'outils pré-construite de BigQuery. Pour tirer parti de ces outils, les entreprises ont besoin d'un environnement compatible avec Python pour créer un dossier mcp-toolbox et installer la MCP Toolbox. La MCP Toolbox agit comme un serveur open source qui centralise l'hébergement et la gestion des suites d'outils, permettant aux agents d'agir en tant que clients MCP et de demander des outils à la Toolbox, qui gère ensuite les complexités des connexions sécurisées, de l'authentification et de l'exécution des requêtes. De plus, le mode de déploiement de la MCP Toolbox permet de définir des outils SQL personnalisés.

Les experts de l'industrie, tels que Charlie Dai, vice-président et analyste principal chez Forrester, estiment que cette intégration accélérera considérablement le développement d'applications agissantes. Dai note que « l'intégration ADK et MCP de Google fournit des frameworks pré-construits pour connecter directement les agents IA aux données BigQuery. Cela élimine le travail d'intégration personnalisé, réduisant les frais de développement, et permet aux agents de tirer parti du contexte d'entreprise pour des réponses précises. »

La décision de Google s'inscrit dans une tendance industrielle plus large où les principaux fournisseurs de plateformes de données se concentrent sur la connexion des agents IA aux données d'entreprise. Des rivaux comme Databricks, Snowflake et Teradata ont également introduit leurs propres serveurs de protocole de contexte de modèle (MCP) et des offres connexes pour faciliter l'interaction des agents IA avec les données stockées dans leurs data lakehouses et bases de données. Le protocole de contexte de modèle (MCP) lui-même, initialement déployé par Anthropic, émerge comme un protocole ouvert crucial pour connecter les grands modèles de langage (LLM) à des sources de données comme BigQuery, leur permettant d'exécuter des requêtes SQL et d'interagir directement avec des projets à partir d'outils existants.

Google a également activement amélioré BigQuery avec des agents IA spécialisés et une base de données autonome. Cela inclut un agent d'ingénierie de données pour aider à la construction de pipelines de données et à l'automatisation de la génération de métadonnées, un agent de science des données intégré dans les notebooks Colab pour automatiser l'ingénierie des fonctionnalités et la sélection de modèles, et un agent d'analyse conversationnelle Looker qui permet des requêtes en langage naturel et fournit des explications pour ses conclusions. Ces avancées sont étayées par le BigQuery Knowledge Engine, qui exploite les modèles Gemini de Google pour analyser les relations de schéma, les descriptions de tables et les historiques de requêtes, générant des métadonnées et prenant en charge les recherches sémantiques. Google a déclaré son intention d'étendre la suite d'outils nouvellement annoncée avec plus de fonctionnalités à l'avenir.