Présentation et objectifs
Teradata positionne Tera comme un espace de travail agentique où les analystes, ingénieurs de données et administrateurs interagissent avec les systèmes d’entreprise via le langage naturel. L’assistant évite l’écriture de requêtes SQL ou de scripts Python, tout en respectant les règles d’accès définies par l’organisation. Cette orientation vise à réduire la dépendance aux compétences spécialisées et à accélérer la mise en œuvre de tâches data‑driven.
Architecture du moteur de contexte
Le nouveau Tera Context Engine agrège métadonnées, lignage, définitions métier et politiques d’accès provenant de bases, catalogues et pipelines sans déplacer les jeux de données. En consolidant ces informations, le moteur rend possible la traçabilité des sorties d’IA jusqu’à leurs sources d’origine et l’application automatique des mêmes contrôles de sécurité lors du transit entre systèmes. Cette approche minimise les copies de données et préserve la conformité aux politiques internes.
Orchestration et compétences des agents
Tera Harness pilote l’exécution en sélectionnant les modèles, outils et jeux de données requis pour chaque tâche. Le composant suit l’avancement sur plusieurs étapes, peut suspendre le processus pour une validation humaine et reprend automatiquement après une panne d’infrastructure. Le même module impose des contrôles avant chaque action afin de limiter les opérations non autorisées. Parallèlement, le paquet Agent Skills propose des fonctions réutilisables – génération de code SQL ou Python, optimisation de requêtes, réglage de charges de travail et dimensionnement des ressources de calcul – accessibles via le Model Context Protocol, ce qui facilite l’intégration d’outils tiers.
Performances mesurées et déploiement
Dans les tests internes de Teradata, Tera a traité le benchmark SWE‑bench Pro avec le modèle Opus 5 en consommant 73 % de tokens de moins que Claude Code, en exécutant les tâches 42 % plus rapidement et en réduisant le coût total de 58 % tout en affichant un taux de réussite supérieur. Sur le benchmark data‑eng‑bench de pipeline engineering, le coût par tâche résolue de façon fiable était 53 % inférieur à celui de Snowflake Cortex Code, selon les résultats publiés par Snowflake. Teradata précise que ces mesures reflètent les conditions de test propres à l’entreprise et ne garantissent pas les mêmes gains sur l’ensemble des charges de travail. Les nouvelles capacités seront disponibles au quatrième trimestre 2026 et pourront être exécutées dans le cloud, sur site ou dans des environnements souverains. Un service d’accompagnement AI Services aide les clients à identifier les cas d’usage, à configurer les modèles de connaissance sectorielle et à accélérer le passage en production.
