En bref
PromptQL est l'agent de données IA de Hasura : vous le pointez vers vos bases de données, entrepôts de données et outils, puis vous posez des questions et construisez des workflows en anglais courant. Il a été lancé mi-2025 comme "le successeur spirituel de GraphQL", et en 2026 la page d'accueil l'a repositionné comme un "agent IA multijoueur" avec des fils partagés et un cerveau d'équipe partagé. Deux descriptions, un seul moteur en dessous.
L'idée à retenir est celle-ci : PromptQL n'utilise le modèle que pour écrire un plan de requête, puis exécute ce plan comme du code réel (Python et SQL) en dehors du modèle. C'est pourquoi il peut parler de reproductibilité plutôt que d'espérer que le LLM fasse le calcul de tête. Le marketing des "100 % de précision" est exagéré (Hasura le reconnaît lui-même), mais l'architecture planifier-puis-exécuter est la vraie histoire, et elle convient aux équipes data et analytics avec des données désordonnées réparties sur plusieurs systèmes, pas à quelqu'un qui veut un chatbot clé en main.
La tarification est purement à la consommation : 0,20 $ par OLU (0,14 $ en tarif de lancement), gratuit pour démarrer, Enterprise sur devis. Si vous avez atterri ici en tant qu'équipe support en espérant que PromptQL réponde à vos tickets, ce n'est pas le bon type d'outil, et j'expliquerai pourquoi à la fin. Pour l'idée d'un "agent ancré dans les faits qui montre son travail" appliquée au helpdesk, c'est plus proche de ce sur quoi je travaille chez eesel AI.
Ce qu'est réellement PromptQL
Je passe mes journées à observer comment les gens cherchent des outils comme celui-ci, et "qu'est-ce que PromptQL" est une requête étonnamment chargée, car le produit correspond à deux descriptions différentes selon le moment où vous avez regardé le site.
PromptQL vient de Hasura, l'entreprise derrière le moteur GraphQL open source qui a dépassé les 100 millions de téléchargements en deux ans. Les fondateurs Tanmai Gopal et Rajoshi Ghosh ont levé une Série B de 25 M$ et une Série C de 100 M$, et fin 2025, VentureBeat décrivait l'entreprise comme une activité valant plus d'un milliard de dollars vendant des "ingénieurs IA à 900 $/heure". Le point de vue de Tanmai est que le client de vos données a changé :
"Nous avons réalisé que les applications ne sont plus la chose la plus importante qui a besoin d'accéder aux données. L'avenir, c'est l'IA qui parle aux données, l'IA qui accède aux données pour le compte de l'utilisateur."
Le discours de 2025 était donc celui d'une couche fiable en langage naturel au-dessus des données d'entreprise, positionnée face au text-to-SQL, au tool-calling et au RAG. Puis la page d'accueil a changé. Aujourd'hui, promptql.io met en avant "un agent IA multijoueur, pensez à Claude ou ChatGPT, mais avec des fils partagés et un cerveau partagé", et le problème central est la dégradation du contexte à travers Slack, les documents, les tickets, le CRM et les tables de l'entrepôt de données. Les références citées sont lourdes : Cisco, McDonald's, Instacart, Swiggy et Lightspeed.
Les deux descriptions sont vraies, et elles renvoient au même moteur. Mais si vous arrivez sans contexte, vous penseriez que PromptQL est un outil de connaissance d'équipe un peu comme Glean ou une base de connaissances interne partagée. Sous le capot, c'est toujours un agent de données, et la tarification, la documentation et les benchmarks tournent tous autour de ce moteur, pas de l'enrobage wiki. Si vous ne devez retenir qu'une chose de cette explication, que ce soit celle-ci.
Comment fonctionne PromptQL : planifier d'abord, exécuter ensuite
C'est la partie qui rend PromptQL digne d'être expliqué plutôt que balayé d'un haussement d'épaules. La plupart des outils "IA sur vos données" confient toute la tâche au modèle en une seule fois : lire les données, faire les calculs, écrire la réponse, tout dans une seule fenêtre de contexte. PromptQL scinde cela en deux.
Lorsque vous posez une question dans le Playground, PromptQL renvoie d'abord un plan de requête : une décomposition étape par étape, en langage simple, de la façon dont il va extraire, filtrer et traiter vos données, y compris les hypothèses qu'il formule. Vous pouvez le lire et le modifier, auquel cas PromptQL "s'en souvient et s'autocorrige pour les futurs fils". Cette transparence est le point à ne pas négliger : vous voyez le plan avant que la moindre donnée ne bouge.
Le plan s'exécute ensuite comme du code réel. PromptQL récupère vos données et les organise avec Python, et vous pouvez développer chaque étape pour voir le code Python et SQL réel exécuté sur votre source. C'est la phrase sur laquelle repose tout le produit :
"Au lieu de générer des réponses, nous générons des plans dans un langage propre à votre domaine, spécifique à votre entreprise. Ces plans se compilent en actions déterministes avec des validations à l'exécution et des contrôles de politique."
