05 - Outils a tester dans ton metier#

Des outils concrets, classes par usage, avec pour chacun ce qu il fait, son lien officiel, et l information de prix quand elle est publique et verifiable.

Temps de lecture : 13 min | Niveau : Debutant a Intermediaire

Ce que tu sauras faire apres#

• Choisir quel outil essayer en premier selon ton usage reel, pas selon la mode.
• Savoir ce qui est gratuit, ce qui ne l est pas, et ce qui n est pas documente publiquement.
• Brancher ton premier serveur MCP sur un outil que tu utilises deja.
• Ecrire un premier skill utile en cinq minutes.
• Evaluer un nouvel outil en 30 minutes avec une grille reutilisable.

Liens verifies le 26 septembre 2026. Les offres tarifaires changent souvent : re-verifie sur la page officielle avant de t engager.

⚠️ Trois regles avant de tester#

1. Jamais sur de la production. Un depot de test, un jeu de donnees anonymise, une branche jetable.
2. Verifie ce qui sort de ton reseau. Chaque editeur a une page dediee ; celle de Claude Code est Data usage.
3. Un outil a la fois, pendant une semaine. Tester cinq outils en parallele ne t apprend rien sur aucun.

💻 Assistants de code et agents en terminal#

Premier test concret en data : lance claude dans ton projet dbt, puis donne une consigne qui ne modifie rien, du type "Lis les modeles dans models/marts/ et explique-moi la logique de calcul du CA. Ne modifie aucun fichier."

Installation de Gemini CLI, telle que le README la donne :

npm install -g @google/gemini-cli   # ou, sans rien installer : npx @google/gemini-cli

Le Claude Agent SDK est l outil du jour ou tu veux industrialiser : un agent qui tourne chaque nuit, lit les logs Airflow de la veille, et ouvre un ticket quand un DAG echoue deux fois de suite. Pages utiles : Configure your agent, Custom tools, Structured outputs.

📓 Notebooks et environnements d analyse#

Jupyter AI#

A quoi ca sert : extension open source qui connecte des agents IA aux notebooks dans JupyterLab. Elle apporte un chat collaboratif, l aide a l ecriture et au debogage de code, l execution de notebooks, et un suivi en temps reel des actions de l agent. Un garde-fou demande l autorisation avant toute operation sur fichier ou execution de commande.

• Documentation : jupyter-ai.readthedocs.io - Getting started
• Code source : github.com/jupyterlab/jupyter-ai
• Fournisseurs supportes, d apres la doc : Anthropic (Claude), OpenAI, GitHub Copilot, Mistral, et d autres agents comme Goose, Kilo, Kiro ou OpenCode. Version affichee lors de la verification : v3.2.0.
• Le garde-fou, cite mot pour mot : "Agents request permission before writing files, running commands, or using MCP tools." L agent demande donc ton accord avant d ecrire un fichier, de lancer une commande ou d appeler un outil MCP.
• Prix : open source, gratuit. Le cout vient du fournisseur de modele branche derriere.

Gemini Notebook (anciennement NotebookLM)#

A quoi ca sert : tu deposes des documents sources et tu les interroges. Depuis juillet 2026, il inclut un ordinateur cloud securise qui permet d ecrire et d executer du code pour de l analyse de donnees.

• Lien : notebook.google.com (compte Google requis)
• Changement de nom : blog.google - NotebookLM is now Gemini Notebook, 16 juillet 2026
• Qui a acces a l ordinateur cloud ? L annonce du 16 juillet 2026 donne trois cas. Les utilisateurs Google AI Ultra l avaient ce jour-la. Les clients Workspace aussi, s ils disposent de AI Ultra Access ou de AI Expanded Access. Les utilisateurs Pro sur le web devaient l obtenir dans les semaines suivantes.
• Ce qui reste non verifie : les montants. L annonce nomme les paliers, elle ne donne aucun prix. Le produit exige une connexion Google, donc sa page de tarification n a pas pu etre ouverte ici. Verifie le prix dans ton compte Google avant de t engager.

Pour toi : digerer une documentation metier de 200 pages avant de modeliser. Tu deposes les specs, tu interroges, tu cites.

Gemini dans BigQuery#

A quoi ca sert, d apres la documentation Write queries with Gemini assistance. Elle liste dix fonctions, que voici regroupees :

• Lien : docs.cloud.google.com/bigquery/docs/write-sql-gemini
• Prix : la page ne donne pas les montants, mais elle renvoie vers la page de tarification : Gemini in BigQuery pricing. C est la qu il faut regarder.

