PromptQL

Qu'est-ce que PromptQL ?

PromptQL, développé par Hasura, est une plateforme IA multijoueur conçue pour donner aux équipes un cerveau partagé plutôt que des sessions de chat isolées. Elle puise le contexte dans Slack, les documents, les tickets, le CRM et les tables de l'entrepôt de données, puis transforme les corrections apportées pendant le travail réel en connaissances d'équipe réutilisables, stockées dans un wiki façon Wikipédia. Plutôt que de demander aux équipes de mettre à jour la documentation séparément, PromptQL capture directement les connaissances organisationnelles au fil du travail, afin que la précision et le contexte s'accumulent dans le temps plutôt que de se dégrader.

Fonctionnalités clés

• Threads et contexte partagés

  Les membres de l'équipe travaillent dans des threads de conversation IA partagés, afin que les décisions, corrections et raisonnements restent visibles pour tous au lieu de rester enfermés dans des discussions individuelles.

• Wiki auto-construit

  Génère et met à jour automatiquement une base de connaissances façon Wikipédia à partir de Slack, Google Docs, Snowflake, du CRM et des données d'analyse produit, avec citations et historique des révisions.

• Apprentissage par correction

  Lorsqu'un membre de l'équipe corrige une réponse ou précise une source de données, PromptQL transforme cette correction en une compétence réutilisable ou en une mise à jour du modèle sémantique pour les futures requêtes.

• Accès à portée contrôlée

  Accorde des niveaux de visibilité différents sur le wiki partagé selon les équipes internes, les clients ou les collaborateurs externes, avec des permissions de consultation et d'édition précises.

• Agents AI Analyst

  Répond en langage clair à des questions métier complexes en raisonnant à travers différents silos de données, en validant les conclusions et en signalant les incertitudes, comme le ferait un analyste expérimenté.

• Accès aux données et planification des requêtes

  Se connecte à des sources de données structurées, non structurées et basées sur des API, en construisant des plans de requête inspectables qui réessaient et s'autocorrigent pour réduire les résultats hallucinés.

Cas d'utilisation

• Analyse du risque de churn : Les équipes de Customer Success peuvent évaluer rapidement le risque de renouvellement en combinant les tendances d'usage, le ressenti des tickets support et les connaissances déjà acquises par l'équipe, le tout dans un même thread.
• Reporting métier : Les analystes et opérationnels obtiennent des chiffres précis et à jour, comme le revenu par région, en corrigeant automatiquement les sources de données obsolètes grâce aux corrections précédentes de l'équipe.
• Onboarding avec contexte compte client : Les nouveaux membres de l'équipe peuvent générer en quelques secondes un wiki complet d'un compte en s'appuyant sur Slack, le CRM et les données d'analyse produit liées à un client spécifique.
• Partage de connaissances entre équipes : Les équipes support, ingénierie et Customer Success collaborent dans le même thread, évitant les investigations en double et les explications répétées.
• Décisions opérationnelles en temps réel : Les category managers et commerciaux obtiennent des réponses métier fiables et instantanées, sans attendre dans la file d'une équipe d'analystes.

FAQ