Traduit de l’original anglais. Les chiffres et les sources sont inchangés. Lire l’original en anglais
Grab
Les agents d'analyse de Grab répondent à davantage de demandes de données sans analyste
Grab fait tourner des agents d'IA dans Slack et dans un portail interne pour que les équipes métier posent leurs questions de données en langage courant. Grab indique que, dans un canal en libre-service, la part des demandes traitées sans aucune intervention humaine a progressé pour trois types de demandes entre mars et mai 2026.
Chiffres clés
Repris tels quels des sources. Copiez n’importe quel chiffre avec sa citation.
53 %
à 67 %
Part des questions sur les indicateurs, dans un canal Slack en libre-service, traitées sans intervention humaine (mars à mai 2026)1
63 %
à 90 %
Part des extractions de données, dans le même canal, traitées sans intervention humaine (mars à mai 2026)1
50 %
à 81 %
Part des demandes SQL, dans le même canal, traitées sans intervention humaine (mars à mai 2026)1
44 %
à 30 %
Part des tickets d'analystes clos qui relevaient d'un travail mécanique, comme la préparation des données, les alertes et le reporting (février à juin 2026)1
Ce que cela a demandé
Le coût, la taille de l’équipe et le calendrier ne sont pas communiqués dans les sources.
Le problème
Presque chaque décision chez Grab repose sur des données. Les équipes métier attendaient que les analystes préparent les données, écrivent les requêtes et construisent les rapports : la production était limitée par la vitesse de travail des analystes. Grab voulait que toute personne qui prend une décision métier obtienne immédiatement des réponses fiables.
Ce qu’ils ont construit
Grab a construit plusieurs agents d'IA pour l'analyse. Spartan répond en langage métier courant dans Slack, des questions d'analyse des causes, comme la baisse du chiffre d'affaires sur un marché, aux synthèses d'expérimentations. Scarlet intervient quand un pipeline de données échoue : il trouve la cause, puis la corrige ou la transmet à l'équipe responsable. BriX est un portail interne où les analystes configurent une seule fois un outil d'analyse sur mesure pour une équipe, puis l'exécutent dans Slack, dans un outil de code ou selon un calendrier.
Comment ils s’y sont pris
Les agents répondent à partir d'indicateurs certifiés, c'est-à-dire de définitions que Grab a validées, et non à partir de la mémoire du modèle. Spartan oriente chaque question vers l'une de plus de 50 compétences et de 120 cadres d'analyse. Un système appelé ContextIQ maintient à jour le contexte écrit de chaque indicateur, et chaque fois qu'un agent échoue en production, Grab corrige le contexte qui le sous-tend. Des ingénieurs data possèdent BriX, la plateforme et la file de support, sans chef de produit ni designer.
Résultats
Dans un canal Slack où les agents en libre-service sont activés, la part des questions sur les indicateurs traitées sans intervention humaine est passée de 53 % à 67 % entre mars et mai 2026. Les extractions de données sont passées de 63 % à 90 % et les demandes SQL de 50 % à 81 %. Grab indique aussi que la part mécanique des tickets d'analystes clos est tombée de 44 % en février à 30 % en juin, et que les délais de traitement ont diminué d'environ un tiers.
Ce qu’il faut retenir
Mesurez l'automatisation par type de demande, et non par une moyenne unique. Investissez d'abord dans les définitions et le contexte. Prévoyez ce que feront les analystes du temps récupéré.
Tous les chiffres publiés
| Indicateur | Chiffre | Citation |
|---|---|---|
| Part des questions sur les indicateurs, dans un canal Slack en libre-service, traitées sans intervention humaine (mars à mai 2026) | 53 % à 67 %1 | |
| Part des extractions de données, dans le même canal, traitées sans intervention humaine (mars à mai 2026) | 63 % à 90 %1 | |
| Part des demandes SQL, dans le même canal, traitées sans intervention humaine (mars à mai 2026) | 50 % à 81 %1 | |
| Part des tickets d'analystes clos qui relevaient d'un travail mécanique, comme la préparation des données, les alertes et le reporting (février à juin 2026) | 44 % à 30 %1 | |
| Réduction du délai de traitement des tickets (T1 contre T2, d'après le graphique de Grab) | ~33 %1 | |
| Croissance de l'usage du portail BriX depuis septembre 2025 | plus de 10 fois1 |
Enseignements pour votre projet
Suivez la part des demandes closes sans intervention humaine, par type de demande. Grab distingue les questions sur les indicateurs, les extractions de données et le SQL, ce qui montre où les agents sont les plus performants.
Faites certifier les définitions des indicateurs avant d'ajouter des agents. Grab affirme que des définitions floues causent l'essentiel des mauvais résultats d'analyse, et corrige les documents de contexte chaque fois qu'un agent échoue.
Placez les agents là où les gens demandent déjà de l'aide. Le canal Slack de Grab est surtout utilisé par des personnes extérieures à l'équipe d'analyse.
Réaffectez volontairement le temps libéré des analystes. Grab l'a orienté vers des parcours en libre-service et des analyses plus poussées, et mesure la part mécanique des tickets.
Réserves
- Tous les chiffres viennent de Grab, dans un seul article de son blog d'ingénierie. Aucun tiers ne les confirme.
- L'article ne nomme pas les modèles d'IA derrière Spartan, Scarlet ou BriX. Il mentionne un outil de conception appelé Claude Design, uniquement pour l'interface du portail, ce qui n'indique pas quel modèle fait tourner les agents.
- L'article précise que certaines explorations tournent en production et d'autres restent des expérimentations. Il ne dit pas lesquelles et ne donne aucune date de lancement. La date de déploiement affichée est celle de l'article.
- Le chiffre de délai de traitement est indiqué comme ~33 % et s'appuie sur un graphique T1 contre T2 qui n'était pas lisible dans le texte. Les chiffres par canal portent sur un seul canal Slack, pas sur l'ensemble du travail d'analyse.
- Grab donne aussi une estimation de 230 à 470 jours ouvrés d'arriérés évités. Elle repose sur une hypothèse de 1 à 2 jours par ticket et n'est donc pas retenue ici.
- Aucun coût, aucune taille d'équipe ni aucun temps de construction n'est donné pour les agents eux-mêmes.
Sources
- How AI is transforming analytics at Grab
Grab Engineering Blog · 2026-08-01 · Blog de l’entreprise · engineering.grab.com
Résumé dans nos propres mots à partir des sources ci-dessus. Une erreur ? Consultez les corrections.