La page porte un avertissement explicite, traduit ici : "En tant que technologie a un stade precoce, les produits Gemini for Google Cloud peuvent produire une sortie qui semble plausible mais qui est factuellement incorrecte. Nous recommandons de valider toute sortie avant de l utiliser." Relis toujours la requete generee, surtout les jointures et les filtres de date.

🗄️ Outils data#

Le serveur MCP de dbt#

C est probablement l outil le plus directement utile a un data engineer dans cette liste.

A quoi ca sert : un cadre standardise pour connecter une application IA aux actifs geres par dbt (modeles, metriques, lineage, fraicheur), avec un acces gouverne et coherent quelle que soit la plateforme de donnees.

Liens officiels :

• Presentation : docs.getdbt.com/docs/dbt-ai/about-mcp
• Outils disponibles : mcp-available-tools
• Serveur distant : setup-remote-mcp
• Code source : github.com/dbt-labs/dbt-mcp

Deux modes, avec le tableau de capacites tel que la documentation le donne :

Comment choisir, en une phrase : le mode auto-heberge est fait pour developper (ecrire des modeles, des tests, de la documentation). Le mode distant est fait pour consommer (interroger des metriques, explorer les metadonnees, lire le lineage) et ne demande aucune installation.

Disponibilite : la doc indique que le serveur distant est disponible sur toutes les offres de la plateforme dbt (les API sous-jacentes variant selon l offre), et que le serveur auto-heberge fonctionne avec des projets dbt locaux, avec ou sans compte plateforme.

Lancement du serveur auto-heberge, tel que la doc le decrit. Il faut uv installe, puis :

uvx dbt-mcp

Serveurs MCP de reference#

Depot officiel : github.com/modelcontextprotocol/servers. Open source.

Pour trouver un connecteur vers un autre outil : le registre officiel MCP, puis, en dernier recours, la liste communautaire awesome-mcp-servers.

Attention aux serveurs archives. Treize anciens serveurs de reference ont ete deplaces dans un depot separe : modelcontextprotocol/servers-archived. On y trouve AWS KB Retrieval, Brave Search, EverArt, GitHub, GitLab, Google Drive, Google Maps, PostgreSQL, Puppeteer, Redis, Sentry, Slack et SQLite. Certains ont desormais une version officielle maintenue ailleurs (c est le cas de Brave Search). Avant d adopter un serveur MCP, regarde la date de son dernier commit.

Assistants integres aux plateformes data#

Si tes donnees vivent deja dans Databricks ou Snowflake, l agent est dans la plateforme. Et bonne nouvelle : les deux lisent le meme format Agent Skills que Claude Code. Un skill ecrit une fois peut donc servir aux deux endroits.

Deux details utiles, releves dans ces pages :

• Databricks distingue les workspace skills (partages par tout l espace de travail, pour imposer les standards de l equipe) des user skills (personnels). La doc recommande de versionner les skills dans un dossier Git Databricks.
• Snowflake indique que CoCo est facture soit par abonnement (essai gratuit puis offres payantes), soit a l usage selon la consommation de tokens.

📄 Documentation, recettes et exemples#

Note : le depot etait auparavant nomme anthropics/anthropic-quickstarts. L ancienne adresse fonctionne encore : elle renvoie une redirection permanente (301) vers anthropics/claude-quickstarts, verifiee le 26 septembre 2026. Le nom canonique est desormais claude-quickstarts.

Pour un profil data, commence par Financial Data Analyst : c est l exemple le plus proche de ton quotidien, un agent qui lit des donnees chiffrees et produit une analyse.

🚀 Ton premier skill, en 5 minutes#

C est le geste qui rapporte le plus pour le moins d effort. Format et emplacement d apres la documentation Claude Code.

Ou poser le fichier, les deux emplacements possibles :

Commence par le personnel :

mkdir -p ~/.claude/skills/audit-sql

Cree ensuite ~/.claude/skills/audit-sql/SKILL.md. Attention : le name doit etre identique au nom du dossier.

---
name: audit-sql
description: Relit une requete SQL et signale les pieges classiques avant execution
---

Relis la requete SQL fournie et verifie ces points, dans cet ordre :

1. Jointures : y a-t-il un risque de duplication de lignes ?
2. Filtres de date : la borne haute est-elle inclusive ou exclusive ?
3. NULL : un NULL peut-il faire disparaitre des lignes dans un WHERE ou un JOIN ?
4. Agregations : le GROUP BY couvre-t-il toutes les colonnes non agregees ?
5. Cout : y a-t-il un scan de table complet evitable ?

