Un scientifique de données vient de démontrer ce qu'on attendait : une IA qui gère des workflows complets, pas juste des bouts de code. En utilisant Codex et Model Context Protocol (MCP), il a traité 1,85 Go de données XML d'Apple Health—du téléchargement Google Drive jusqu'à l'analyse BigQuery—en 30 minutes. L'IA a localisé les fichiers, référencé du code GitHub vieux de six ans, écrit des parseurs Python, téléchargé des datasets, exécuté des requêtes SQL, et généré un rapport structuré. Ce qui aurait été « au moins une journée complète » de travail manuel est devenu une conversation guidée avec un agent IA.
C'est important parce que ça représente le passage de l'IA comme assistant de codage vers l'IA comme participant au workflow. Tandis que des outils comme Cursor et Claude aident à écrire des fonctions individuelles, cette approche connecte Google Drive, GitHub, BigQuery, et les outils d'analyse via MCP—créant essentiellement des agents IA qui comprennent toute votre infrastructure de données. Le développeur a explicitement choisi Codex plutôt que son Claude habituel pour tester l'outillage, suggérant que ces workflows deviennent standardisés à travers les fournisseurs.
Aucune autre couverture n'existe encore, ce qui est révélateur. La communauté de science des données tend à être sceptique du hype IA, mais ça semble différent—c'est un exemple concret avec des délais spécifiques, des tailles de fichiers, et des intégrations d'outils. L'auteur admet que c'était un « exemple simple » avec des données de santé personnelles, pas une complexité d'échelle entreprise avec des exigences de gouvernance, des problèmes de qualité des données, ou des contraintes réglementaires.
Pour les développeurs qui construisent des workflows IA, ça valide l'approche MCP pour connecter des systèmes disparates. Le vrai test, c'est pas si l'IA peut analyser des datasets propres—c'est si elle peut gérer l'ingénierie de données désordonnée du monde réel qui tue habituellement les projets perso. Basé sur cet exemple, on s'approche du but.