Les résultats arrivent sous forme d'artefacts : tableaux structurés, texte ou graphiques qui vivent en dehors du contexte du modèle et sont référencés par les étapes suivantes. C'est l'astuce intelligente pour la mise à l'échelle, car cela signifie que PromptQL peut travailler sur des données bien plus grandes qu'une fenêtre de contexte sans que le modèle en perde silencieusement le fil. Le travail sémantique (classer, résumer, extraire, visualiser) est géré par des primitives IA restreintes qui s'exécutent chacune isolément avec un contexte ciblé, de sorte que le LLM ne raisonne jamais que sur une petite portion bien délimitée.
Enfin, chaque réponse reçoit un score de fiabilité construit à partir de la complexité de la requête, de la précision des données et de la confiance du modèle, avec des notes sur ce que l'analyse a inclus ou non. Si le score est faible, vous le corrigez, et la correction reste valable pour la prochaine fois. Venant du monde du support, ce schéma est familier : c'est le même instinct derrière la prévention des hallucinations, où le système devrait vous dire quand il n'est pas sûr plutôt que de deviner avec aplomb.
Le problème que PromptQL résout réellement
Pour comprendre pourquoi planifier-puis-exécuter compte, il suffit de voir à quel point les modèles bruts se débrouillent mal sur de vraies questions de données. Tanmai renvoie au Berkeley Data Agent Benchmark, où les modèles de pointe se situent bien en dessous de ce qu'une démo laisserait croire.
Sur de vraies questions de données, le benchmark de Berkeley place Opus 4.6 à 43 %, Gemini 3 Pro à 38 % et GPT-5.2 à 25 %, tandis que la génération pure de requêtes de base de données atteint "près de 0 %". La lecture du benchmark lui-même est que les agents "sélectionnent généralement les bonnes données, mais échouent à planifier le calcul ou à l'implémenter correctement". C'est exactement l'écart que cible la séparation planifier-exécuter, et c'est pourquoi le fondateur martèle un mot :
"Le plus gros problème n'est pas de ne pas pouvoir répondre précisément à la question. Le gros problème, c'est que l'IA prétend être précise même quand elle ne l'est pas. Donc l'IA a tort avec assurance. C'est ça, le problème."
Hasura regroupe les échecs en quatre modes, et cette matrice 2x2 est la chose la plus utile à intérioriser avant d'évaluer n'importe quel outil d'analyse de données par IA, PromptQL ou un autre.
Venons-en maintenant au titre des "100 % de précision". Hasura est d'une honnêteté rafraîchissante en admettant qu'il s'agit d'un appât : l'entreprise concède qu'une "affirmation de 100 % de précision ne tient techniquement pas la route", et l'affirmation réelle est celle de 100 % de reproductibilité, car le calcul s'exécute dans le code, pas via le raisonnement du modèle. Sur les tâches plus restreintes de base de données et numériques CRMArena-Pro, ils rapportent 100 % contre 30 à 60 % cités pour les approches de pointe. Lisez le chiffre rond comme un point de départ à la conversation, et la reproductibilité comme la fonctionnalité réelle.
Ce à quoi PromptQL se connecte, et ce qu'il peut faire
Être un agent IA n'est utile que s'il atteint vos données, et c'est là que l'héritage Hasura de PromptQL porte ses fruits. Il repose sur Hasura DDN, de sorte qu'un supergraphe assemble plusieurs sous-graphes, et les relations "n'ont pas besoin d'être adossées à la même source de données". En termes simples, il peut relier Postgres à une API SaaS et raisonner sur les deux à la fois, ce qui est précisément le point de rupture des outils conçus uniquement pour Snowflake ou un seul entrepôt de données.
La liste des connecteurs natifs est longue : PostgreSQL, MySQL, SQL Server, Oracle, Snowflake, Amazon Redshift, BigQuery, MongoDB et Databricks, plus des sources HTTP/API, la recherche web en temps réel et l'interopérabilité via MCP. L'enrobage 2026 ajoute une couche de contexte auto-construite qui alimente un wiki d'équipe à partir de Slack, Google Docs, PostHog et Salesforce, conserve un historique des révisions et des pistes d'audit, et applique des accès délimités.
Deux capacités méritent d'être soulignées car elles changent ce que devient "poser une question" :
- Des automatisations qui deviennent de vraies API. Une fois qu'un workflow tourne dans le Playground, vous le déployez comme un endpoint HTTP appelable depuis Zapier, Slack, des cron jobs ou vos propres applications, sans code. Un fil ponctuel devient un processus métier reproductible.
- Apportez votre propre modèle. PromptQL fonctionne avec n'importe quel LLM, de Claude et GPT aux modèles à poids ouverts comme DeepSeek, Kimi K2 et GLM. Vous pouvez changer de modèle par fil, et, comme nous le verrons, ce menu déroulant est le levier le plus important sur votre facture.
