J’ai passé les six derniers mois à construire des automatisations Claude Code pour mes workflows dbt. Commandes personnalisées, skills, fichiers CLAUDE.md, tout l’arsenal. Puis OpenClaw a explosé et tout le monde s’est mis à demander : est-ce qu’il faut changer ?
Après avoir testé les deux outils en profondeur pour le développement dbt, ma réponse ne se résume pas à “choisissez-en un.” Ces outils interviennent à des couches différentes d’un workflow, et les analytics engineers qui en tirent le plus de valeur utilisent les deux.
Deux outils différents
Les deux outils utilisent des LLMs, les deux peuvent exécuter des commandes shell, et les deux peuvent modifier des fichiers de modèles dbt. Mais l’architecture sous-jacente est fondamentalement différente.
Claude Code est un agent de développement par session. On ouvre un terminal, on démarre une session, on travaille en profondeur sur un problème (refactoring d’un ensemble de modèles, debug d’un pipeline en échec, construction de quelque chose de nouveau), puis on ferme. Il a accès à tous les fichiers du projet et peut exécuter dbt build, lire les erreurs, les corriger, et itérer. Mais il ne fonctionne que lorsqu’on l’utilise activement.
OpenClaw est un agent autonome permanent. Il tourne 24h/24 en tant que daemon sur votre machine, connecté à vos applications de messagerie. Vous pouvez lui envoyer un message depuis votre téléphone à minuit et il agit. Il dispose d’un scheduler cron intégré, d’une mémoire persistante sur des semaines, et d’un système de heartbeat qui lui permet de décider quand agir de lui-même.
La meilleure analogie que j’ai : Claude Code est un chirurgien et OpenClaw est un infirmier de nuit. Le chirurgien fait un travail précis et de haute concentration pendant des sessions planifiées. L’infirmier de nuit surveille les constantes en permanence et vous appelle quand quelque chose nécessite votre attention. On a besoin des deux dans l’équipe.
| Dimension | Claude Code | OpenClaw | |
|---|---|---|---|
| Mode de fonctionnement | Par session, initié par l’utilisateur | Daemon permanent, proactif | |
| Mémoire | Reset entre les sessions (CLAUDE.md pour la continuité) | Persistante sur des semaines/mois | |
| Interface | Terminal/CLI, intégration IDE | WhatsApp, Slack, Telegram, 15+ canaux | |
| Périmètre | Axé développement | Automatisation généraliste | |
| Dépendance modèle | Anthropic Claude uniquement | Agnostique (BYOK) | |
| Modèle de coût | Abonnement Anthropic ou API | Logiciel libre + vos propres clés API | |
| Sécurité | Garde-fous enterprise | Risques significatifs | |
| Outillage dbt | Écosystème mature (Skills, MCP, hooks) | Stade précoce (ClawData, custom skills) |
Là où Claude Code domine pour dbt
Pour le travail concret de développement dbt (écriture de modèles, refactoring, debug), Claude Code est le meilleur outil, et de loin.
Refactoring multi-fichiers complexe. Quand j’ai besoin de restructurer un ensemble de modèles, renommer des colonnes à travers une chaîne de lineage, ou migrer d’une couche de modélisation à une autre, Claude Code gère ça en une seule session. Opus 4.6 avec la compaction de contexte lui permet de garder en tête la structure complète d’un projet tout en effectuant des modifications coordonnées sur des dizaines de fichiers.
Boucles de debug itératives. L’architecture par session a un vrai avantage ici. Claude Code exécute dbt build, lit les messages d’erreur, identifie le problème, modifie le modèle, relance. Cette boucle build-fail-fix-rebuild est exactement ce pour quoi un agent en terminal est conçu. OpenClaw peut exécuter dbt test, mais il n’est pas fait pour l’itération rapide que le debug exige.
Un écosystème dbt mature. Le vrai avantage de Claude Code pour le travail data en ce moment, c’est l’outillage construit autour de lui. dbt Labs a publié des Agent Skills officiels, des fichiers markdown qui apprennent aux agents IA à suivre les bonnes pratiques dbt. Leurs benchmarks ont montré que les Skills amélioraient la précision de Claude Code sur l’ADE-bench de 56% à 58,5%. Ce gain semble modeste, mais sur un benchmark où la plupart des outils plafonnent, c’est significatif.
Le serveur MCP dbt expose la Semantic Layer, les métadonnées du projet et les commandes CLI directement à Claude Code. Les Skills open-source d’Altimate pour dbt et Snowflake ont obtenu une amélioration de 19% sur des tâches data réelles et une exécution SQL 22% plus rapide sur les benchmarks TPC-H. Cet écosystème d’outillage n’existe pas encore pour OpenClaw.
