Outils de Revue SQL par l'IA

Cette note est une référence des outils qui appliquent l’IA à la revue de code SQL et dbt. Les linters traditionnels (SQLFluff, dbt Project Evaluator) vérifient le formatage et les antipatterns structurels, mais n’évaluent pas si le SQL fait ce qui est prévu. Les outils ci-dessous ciblent les erreurs sémantiques — mauvaises conditions de JOIN, filtres temporels manquants, incohérences d’agrégation — qui passent tous les contrôles existants. Contexte : Modes d’échec du SQL généré par l’IA.

Altimate AI (DataPilot CLI + dbt Power User)

Altimate AI est l’option la plus spécifique à dbt. Elle fonctionne via deux interfaces : la CLI DataPilot (qui s’exécute comme hook pre-commit ou en CI) et l’extension VS Code dbt Power User.

La CLI DataPilot exécute des vérifications IA spécifiques à dbt au niveau pre-commit. Elle détecte les fanouts élevés source/modèle, les références codées en dur, les sources inutilisées et les longues chaînes de modèles non matérialisés. Ce sont le type de problèmes structurels que dbt Project Evaluator détecte également, mais DataPilot ajoute par-dessus une revue logique basée sur l’IA.

L’extension dbt Power User ajoute l’estimation des coûts BigQuery et l’aperçu de la requête compilée directement dans VS Code. Vous pouvez voir les octets estimés à scanner avant d’exécuter quoi que ce soit — utile pour détecter le problème de filtre de partition manquant avant qu’il n’impacte votre facture.

Chiffres de benchmark : sur le benchmark TPC-H 1 To, les Skills d’optimisation d’Altimate pour Claude Code ont produit des requêtes 22% plus rapides tout en restant logiquement équivalentes. Sur ADE-bench (43 tâches dbt réelles sur 5 projets), il a atteint 53% de précision. Ce chiffre de 53% mérite d’être contextualisé — le benchmark inclut des tâches complexes comme la création complète de modèles et le refactoring, pas seulement la revue. Leur principale conclusion était que la principale source d’erreurs était les conventions non respectées, pas les hallucinations ou la mauvaise syntaxe. La correction était simple : ajouter une instruction pour lire d’abord 2 à 3 modèles existants.

La configuration pre-commit est minimale :

repos:
  - repo: https://github.com/AltimateAI/datapilot-cli
    hooks:
      - id: datapilot-cli

Greptile

Greptile adopte une approche différente : le contexte complet de la base de code via RAG. Au lieu de revoir des fichiers individuels ou des requêtes de manière isolée, Greptile indexe l’intégralité de votre dépôt et utilise ce contexte lors de la revue des PRs.

Cela est important pour les projets dbt en particulier. Lorsque Greptile examine une PR, il peut voir que la colonne customer__id sur laquelle vous effectuez une jointure a été dépréciée il y a deux semaines dans un autre modèle et remplacée par account__id. Un outil ne voyant que les fichiers modifiés manquerait complètement cela.

Dans une évaluation de juillet 2025 portant sur 50 vrais bugs, Greptile en a détecté 82% — le score le plus élevé parmi tous les outils de revue de code IA testés. La fonctionnalité de revue de PR de GitHub Copilot a détecté 55% des mêmes bugs. Cet écart de 27 points de pourcentage est important lorsque les bugs manqués sont ceux qui atteignent la production sous forme d’erreurs silencieuses.

La conscience du contexte de la base de code est le différenciateur. Sans elle, la revue SQL n’est que de la vérification syntaxique avec des étapes supplémentaires. Les problèmes inter-modèles — les renommages de colonnes qui cassent les références en aval, les changements de filtres qui affectent les métriques utilisées par d’autres équipes — n’apparaissent que lorsque l’outil de revue comprend le projet dans son intégralité.

CodeRabbit

CodeRabbit fournit une revue de PR par IA sur GitHub, GitLab et Bitbucket. Sa fonctionnalité phare est l’accessibilité : l’ajouter à un dépôt GitHub prend moins de cinq minutes et commence à détecter des problèmes immédiatement, même sans configuration personnalisée. Il est également gratuit pour les projets open source.

Les paramètres par défaut signalent déjà les tests manquants, les modèles inutilisés et les antipatterns SQL. Des règles personnalisées réduisent les faux positifs, mais vous obtenez de la valeur dès le premier jour sans investissement en configuration. Pour les équipes souhaitant une revue IA sans engagement de mise en place significatif, CodeRabbit est le point d’entrée le moins contraignant.

CodeRabbit n’a pas la profondeur de conscience du contexte de la base de code de Greptile, mais il détecte un sous-ensemble significatif de problèmes à un coût d’adoption bien plus faible. Pour beaucoup d’équipes, « détecte quelque chose immédiatement » l’emporte sur « détecte davantage mais nécessite une configuration ».

MotherDuck FixIt

MotherDuck FixIt adopte une approche fondamentalement différente des autres : la correction d’erreurs en temps réel au moment de l’exécution de la requête. Au lieu de revoir le code avant qu’il ne s’exécute, FixIt intercepte les erreurs au moment où elles se produisent et suggère des corrections avec une latence de 1 à 3 secondes.

L’équipe a découvert deux détails d’implémentation utiles à connaître. Premièrement, l’ajout de numéros de ligne aux requêtes a significativement amélioré la précision du LLM — le modèle pouvait référencer des lignes spécifiques dans ses suggestions de corrections. Deuxièmement, générer uniquement la ligne corrigée (au lieu de réécrire la requête complète) a amélioré à la fois la vitesse et la justesse. Les deux conclusions sont utiles si vous construisez un outillage similaire en interne.

FixIt est le plus pertinent pour le développement de requêtes interactives et les workflows spécifiques à DuckDB/MotherDuck. Il ne remplace pas la revue au niveau des PRs, mais raccourcit la boucle de rétroaction pour le cycle écrire-exécuter-corriger pendant le développement.

Le Contexte Détermine la Précision

Pour tous les outils et benchmarks : le contexte détermine la précision. Sans informations de schéma, Tiger Data a constaté que 42% des requêtes SQL générées par l’IA référençaient des objets inexistants. Thomson Reuters a réduit les filtrages incorrects de 73% à moins de 10% en ajoutant des frameworks d’évaluation (TruLens + AgentBench). Tiger Data a signalé une amélioration de précision de 27% grâce aux catalogues sémantiques générés par LLM.

L’infrastructure qui comble cet écart — le serveur MCP dbt pour la lignée et les métadonnées, les fichiers CLAUDE.md pour les conventions, les catalogues sémantiques pour la signification au niveau des colonnes — nécessite de la mise en place et une maintenance continue. Tous les outils ci-dessus fonctionnent mieux avec ce contexte en place.

Choisir Entre Eux

Ces outils ne sont pas mutuellement exclusifs ; les équipes les combinent souvent (voir Pipeline de revue SQL en couches pour dbt) :

La conscience inter-modèles — au moins un outil voyant plus que les fichiers modifiés de manière isolée — est ce qui sépare une revue utile d’un linting sophistiqué.