Vos appareils transmettent. Températures, niveaux de batterie, positions, temps de fonctionnement : tout cela afflue dans votre compte TagoIO et y reste, prêt à être interrogé. Et lorsqu’un membre de votre équipe pose une question opérationnelle simple, les données permettant d’y répondre existent déjà.
Mais obtenir la réponse est rarement aussi simple que la question. “Quels appareils n’ont pas donné signe de vie depuis hier ?” ressemble à une formalité. En pratique, cela implique d’ouvrir la plateforme, de filtrer les appareils, de vérifier les horodatages de dernière entrée, peut-être d’écrire un petit script Analysis ou de configurer un widget de dashboard. Les données sont là, juste devant vous, mais le chemin de la question à la réponse passe encore par la construction de requêtes, le scripting ou le travail de dashboard.
D’où l’idée : connectez un assistant IA à vos données TagoIO via le Model Context Protocol, et il vous suffit de demander. Le serveur MCP de TagoIO relie des assistants comme Claude, ChatGPT et Cursor directement à votre déploiement. Vous tapez la question en langage courant, l’assistant lit vos véritables appareils et données, puis il répond, ou il génère le script ou le dashboard que vous auriez construit à la main. Cet article montre à quoi cela ressemble en pratique.
Ce parcours suppose que la connexion MCP est déjà en place. Si ce n’est pas le cas, commencez par notre guide de configuration, Comment connecter Claude et d’autres assistants IA à votre plateforme IoT via MCP, puis revenez ici.
Tâche 1 : les vérifications rapides d’état
Les questions les plus courantes sont aussi les plus simples. Vous voulez connaître l’état actuel de votre parc sans parcourir des listes d’appareils.
Invite : “Quels appareils n’ont pas transmis au cours des dernières 24 heures ?”
L’assistant interroge vos appareils via la connexion MCP, compare l’horodatage de la donnée la plus récente de chacun aux dernières 24 heures, et renvoie la liste. Vous obtenez les noms des appareils et la durée de silence de chacun, dans le chat, en quelques secondes. Aucun filtre à configurer, aucun widget à construire.
C’est là que les requêtes en langage courant brillent. La question change légèrement à chaque fois (“les 6 dernières heures”, “uniquement les passerelles”, “dans le groupe entrepôt”), et vous n’avez rien à reconstruire pour poser la version suivante. Il suffit de la taper.
Tâche 2 : les synthèses et les agrégations
L’étape suivante consiste à demander des calculs sur une plage de données : moyennes, totaux, comptages regroupés par attribut.
Invite : “Montre-moi la température moyenne par zone pour la semaine dernière.”
L’assistant récupère l’historique pertinent des appareils, regroupe les relevés par zone, calcule la moyenne de chacune et présente le résultat sous forme de petit tableau. Si vous préférez une ventilation par jour plutôt qu’une moyenne hebdomadaire, vous le dites et il s’adapte.
C’est réellement précieux pour l’exploration. Vous fouillez dans les données, vous vous faites une idée, vous décidez de ce qui compte. Pour un aperçu rapide du type “comment s’est passée la semaine dernière”, demander est plus rapide que construire un graphique. Gardez à l’esprit que l’assistant synthétise ce qu’il récupère : pour tout ce que vous allez rapporter ou sur quoi vous allez agir, il vaut mieux recouper les chiffres avec la plateforme.
Tâche 3 : repérer les anomalies
Parfois, la question n’est pas “quelle est la moyenne” mais “qu’est-ce qui cloche”. Vous traquez la valeur aberrante, ce qui ne devrait pas se produire.
Invite : “Quelles palettes de la zone C sont restées immobiles plus de 72 heures ?”
C’est une question plus exigeante. L’assistant doit examiner les données de position ou de mouvement par appareil, déterminer depuis combien de temps chaque palette occupe sa position, puis filtrer sur la zone C et le seuil de 72 heures. Il lit vos données, raisonne sur la condition et vous donne la liste des palettes correspondantes, avec la durée d’immobilisation de chacune.
Pour une investigation ponctuelle, cela vaut mieux qu’écrire une requête à la main. Vous décrivez la condition avec des mots au lieu de la traduire en code. N’oubliez pas que l’assistant peut se tromper sur une logique de ce genre : si la réponse motive une décision, vérifiez vous-même quelques-uns des éléments signalés avant d’agir.