La mémoire projet via CLAUDE.md. Chaque projet dbt sur lequel je travaille a un CLAUDE.md qui capture les conventions de nommage, les particularités du warehouse, les standards de colonnes et les patterns spécifiques au projet. Quand je démarre une nouvelle session Claude Code, ce contexte se charge automatiquement. Ce n’est pas de la vraie mémoire persistante (Claude Code reset toujours entre les sessions), mais ça comble suffisamment le vide pour du travail de code.
Les commandes et skills personnalisés que j’ai construits gèrent les tâches dbt répétitives : audit de la documentation des modèles, génération de base models à partir de schémas sources, vérifications pre-commit. Ce sont exactement les workflows où un outil par session avec un accès profond au projet surpasse un agent généraliste.
Mais Claude Code n’est pas parfait pour dbt, et les limites méritent d’être comprises. Une étude de cas détaillée de Recce a documenté ce qui se passe quand on laisse Claude Code construire un projet dbt complet de bout en bout, de l’ingestion Snowflake aux base models, intermediates et marts. Les résultats étaient impressionnants en surface : il a respecté les conventions de nommage, utilisé des CTEs, rendu les tables incrémentales sans qu’on le lui demande, et créé son propre plan de vérification.
Les problèmes étaient subtils. Il a utilisé des inner joins là où des left joins étaient nécessaires, filtrant silencieusement les enregistrements avec des foreign keys nulles. Il a reconstruit une dimension date qui existait déjà dans le projet. Il a fait des requêtes depuis les base models au lieu des tables intermediates. Ce sont des choix de jugement qui nécessitent une compréhension du contexte métier, pas seulement de la syntaxe SQL. Comme l’équipe de Recce le résume : “L’analytics engineering assistée par IA n’est pas un problème de prompting. C’est un problème d’infrastructure.”
Là où OpenClaw comble le vide
La valeur d’OpenClaw pour le travail dbt vient de tout ce qui entoure le code, pas du code lui-même.
Monitoring planifié. C’est le vide le plus évident que Claude Code ne peut pas combler. On peut configurer un cron job dans OpenClaw pour exécuter dbt test chaque matin à 7h, parser les résultats, et envoyer un résumé sur votre channel Slack. Claude Code ne peut pas faire ça parce qu’il faut démarrer une session. Personne n’ouvre un terminal à 7h tous les matins pour lancer manuellement un test et commencer un diagnostic.
La syntaxe cron est simple :
openclaw cron add \ --name "dbt test monitor" \ --cron "0 7 * * *" \ --tz "Europe/Paris" \ --session isolated \ --message "Run dbt test and summarize any failures." \ --announce \ --channel slack \ --to "channel:C1234567890"Alertes multi-plateformes. Quand ces tests dbt échouent, OpenClaw peut router le résumé des échecs vers Slack, Telegram, WhatsApp, ou n’importe lequel des 15+ canaux qu’il supporte. Si vous gérez plusieurs clients, les alertes de chaque client peuvent aller vers leur channel dédié.
Mémoire persistante dans le temps. OpenClaw suit le contexte sur des jours et des semaines grâce à son système de mémoire en Markdown. Si un test dbt particulier a échoué trois fois cette semaine, il le sait. Il peut faire remonter des patterns que vous rateriez quand chaque session de debug repart de zéro.
Automatisation hors-code. Le travail data va bien au-delà du code : tri des emails, gestion d’agenda, reporting client, vérification de l’état des pipelines. OpenClaw gère ces tâches parce qu’il est conçu comme un agent généraliste, pas comme un outil de développement. Préparer une réunion client en récupérant le dernier état du pipeline et les résultats de tests, c’est exactement le genre de chose pour laquelle OpenClaw excelle.
Accès depuis le téléphone. Vous êtes en vacances. Un pipeline casse. Avec OpenClaw, vous pouvez vérifier l’état depuis votre téléphone via WhatsApp et décider si ça nécessite une intervention immédiate. Avec Claude Code, il faut un laptop et un terminal.
La zone de recouvrement
Les deux outils peuvent exécuter dbt test, dbt run, et parser les résultats. Les deux peuvent modifier des fichiers de modèles. Les deux supportent des skills ou commandes personnalisés pour les workflows dbt. Ce chevauchement crée une question de coordination.
