Connecter ChatGPT à vos bases de données : guide pratique 2026

Vos équipes passent des heures à extraire des données de votre ERP ou de votre CRM pour répondre à des questions simples. ChatGPT peut interroger vos bases de données en langage naturel — à condition de bien configurer la connexion. Voici comment procéder sans exposer vos données sensibles.

Pourquoi connecter un LLM à ses bases de données en 2026

Selon une étude Gartner 2025, 68 % des dirigeants de PME estiment que l'accès à la donnée est le principal frein à la prise de décision rapide. Le problème n'est pas le volume de données — c'est le temps nécessaire pour les extraire et les interpréter.

Connecter ChatGPT à vos bases de données transforme cette dynamique. Un DAF peut interroger son entrepôt de données en français, sans écrire une ligne de SQL. Un responsable commercial obtient ses chiffres de pipeline en 30 secondes, sans attendre le rapport hebdomadaire du contrôleur de gestion.

Définition : La connexion LLM-base de données désigne l'architecture qui permet à un modèle de langage (ChatGPT, Claude, Gemini) de comprendre une question en langage naturel, de la traduire en requête SQL ou API, d'exécuter cette requête sur votre base, puis de restituer la réponse en langage humain.

Les trois architectures possibles

Pour une PME ou ETI sans équipe data dédiée, l'approche middleware (n8n ou Zapier) offre le meilleur rapport simplicité/contrôle.

Comment procéder avec n8n : étape par étape

n8n est un outil d'automatisation open-source qui s'installe en quelques minutes et permet de créer le pont entre ChatGPT et votre base de données sans code complexe.

1. Créer un compte n8n Cloud (ou installer la version self-hosted pour plus de contrôle).

2. Créer un workflow avec un nœud "Chat Trigger" — il reçoit la question de l'utilisateur.

3. Ajouter un nœud OpenAI configuré avec votre clé API et un prompt système qui décrit le schéma de votre base (noms des tables, colonnes, exemples de valeurs).

4. Ajouter un nœud base de données (PostgreSQL, MySQL, SQLite selon votre stack) en lecture seule — n'accordez jamais les droits d'écriture à cette connexion.

5. Chaîner les nœuds : question → génération SQL par ChatGPT → exécution de la requête → reformulation de la réponse en français.

6. Tester avec des requêtes simples avant de déployer à votre équipe.

Cas concret : une ETI de distribution (450 salariés)

Une ETI de distribution alimentaire en région Hauts-de-France connecte son ERP (base PostgreSQL) à ChatGPT via n8n. Avant, le contrôleur de gestion recevait en moyenne 12 demandes par semaine du COMEX pour des extractions ponctuelles — chaque extraction prenait 30 à 90 minutes.

Après déploiement, les directeurs régionaux interrogent eux-mêmes la base via une interface de chat interne. Résultat : le contrôleur de gestion a récupéré 8 heures par semaine, la direction dispose de ses indicateurs en temps réel.

Coût du projet : 3 jours de prestation + abonnement n8n Cloud (50 €/mois). ROI atteint en moins de 2 mois.

Les règles de sécurité non négociables

• Accès en lecture seule : créez un utilisateur SQL dédié avec uniquement les droits SELECT sur les tables autorisées.

• Anonymisation des données personnelles : ne faites jamais transiter des colonnes contenant des données RGPD (nom, email, numéro client) vers l'API OpenAI sans pseudonymisation préalable.

• Audit trail : loggez toutes les requêtes générées par le LLM pour pouvoir les auditer en cas d'anomalie.

• Schéma minimal : ne transmettez à ChatGPT que les tables et colonnes nécessaires — pas le schéma complet de votre base.

• Validation des requêtes : pour les environnements sensibles, ajoutez une étape de validation humaine avant l'exécution des requêtes INSERT/UPDATE (si vous les autorisez).

Les erreurs à éviter

• Donner les droits d'écriture à la connexion LLM : une injection via prompt pourrait modifier ou supprimer des données.

• Transmettre le schéma complet : plus vous exposez de tables, plus la surface d'attaque est large.

• Négliger la gestion des erreurs : si ChatGPT génère une requête invalide, le workflow doit retourner un message d'erreur clair, pas planter silencieusement.

• Oublier la gouvernance : définissez qui a le droit d'interroger quelles données — les mêmes règles d'accès que dans votre ERP doivent s'appliquer.

Pour structurer cette gouvernance, le guide sur la gouvernance IA et la charte d'usage pose les bases réglementaires à respecter avant tout déploiement.

Aller plus loin : RAG et vector stores

Pour des bases de données non structurées (documents PDF, emails, notes de réunion), l'approche SQL ne suffit pas. La technique RAG (Retrieval-Augmented Generation) consiste à indexer vos documents dans une base vectorielle (Pinecone, Weaviate, pgvector) et à laisser le LLM interroger cet index pour trouver les passages pertinents.

Cette approche est plus complexe à mettre en œuvre mais permet d'interroger n'importe quel corpus documentaire. Si vous gérez un important volume de documentation technique, de contrats ou de comptes-rendus, c'est la voie à explorer. Voir aussi notre article sur les agents IA pour PME sans data scientist.

FAQ — Questions fréquentes

Peut-on connecter ChatGPT directement à une base SQL ?
Pas nativement. Il faut une couche intermédiaire (API, middleware n8n/Zapier, ou plugin ChatGPT Enterprise). La connexion directe n'existe pas pour des raisons de sécurité.

Quels sont les risques de sécurité principaux ?
Fuite de données sensibles, injections SQL via prompts malveillants, exposition de colonnes confidentielles. Accès lecture seule, anonymisation RGPD et journalisation sont impératifs.

ChatGPT peut-il écrire des requêtes SQL depuis des questions en français ?
Oui, c'est le cas d'usage central. Un DAF pose sa question en français, ChatGPT génère le SQL correspondant et restitue la réponse en langage humain.

Faut-il envoyer toutes les données à ChatGPT ?
Non. Seul le schéma (noms de tables/colonnes) et le résultat de la requête transitent — jamais la base entière.

Quel budget prévoir ?
De 200 € (setup DIY avec n8n) à 20 000 € (solution sur-mesure avec RAG). La majorité des PME aboutissent entre 500 et 2 000 €.

Vous voulez connecter vos outils métier à l'IA sans recruter un data scientist ? Réservez 30 minutes avec un expert Focus AI.