Tâche 4 : générer un script Analysis
Jusqu’ici, l’assistant répondait à des questions. Il peut aussi construire des choses. Les scripts Analysis de TagoIO sont du JavaScript serverless qui s’exécute sur votre compte, et en décrire un en langage courant est souvent plus rapide que de partir d’un fichier vierge.
Invite : “Écris un script Analysis qui signale un niveau de batterie inférieur à 15 pour cent.”
L’assistant génère un script Analysis en JavaScript qui lit les données de batterie de vos appareils, compare chaque relevé au seuil de 15 pour cent et signale ceux qui sont en dessous. Il peut relier la logique à une Action pour qu’une batterie faible déclenche une alerte, puisque les Actions et les alertes font partie de la même plateforme qu’il peut consulter.
Voici la partie honnête : traitez le script généré comme un premier jet, pas comme un déploiement abouti. Il vous donne un point de départ fonctionnel et vous épargne le code répétitif, mais vous devez le lire, confirmer qu’il référence les vrais noms de vos appareils et variables, et le tester avant qu’il ne s’exécute sur des données réelles. L’assistant peut se tromper, et un script que vous n’avez pas relu est un script auquel vous ne pouvez pas vous fier.
Tâche 5 : construire un dashboard
L’assistant peut aussi mettre en place un Blueprint Dashboard à partir d’une description, ce qui est pratique quand vous voulez une mise en page de départ rapidement.
Invite : “Construis un dashboard pour mes appareils de chaîne du froid.”
L’assistant examine vos appareils de chaîne du froid, sélectionne les variables pertinentes comme la température et la batterie, puis génère un dashboard dont les widgets sont disposés pour elles. Vous obtenez quelque chose à regarder et à ajuster plutôt qu’une page blanche.
C’est un excellent moyen de surmonter le syndrome de la page blanche. Mais cela mène droit au point d’honnêteté le plus important de tout cet article, alors abordons-le de front.
Quand demander, et quand construire
Les requêtes en langage naturel excellent dans un ensemble précis de tâches : questions ponctuelles, exploration, investigations isolées, et génération d’un premier jet de script ou de dashboard. Leur force, c’est que vous ne vous engagez sur rien. Chaque question peut être différente, et vous n’avez jamais à construire d’infrastructure pour poser la suivante.
Un dashboard enregistré est préférable pour un autre type de tâches. Pour une métrique que votre équipe consulte chaque jour, la même vue tous les matins, un dashboard construit est plus rapide et plus fiable. Il se charge instantanément, il affiche toujours la même chose, il ne dépend pas de la formulation correcte d’une requête par un assistant, et il ne vous coûte pas un aller-retour par une interface de chat. Si vous vous surprenez à poser chaque jour la même question à l’assistant, c’est le signal qu’il faut construire le dashboard une bonne fois et cesser de demander.
La règle est donc simple. Utilisez le langage courant quand la question est nouvelle, occasionnelle ou exploratoire. Construisez un dashboard ou une Analysis enregistrée quand la question est récurrente et opérationnelle. Les deux ne sont pas en concurrence. L’assistant est souvent le moyen le plus rapide de déterminer ce que votre dashboard quotidien devrait contenir, justement.
Et au sujet du code généré : tout ce que l’assistant écrit, un script Analysis ou une configuration de dashboard, est un brouillon qui vous appartient. Relisez-le, testez-le, confirmez qu’il correspond aux vrais noms de vos appareils et variables, puis déployez. L’assistant est un collaborateur rapide, pas un collaborateur livré à lui-même.
Ce que l’assistant peut atteindre
Une fois connecté via MCP, l’assistant travaille sur les mêmes briques que vous utilisez dans la plateforme : les Devices avec leur historique et leurs données, les scripts Analysis, les Blueprint Dashboards, les Actions et les alertes, et l’API REST. C’est pourquoi il peut à la fois répondre à des questions sur votre déploiement et générer les scripts et dashboards que vous construiriez autrement à la main.
Pour conclure
Les données qui répondent à vos questions opérationnelles sont déjà dans TagoIO. La friction n’a jamais été les données ; c’était la construction de requêtes, le scripting et le travail de dashboard entre vous et la réponse. Connecter un assistant IA via MCP supprime cette friction pour les questions qui ne justifient pas de construire quoi que ce soit. Demandez en langage courant, obtenez la réponse ou un premier jet de script ou de dashboard, et réservez vos efforts de construction de dashboard aux métriques que vous surveillez chaque jour.
Utilisez l’assistant là où il est fort, gardez vos dashboards enregistrés pour ce qu’ils font de mieux, et relisez tout ce qu’il génère avant la mise en production.