Si les deux outils surveillent le même projet et que les deux sont capables de modifier des fichiers, il faut des frontières claires. J’ai adopté une règle simple : OpenClaw lit et rapporte, Claude Code lit et écrit. OpenClaw surveille les résultats de tests et m’alerte. Quand quelque chose doit être corrigé, j’ouvre une session Claude Code pour faire le vrai travail.
Le chevauchement le plus intéressant, c’est qu’OpenClaw peut déclencher et gérer des sessions Claude Code. Un utilisateur d’OpenClaw décrit “la gestion de sessions Claude Code que je peux lancer de n’importe où, qui exécutent automatiquement des tests sur mon app, capturent les erreurs via un webhook Sentry, les résolvent et ouvrent des PRs.” OpenClaw devient une couche au-dessus de Claude Code plutôt qu’un remplacement, dispatchant le travail plutôt que de le faire.
La configuration découle de là. OpenClaw décide quand le travail doit se faire et le lance. Claude Code fait le travail concret.
Ma recommandation : l’approche en couches
Après plusieurs mois de tests, j’ai adopté une approche en deux couches pour mon workflow dbt :
Claude Code gère les sessions de développement en profondeur. Construction de nouveaux ensembles de modèles, refactoring des existants, debug de pannes de pipeline complexes, écriture de macros. Les Agent Skills dbt, le serveur MCP, et mes commandes personnalisées en font l’outil le plus solide pour le travail de développement soutenu.
OpenClaw gère la couche d’automatisation. Monitoring planifié des tests, alertes multi-plateformes, tâches non-code comme la préparation de reporting client, et orchestration de sessions Claude Code quand quelque chose nécessite une attention en dehors de mes heures de travail.
En pratique, le routage se résume à quelques questions. Si la tâche nécessite une présence active et de l’itération sur du code, c’est Claude Code. Si elle doit s’exécuter selon un planning ou réagir à des événements sans que je la déclenche, c’est OpenClaw.
L’écosystème dbt comme base de connaissances IA
dbt est en train de devenir discrètement la base de connaissances partagée qui alimente tous ces outils IA en contexte.
Les Agent Skills de dbt Labs apprennent aux agents IA à suivre les bonnes pratiques dbt. Les skills couvrent la boucle complète du workflow (analytics engineering avec dbt), les tests unitaires, la construction de la semantic layer, les requêtes en langage naturel, et le troubleshooting d’erreurs. Ils fonctionnent avec Claude Code, Codex, Cursor et Kilo Code. Les mêmes fichiers markdown qui apprennent à Claude Code à écrire de bons modèles dbt pourraient, en théorie, enseigner les mêmes patterns à OpenClaw.
Le serveur MCP dbt expose les métadonnées du projet, la Semantic Layer et les commandes CLI à tout outil IA qui supporte MCP. OpenClaw a le support MCP via son bridge mcporter, ce qui signifie que le même contexte de projet dbt qui informe Claude Code peut aussi informer les tâches de monitoring et de reporting d’OpenClaw.
Le pattern émergent, c’est que la structure d’un projet dbt (modèles, tests, documentation, définitions sémantiques) fonctionne comme une couche de connaissances structurée que les agents IA consomment. Mieux votre projet dbt est documenté et organisé, mieux chaque outil IA de votre stack performe. C’est une raison de plus d’investir dans la structure de projet et la documentation, même quand ça ressemble à du travail superflu.
Arrêtez de chercher un seul outil
Posez-vous la question “quelle couche de mon workflow devrait gérer cette tâche ?” plutôt que “OpenClaw ou Claude Code ?”
Claude Code est le meilleur outil pour le développement dbt. OpenClaw est le meilleur outil pour les opérations dbt. Les analytics engineers qui tirent le plus de valeur de l’IA ne sont pas ceux qui trouvent le meilleur outil unique. Ce sont ceux qui construisent un système où chaque outil gère ce pour quoi il est bon.
Si vous débutez, commencez par Claude Code pour le travail dbt. Il a l’écosystème le plus mature, la meilleure posture de sécurité, et l’intégration la plus poussée avec l’outillage spécifique à dbt. Ajoutez OpenClaw quand vous avez des besoins d’automatisation spécifiques (monitoring, alertes, scheduling) qu’un outil par session ne peut pas couvrir. Et lisez l’analyse des risques de sécurité attentivement avant de donner à OpenClaw l’accès à un système de production.
Le glissement de “quel outil” vers “quelle couche” reflète ce qui se passe dans l’industrie data. On a arrêté de demander “Fivetran ou Airflow ?” il y a des années, parce qu’ils servent des objectifs différents. La même maturité arrive pour l’outillage IA.