# Comment interroger vos données IoT en langage naturel

> L'interrogation en langage naturel ancrée dans vos données IoT : pourquoi une supposition fluide est pire qu'une erreur, les deux voies sur TagoIO (TagoAI dans l'Admin et le serveur MCP pour l'assistant que vous utilisez déjà) et les contrôles de permissions et de confidentialité qui rendent le déploiement possible.

![Comment interroger vos données IoT en langage naturel](https://tago.io/og/fr/blog/query-iot-data-natural-language-ai.png)

Toutes les plateformes IoT promettent désormais que vous pouvez poser des questions à vos données en langage courant, et la promesse vaut la peine. Une personne à l'exploitation qui tape "quels congélateurs sont sortis de plage la semaine dernière" tire davantage de cette seule phrase que d'un constructeur de requêtes qu'elle n'allait jamais apprendre.

Mais l'essentiel de ce qui se présente comme de l'interrogation en langage naturel est un modèle de langage qui produit ce à quoi ressemblerait une réponse plausible, sans lire vos appareils. Une supposition fluide est pire qu'un message d'erreur, car la supposition finit dans un rapport. La meilleure manière d'interroger les données d'une plateforme IoT en langage naturel est un assistant ancré dans votre compte : un assistant qui va chercher les vraies mesures, exécute le vrai calcul en code, et peut montrer exactement ce qu'il a consulté.

## L'ancrage est tout l'enjeu

Une réponse fiable à une question sur les données a trois propriétés. Elle vient d'une requête en direct sur votre compte, pas de données d'entraînement ni de chiffres collés dans un prompt. Le calcul se fait en code, car les modèles de langage sont des calculatrices peu fiables. Et la base est vérifiable : vous pouvez voir quels appareils et quelle plage horaire ont produit le résultat. Qu'il en manque une seule, et vous avez une démonstration, pas un outil que vous présenteriez à un client.

C'est l'écart que [comble le Model Context Protocol](https://tago.io/blog/what-is-model-context-protocol-mcp-for-iot). Au lieu de coller des données dans un prompt, l'assistant appelle un outil qui interroge directement votre plateforme et calcule sur les valeurs réelles.

![D'une question en langage clair à une réponse ancrée, via le serveur MCP.](https://tago.io/images/blog/query-iot-data-natural-language-ai/natural-language-query-flow.svg)

Le modèle se diffuse dans le secteur pour de bonnes raisons. ThingsBoard livre un serveur MCP pour sa plateforme, les services d'IA des hyperscalers sont raccordés aux données d'appareils, et des passerelles open source existent pour la plupart des courtiers de messages. Le protocole est désormais la partie facile. Ce qui distingue une installation d'une autre, c'est ce que l'assistant sait faire une fois connecté, et la quantité de configuration qui vous sépare de la première réponse utile.

Sur TagoIO, cet ancrage prend deux formes, conçues pour fonctionner ensemble.

## TagoAI : l'assistant déjà présent dans votre plateforme

Pour la plupart des questions, le chemin le plus court est l'assistant qui habite là où vivent les données. TagoAI se trouve dans l'Admin TagoIO, derrière l'icône en étoile de la barre latérale. Ouvrez-le et demandez : "liste tous les appareils qui n'ont pas remonté depuis 24 heures", "quelle a été la température moyenne de chaîne du froid par tournée la semaine dernière", "quels sites ont consommé le plus d'énergie ce mois-ci". Les réponses viennent de requêtes en direct sur vos appareils, pas d'un export mis en cache.

Il tient aussi compte du contexte. Ouvrez-le depuis un dashboard ou un script Analysis et il voit ce que vous regardez : "pourquoi ce widget est-il vide" devient une question complète. Aucun identifiant à coller, aucun schéma à décrire. Au-delà de l'interrogation, il répond à des questions d'architecture ancrées dans la documentation officielle, inspecte vos Devices, Dashboards, Actions et scripts Analysis, et exécute des opérations d'analyse de données sur votre parc.

Et il franchit une limite que les outils de simple interrogation ne franchissent pas : il agit. Quand "quelles cuves sont passées sous 20 pour cent cette semaine" révèle un trou dans vos alertes, la même conversation peut rédiger le script Analysis qui signale ces cuves, écrit avec vos vrais noms de variables et formats de payload plutôt qu'en ébauche générique. Demander et corriger cessent d'être deux tâches confiées à deux personnes.

Pour les formes de question les plus efficaces et les habitudes à installer autour, il existe un [pas à pas détaillé](https://tago.io/blog/use-ai-assistant-query-live-iot-device-data).

## MCP : amenez l'assistant que vous utilisez déjà

La seconde forme existe parce qu'une grande part de votre travail ne se passe pas dans une plateforme IoT. Vous écrivez du code dans un éditeur, vous enquêtez sur des incidents dans un fil de discussion, et vous bâtissez des rapports là où la conversation se trouve déjà. Le [serveur MCP TagoIO](https://docs.tago.io/docs/tagoio/tago-ai/tagoio-mcp-ai-powered-iot-data-integration) relie un assistant externe comme Claude à votre compte TagoIO, avec des outils pour les appareils, les données, les analyses et les dashboards.

