Looker MCP et agents : la couche sémantique d'abord

Serveur MCP Looker, Conversational Analytics, agents de Next '26 : ce qui est livré, pourquoi les projets agentiques échouent, les six prérequis LookML.

Yousri Majani, fondateur de Neuravoid · 6 min de lecture · Mis à jour le 18 septembre 2026

En un peu plus d'un an, Looker est passé d'une plateforme de BI dotée d'une fonction de chat à la couche sémantique que Google place sous chaque agent analytique : un serveur Model Context Protocol, Conversational Analytics en disponibilité générale, des agents de dashboard, un agent LookML dans VS Code. La promesse : n'importe quel assistant, Gemini ou Claude, peut désormais interroger vos données à travers le modèle. Le piège tient dans les trois derniers mots. L'agent vaut ce que vaut le LookML en dessous. Ce guide résume ce qui a été livré, pourquoi la plupart des projets agentiques sont encore annulés, et les six points à corriger dans le modèle avant de l'ouvrir à un agent.

Ce qui a été livré, dans l'ordre

Date	Annonce	Ce que cela signifie
9 août 2025	Looker MCP Server, bâti sur le MCP Toolbox	Gemini CLI, Claude Desktop et les autres clients MCP peuvent interroger les explores Looker à travers le modèle LookML
14 novembre 2025	Conversational Analytics en disponibilité générale dans Looker	Questions en langage naturel sur un ou plusieurs explores, avec la requête générée et le calcul expliqué
22 avril 2026, Next '26	Serveur MCP géré par Looker en preview, Dashboard Agents, Visualization Assistant en GA, une extension VS Code et un agent LookML	Le serveur est désormais hébergé par Looker ; les agents vivent dans les dashboards ; LookML lui-même reçoit un assistant
2 juillet 2026	Google cite PayPal : plus de 3 000 utilisateurs de Conversational Analytics via Claude Desktop et Looker MCP	Le premier grand déploiement où l'assistant n'est pas celui de Google

Deux choses ressortent. La première : Google ne lie pas l'agent à Gemini. Le cas PayPal tourne sur Claude Desktop, à travers le serveur MCP. La seconde : chacune de ces fonctions passe par la même porte, le modèle LookML. Quel que soit l'assistant, il choisit des champs et des filtres dans un explore, et Looker écrit le SQL.

Ce que fait réellement Looker MCP

Un serveur MCP expose des outils à un assistant. Celui de Looker expose le modèle : lister les explores, lister leurs champs avec labels et descriptions, exécuter une requête sur des dimensions et des mesures choisies, récupérer un dashboard ou un Look. L'assistant ne voit jamais un nom de table et n'écrit jamais une jointure. Il lit vos descriptions pour décider quels champs répondent à la question, exécute la requête avec les droits de l'utilisateur, et met en forme le résultat.

C'est la force de l'approche et toute sa dépendance. Un LLM qui écrit du SQL contre un entrepôt doit deviner laquelle des colonnes de chiffre d'affaires est la bonne et comment joindre commandes et clients sans doubler les lignes. À travers Looker, il choisit parmi des champs nommés, décrits, déjà joints. Si ces champs sont ambigus, dupliqués ou non documentés, il choisit quand même, et il choisit avec assurance.

Pourquoi la plupart des projets agentiques sont annulés

Gartner a prédit le 25 juin 2025 que plus de 40 % des projets d'IA agentique seraient annulés d'ici fin 2027, en citant des coûts croissants, une valeur métier floue et des contrôles de risque insuffisants. En analytique, la version concrète de cette prédiction est facile à imaginer. Un pilote est lancé sur un modèle qui contient trois mesures nommées « CA », des centaines de champs par explore et aucune description. L'agent répond vite et souvent faux. Les utilisateurs vérifient quelques réponses, trouvent un écart, et cessent de poser des questions. Le projet est ensuite clos avec la conclusion que « l'IA ne marche pas sur nos données ».

L'échec est rarement dans l'agent. Il est dans la couche sémantique vers laquelle on l'a pointé, et il était visible avant le début du pilote. C'est pourquoi l'ordre compte : auditer et corriger le modèle d'abord, connecter un assistant ensuite.

Six prérequis côté LookML

Ce sont les vérifications qui décident si un agent, via MCP ou Conversational Analytics, répondra juste.

1. Une seule mesure par indicateur

Aucune mesure dupliquée entre vues, aucun champ mort au nom voisin. Si le modèle contient deux définitions de la marge, l'agent alternera entre les deux et personne ne saura laquelle a produit une réponse donnée. La check-list d'audit LookML explique comment les trouver et les fusionner.

2. Des descriptions à jour

L'agent lit label et description pour choisir un champ. Une description qui dit ce que la mesure inclut et exclut, sa date de référence et les synonymes que les utilisateurs emploient est le changement le plus rentable que vous puissiez faire. Une description périmée est pire qu'une absence : elle conduit l'agent à une erreur assurée.

3. Les champs techniques masqués

Clés de substitution, horodatages d'ETL, colonnes JSON brutes et dimensions utilitaires doivent porter hidden: yes. Un agent à qui l'on présente un champ amount_raw à côté de net_revenue peut choisir l'un comme l'autre.

4. Des explores limités à ce qu'ils servent

Un explore par domaine métier, avec fields: qui restreint la liste à ce que les utilisateurs choisissent. Un explore étroit donne de meilleures réponses qu'un explore large, pour la même raison qu'un menu court est plus facile à commander. Conversational Analytics travaille sur un à cinq explores par agent ; gardez-les resserrés.

5. L'aggregate awareness pour le coût

Les agents génèrent beaucoup plus de requêtes que les dashboards, parce que chaque question est une nouvelle requête et que les utilisateurs itèrent. Sans tables agrégées et sans cache raisonnable, un pilote réussi devient un problème de coût BigQuery en quelques semaines. Mettez en place l'aggregate awareness sur les explores exposés avant l'arrivée du trafic, pas après.

6. Cinquante questions de référence avec leurs réponses attendues

Collectez cinquante questions réelles auprès des futurs utilisateurs et calculez la réponse attendue à la main, depuis les dashboards actuels ou en SQL. Ce jeu rend trois services : il mesure l'agent avant que quiconque l'utilise, il alimente les requêtes vérifiées qui améliorent les réponses voisines, et il fait de la décision de fin de pilote un chiffre plutôt qu'une impression.

FAQ

Looker MCP fonctionne-t-il avec Claude, ou seulement avec Gemini ?

Avec les deux. Le serveur MCP a été annoncé avec Gemini CLI et Claude Desktop comme clients, et le déploiement PayPal que Google cite en juillet 2026 tourne sur Claude Desktop.

L'agent peut-il contourner la sécurité au niveau ligne ?

Pas à travers Looker. Les requêtes s'exécutent avec les rôles, les access grants et les access_filter de l'utilisateur authentifié. C'est précisément pourquoi la sécurité doit vivre dans le modèle et non dans des dashboards filtrés à la main : tout ce qui est hors du modèle n'existe pas pour l'agent.

Et ensuite

Neuravoid livre le pilote d'agents analytiques à prix fixe, sur quatre semaines : le modèle audité et corrigé sur un domaine, un agent construit et noté sur vos questions de référence, l'accès MCP ouvert à l'assistant que votre équipe utilise, et une décision mesurée à la fin.

Voir l'offre Agents analytiques, et pour aller plus loin : Conversational Analytics Looker : les 6 prérequis et Pourquoi vos chiffres divergent.