Combien coûte PromptQL
PromptQL n'a aucune tarification par siège. Il est 100 % basé sur la consommation, facturé dans une unité normalisée appelée OLU (Operational Language Unit), qui regroupe les tokens d'entrée, de sortie, de cache et de création de cache sur tous les modèles en un seul chiffre cohérent, afin que votre facture ne change pas de forme lorsque vous changez de modèle.
| Offre | Prix | Unité facturable | Ce que vous obtenez |
|---|---|---|---|
| Crédits gratuits | 50 $ par projet, +20 $ par coéquipier | OLU | Aucune carte requise ; suffisant pour des milliers de tâches simples sur un modèle à poids ouvert |
| Starter | 0,20 $ par OLU (0,14 $ en tarif de lancement, au prix coûtant) | OLU | Paiement à l'usage, solde prépayé, mise en pause automatique à zéro, quotas par utilisateur ; tout inclus (tokens + infra + sandbox) |
| Enterprise | Sur mesure, contactez les ventes | OLU | Ajoute SSO, BYOC/VPC, réseaux privés, LLM personnalisés, pistes d'audit, ingénieurs déployés sur site |
Les coûts typiques par tâche cités par Hasura (au tarif de 0,14 $) sont honnêtes et modestes : moins de 2 OLU pour une tâche de données simple (moins de 0,28 $), environ 10 OLU pour un rapport complexe (~1,40 $) et environ 40 OLU pour une investigation approfondie (~5,60 $).
Voici le piège, et c'est ce que la plupart des articles sur "qu'est-ce que PromptQL" passent sous silence. Le prix par OLU est fixe, mais le modèle que vous choisissez change le nombre d'OLU consommés par une tâche, et l'écart est énorme. Face à une base Claude Opus 4.6 de 1,0x, GPT-5.2 tourne à 0,42x, Kimi K2.7 à 0,17x, et DeepSeek V4 Flash aussi bas que 0,018x, ce que Hasura présente comme jusqu'à 57 fois moins cher pour le même travail. Le même rapport peut donc coûter quelques dollars ou quelques centimes selon uniquement le menu déroulant du modèle. Entrez vos propres chiffres :
Le message à retenir est une habitude, pas un chiffre : sur PromptQL, choisir un modèle à poids ouvert pour les tâches routinières fait la différence entre une erreur d'arrondi et une vraie ligne budgétaire. C'est le même raisonnement de coût total de possession que nous appliquons aux coûts des agents IA, avec le menu déroulant du modèle comme molette.
À qui s'adresse PromptQL (et à qui il ne s'adresse pas)
Après avoir vécu dans la documentation, les captures d'écran du Playground et la page de tarification, le constat honnête est que PromptQL récompense un type d'équipe précis et frustre tous les autres.
Il convient aux équipes data ou analytics avec des données désordonnées réparties sur plusieurs systèmes, de véritables exigences de fiabilité, et l'appétit technique pour modéliser une couche sémantique. La mise en place est un vrai projet data (connecteurs, métadonnées HML, la CLI DDN), donc ce n'est pas plug-and-play, mais la récompense est un agent dont chaque étape (plan de requête, Python/SQL, artefacts, score de fiabilité) est inspectable. La conception planifier-puis-exécuter est la réponse la plus crédible que j'aie vue face à l'IA qui a tort avec assurance sur vos propres données.
Il ne convient pas si vous vouliez un assistant clé en main, si vous êtes une petite équipe sans data engineer, ou si votre vrai travail est le support client. Un point à signaler pour quiconque l'évalue : la présence publique de PromptQL est mince, avec aucun avis G2 ou Capterra pour l'instant, et ses deux lancements officiels Show HN n'ont attiré presque aucune attention (six points et quatre commentaires pour l'un, six points et un commentaire pour l'autre). Sa propre base de développeurs est en revanche enthousiaste quant à la direction prise :
"I have built and managed more than 10 production codebases that use Hasura. IMO, I think it's a better option than Supabase, Payload, and others to build your backend. The fact that they are investing time in LLM-related resources for the platform makes me happy we choosed it back when."
Essayez eesel pour la version support de cette idée
Si vous avez lu jusqu'ici parce que l'idée d'un "agent ancré dans les faits qui montre son travail et vous dit quand il n'est pas sûr" vous a parlé, mais que vos données vivent dans un helpdesk plutôt que dans un entrepôt de données, c'est exactement le problème sur lequel je travaille chez eesel AI. PromptQL apporte la discipline planifier-puis-exécuter au monde de l'analyse de données ; eesel apporte le même instinct "ne devine pas, ancre-le, prouve-le d'abord" au support.
Concrètement : eesel se connecte à votre Slack, à votre helpdesk et à des sources de connaissances comme Confluence et Notion, répond à partir de ces connaissances avec des citations, escalade plutôt que d'halluciner, et, la partie que je ne mettrais pas en production sans elle, simule sur vos anciens tickets avant de jamais répondre à un vrai client. Sur plus de 8 000 clients, il résout une vraie part du volume de niveau 1 dès le premier mois, et la tarification est au paiement à l'usage sans frais par siège. Si PromptQL est le coéquipier data fiable, eesel est le coéquipier support fiable.
Vous pouvez essayer eesel gratuitement, connecter une source en quelques minutes et lancer une simulation avant de vous engager à quoi que ce soit.