Une fois connecté, "récupère les mesures de la semaine dernière pour le site d'Austin et compare-les à la base contractuelle" est une question que vous posez en pleine conversation, et la réponse vient d'une requête en direct plutôt que du dernier export en date. Pour les développeurs, c'est la différence entre un assistant qui parle de votre système et un assistant qui le lit. La mise en place est une étape unique, décrite dans [connecter Claude et d'autres assistants IA à votre plateforme IoT](https://tago.io/blog/connect-claude-ai-assistants-iot-platform-mcp).

## Choisir entre les deux est la mauvaise question

Les deux se complètent, ils ne se concurrencent pas. TagoAI convient au travail qui se déroule dans la plateforme : explorer les données, déboguer un script, monter un dashboard, durcir une [Action](https://docs.tago.io/docs/tagoio/actions/). MCP convient aux questions qui surgissent ailleurs : dans votre éditeur, au milieu d'une analyse plus longue, dans un flux qui dépasse TagoIO.

![Deux voies ancrées vers les mêmes données en direct : une question en langage clair acheminée soit par TagoAI dans l'Admin, soit par Claude et le serveur MCP, les deux exécutant des requêtes en direct sur votre compte TagoIO](https://tago.io/images/blog/query-iot-data-natural-language-ai/natural-language-two-paths.svg)

Les équipes qui utilisent les deux trouvent vite un rythme. Les personnes de l'exploitation restent sur TagoAI parce qu'il n'y a rien à installer, et les développeurs ajoutent le serveur MCP parce que leur assistant est déjà ouvert dans une autre fenêtre.

## Ce qui rend le déploiement possible : permissions et confidentialité

Les outils en langage naturel gagnent l'adoption par la commodité et la perdent par la confiance, et c'est pourquoi les garde-fous comptent autant que les réponses.

TagoAI démarre chaque session en lecture seule. Il peut récupérer, inspecter et analyser, mais il ne peut rien modifier avant que vous n'éleviez sa permission pour cette session, et il ne crée, modifie ni supprime jamais en silence. Il agit aussi dans les limites des permissions de votre propre compte : il ne peut donc atteindre rien que vous ne puissiez atteindre vous-même. Chacune de ses actions est consignée dans l'Audit Log, avec l'auteur, l'horodatage et la nature du changement.

Côté confidentialité, les fournisseurs par défaut opèrent sous des accords qui interdisent l'utilisation de vos données pour entraîner leurs modèles. Si vous voulez un contrôle direct, apportez votre propre fournisseur d'IA : OpenAI, Anthropic, AWS Bedrock, Google Gemini ou OpenRouter, vos clés étant stockées chiffrées dans TagoIO Secrets. Apporter votre fournisseur lève également la limite mensuelle de prompts. TagoAI peut être désactivé par profil, et sur les profils de la région Union européenne il est désactivé par défaut : la décision d'envoyer des données à un modèle vous appartient toujours.

Côté MCP, le serveur agit avec le token que vous lui confiez. Restreignez ce token au cas d'usage et gardez les comptes sensibles sur des tokens en lecture seule. La conception garde tout en local sauf les appels d'API, mais la bonne hygiène des tokens reste de votre ressort.

Deux habitudes maintiennent l'ensemble fiable. Traitez l'assistant comme un analyste rapide, pas comme un oracle : demandez-lui de montrer quels appareils et quelle plage horaire il a utilisés, afin de contrôler la base de la réponse. Ancré ne veut pas dire infaillible, cela veut dire vérifiable. Et restez dans la permission la plus basse qui convient à la tâche.

## Regardez avant de déployer

Le webinaire enregistré [AI Meets IoT: A Practical Experience with TagoAI](https://tago.io/videos/ai-meets-iot-a-practical-experience-with-tagoai) déroule tout cela en direct : de vraies questions sur un vrai compte, y compris les moments où vérifier la base d'une réponse fait la différence. Voir une session de bout en bout est la façon la plus rapide de calibrer vos attentes avant de placer un assistant devant votre équipe.

## La barrière n'a jamais été la donnée

L'interrogation en langage naturel ne remplace pas vos dashboards. Les dashboards restent la surface d'exploitation. Il s'agit d'ouvrir les données à celles et ceux que le langage de requête excluait, et d'accélérer les autres. La personne à l'exploitation obtient sa réponse sans attendre un rapport. Le développeur s'épargne l'aller-retour du CSV. Et l'intégrateur peut proposer cela comme prestation, ce qui est aujourd'hui l'un des moyens les plus nets de [différencier un service géré](https://tago.io/blog/how-to-differentiate-your-iot-managed-service).

Votre plateforme détenait les réponses depuis le début. La barrière était la compétence en requêtes nécessaire pour demander. Ouvrez TagoAI depuis l'icône en étoile de votre Admin et posez la question que votre équipe fait passer par un ingénieur, ou raccordez Claude via le serveur MCP et posez-la depuis là où vous travaillez déjà. [Commencez gratuitement](https://admin.tago.io) si vous n'avez pas encore de compte, ou [réservez une démo](https://tago.io/request-demo) pour le voir sur votre propre cas d'usage.

[llms.txt](https://tago.io/llms.txt)