Reponds par un tableau | Point | Verdict (OK / A VERIFIER / PROBLEME) | Explication en une ligne |
Termine par la requete corrigee si tu as trouve un probleme, sinon ecris "aucune correction necessaire".

Deux facons de t en servir, les deux documentees :

• Tu l appelles toi-meme : tape /audit-sql suivi de ta requete.
• Claude l appelle tout seul quand ta demande correspond a la description. C est pour ca que la description doit dire ce que fait le skill et quand l utiliser.

Si tu veux qu un skill ne parte jamais tout seul (par exemple parce qu il deploie quelque chose), ajoute cette ligne dans le frontmatter :

disable-model-invocation: true

Pourquoi ca marche : le corps du skill n est charge en contexte que quand il est invoque. Au demarrage, Claude ne lit que le name et la description, soit une centaine de tokens. Tu peux donc en avoir vingt sans alourdir chaque conversation.

📝 Template : evaluer un nouvel outil en 30 minutes#

AVANT (ce qu on fait tous)

Installer l outil, jouer 10 minutes, l oublier.

APRES (grille a remplir)

OUTIL : [NOM]
LIEN OFFICIEL : [URL]
DATE DU TEST : [AAAA-MM-JJ]
VERSION TESTEE : [NUMERO_DE_VERSION]

1. LA TACHE REELLE (pas un tutoriel)
   [DECRIRE_UNE_TACHE_QUE_TU_FAIS_VRAIMENT_CHAQUE_SEMAINE]

2. TEMPS SANS L OUTIL : [X minutes]
   TEMPS AVEC L OUTIL : [Y minutes, premiere prise en main incluse]

3. QUALITE : le resultat est-il utilisable tel quel ? [oui / non / apres correction]
   CE QUE J AI DU CORRIGER : [LISTE]

4. DONNEES : est-ce que mon code ou mes donnees sortent de mon reseau ?
   [oui / non / je ne sais pas] - source : [URL_DE_LA_PAGE_SUR_L_USAGE_DES_DONNEES]

5. COUT : [gratuit / payant : MONTANT / non documente publiquement]

6. VERDICT : [j adopte / je reteste dans 3 mois / j abandonne]
   EN UNE PHRASE : [POURQUOI]

Pourquoi c est mieux : le point 1 t empeche de juger un outil sur une demo. Le point 3 revele le vrai cout : un outil rapide mais qu il faut corriger a chaque fois te fait perdre du temps. Le point 4 est celui que ton employeur te demandera.

A retenir#

• Un outil a la fois, une semaine, sur une tache reelle. Jamais sur de la production.
• Paliers gratuits documentes le jour de la verification : GitHub Copilot, et Gemini CLI avec 60 requetes/min et 1000/jour.
• Claude Code demande un abonnement ou un compte Console : c est ecrit sur sa page d installation.
• Le serveur MCP de dbt donne un acces gouverne aux modeles, metriques et lineage : c est le plus gros gain pour un data engineer. Auto-heberge pour developper, distant pour consulter.
• Commence MCP avec les serveurs de reference Filesystem et Git : open source, sans risque, et ils t apprennent le protocole. Il n en reste que sept actifs ; les treize autres sont archives.
• Databricks Genie Code et Snowflake Cortex Code lisent le meme format Agent Skills que Claude Code : un skill ecrit une fois peut servir aux trois.
• Un skill de dix lignes qui automatise une relecture SQL rapporte plus qu un outil de plus a installer. Le name du skill doit etre identique au nom de son dossier.
• Quand une tarification n est pas documentee publiquement, ecris-le. Ne devine pas.

Sources#

• Claude Code - Overview
• Claude Code - Skills
• Claude Code - Agent SDK overview
• GitHub Copilot - Documentation
• Google - Gemini CLI
• Jupyter AI - Documentation
• Google - Write SQL with Gemini in BigQuery
• Google - NotebookLM is now Gemini Notebook
• Google - Gemini in BigQuery pricing
• dbt - About the dbt MCP server
• Databricks - Extend Genie Code with agent skills
• Snowflake - Overview of Snowflake CoCo (Cortex Code)
• Snowflake - Cortex Code extensibility (skills)
• GitHub - modelcontextprotocol/servers
• GitHub - modelcontextprotocol/servers-archived
• Official MCP Registry
• GitHub - punkpeye/awesome-mcp-servers
• GitHub - anthropics/claude-quickstarts
• OpenAI - Cookbook
• Agent Skills - Overview