Cloudflare Radar Researcher transforme les données d'Internet en conversation

Cloudflare a ouvert la bêta de Radar Researcher, un assistant capable d'interroger les données publiques de Cloudflare Radar avec une question formulée en langage naturel. Il répond avec une explication, mais surtout avec les graphiques interactifs et les données réelles qui soutiennent cette réponse. L'objectif n'est donc pas de demander à un modèle de deviner l'état d'Internet : il doit trouver les bons jeux de données, exécuter les requêtes et montrer son cheminement.

L'outil vise autant le journaliste qui cherche à documenter une coupure que l'opérateur réseau, le chercheur ou le développeur qui veut comparer la qualité de connexion entre plusieurs pays. Il est accessible depuis l'en-tête de chaque page de Radar et reste en bêta, ce qui invite à vérifier les résultats avant de les utiliser dans une décision ou une publication.

La réponse rapide

Une porte d'entrée plus simple vers des données complexes

Cloudflare Radar publie depuis 2020 des observations issues du réseau mondial de l'entreprise. Elles couvrent notamment le trafic HTTP, les requêtes du résolveur DNS public 1.1.1.1 et des mesures de qualité collectées par le test de débit Cloudflare. Les visualisations sont accessibles sur le Web et leurs données peuvent aussi être interrogées par une API gratuite.

Cette richesse crée toutefois un problème d'accès. Pour répondre à une question précise, il faut connaître le vocabulaire du catalogue, identifier la bonne page, régler la période et la zone géographique ou apprendre les paramètres de l'API. Radar Researcher place une couche conversationnelle au-dessus de cet ensemble sans supprimer les sources sous-jacentes.

Une question telle que « comment la qualité d'Internet au Portugal se compare-t-elle à celle de l'Espagne ? » peut déclencher plusieurs recherches, produire des graphiques et suggérer des questions complémentaires. Pour une interruption de réseau, l'assistant peut rapprocher une chronologie d'incidents et une évolution du trafic au lieu d'obliger l'utilisateur à juxtaposer manuellement plusieurs vues.

Le point important : le modèle ne dessine pas les chiffres

Une réponse générée uniquement à partir de texte serait mal adaptée à ce type d'analyse. Les modèles peuvent arrondir une valeur, tronquer une série ou résumer trop agressivement un tableau. Cloudflare explique avoir séparé le commentaire des données : le code de l'agent récupère les résultats de l'API, tandis que le modèle produit une petite spécification qui indique au site quel graphique natif afficher.

Le navigateur rend ensuite ce graphique à partir du résultat brut déjà reçu. Le texte peut donc rester synthétique sans devenir le support unique de l'information. Cette architecture ne garantit pas que l'analyse soit toujours pertinente, mais elle réduit le risque qu'un nombre soit inventé pendant la rédaction de la réponse.

L'utilisateur peut également ouvrir une trace qui expose la manière dont la question a été comprise, les sources interrogées et les appels d'outils. Cette transparence est plus utile qu'une formule générique demandant de « vérifier les réponses de l'IA », car elle donne précisément les éléments à contrôler.

Une architecture d'agent entièrement construite sur Cloudflare

Radar Researcher fonctionne dans un Worker avec le Cloudflare Agents SDK. Chaque conversation est associée à un Durable Object et à sa base SQLite, ce qui permet de conserver l'historique et de poursuivre une génération côté serveur même si l'utilisateur quitte temporairement la page. Les conversations peuvent être épinglées, recherchées et partagées.

Pour l'inférence, Cloudflare utilise Workers AI et une chaîne de repli entre plusieurs familles de modèles ouverts. Si un modèle est indisponible, la requête peut passer au suivant. AI Gateway centralise pour sa part les journaux, les coûts, le cache et les garde-fous annoncés par l'entreprise.

L'accès aux données repose sur un serveur MCP unifié et sur une approche dite Code Mode. Au lieu d'exposer des centaines d'outils correspondant chacun à un endpoint, l'agent reçoit un petit ensemble de capacités pour rechercher la documentation, exécuter du code et consulter les résultats. Il parcourt la spécification OpenAPI de Radar, choisit l'endpoint et fabrique une requête ciblée. De nouvelles données peuvent ainsi devenir exploitables sans être ajoutées une par une au prompt principal.

Pourquoi cette réalisation intéresse les équipes data

Le produit illustre une architecture de question-réponse ancrée dans une API structurée. Pour une entreprise, cette approche est généralement plus contrôlable qu'un assistant alimenté par un export de documents hétérogènes. Les unités, périodes, filtres et dimensions restent définis par le service de données, tandis que le modèle sert d'orchestrateur et d'interprète.

Le principe est transférable à un catalogue interne : métriques d'observabilité, données commerciales, inventaire ou indicateurs de sécurité. Une équipe qui s'en inspire doit néanmoins ajouter des contrôles absents d'un jeu public, en particulier l'autorisation par utilisateur, le cloisonnement des clients, la journalisation des requêtes et la limitation des volumes exportables.

Il faut aussi distinguer la justesse d'un chiffre de la pertinence d'une conclusion. Une valeur peut provenir fidèlement de l'API tout en étant mal interprétée, comparée à une mauvaise période ou présentée sans connaître un changement méthodologique. La trace améliore l'auditabilité ; elle ne remplace ni l'expertise du domaine ni la lecture des définitions.

Radar devient aussi utilisable par des agents externes

Cloudflare a profité de cette mise à jour pour intégrer WebMCP à Radar. Ce projet de spécification permet à une page Web de déclarer des outils structurés qu'un agent de navigateur peut découvrir, au lieu de deviner l'interface à partir du DOM et de simuler des clics fragiles.

Radar expose des fonctions pour modifier un pays, une plage de dates, rechercher un domaine ou lancer certaines analyses. L'intégration est progressive : un navigateur qui ne comprend pas WebMCP continue d'afficher le site normalement. La spécification reste cependant un rapport de groupe communautaire et non un standard W3C final. Il serait donc prématuré de bâtir un parcours critique qui dépend uniquement de cette API.

Cette double approche est révélatrice. Radar Researcher est l'agent intégré destiné aux humains ; WebMCP prépare le même site à être manipulé par des agents externes. Les données et les fonctions restent communes, mais les interfaces se multiplient.

Comment tester l'outil sans surinterpréter ses résultats

Commencez par une question dont vous pouvez vérifier facilement la réponse sur les pages classiques de Radar. Fixez explicitement le pays, la période et la métrique. Ouvrez ensuite la trace, contrôlez les endpoints et comparez le graphique produit avec la visualisation native correspondante.

Une seconde étape consiste à poser une question comparative, puis à modifier un seul paramètre. Si la conclusion change fortement, examinez les échelles, les agrégations et la disponibilité des données. Pour une analyse publiée, conservez le lien partagé, notez la date de consultation et citez le jeu de données plutôt que l'assistant comme unique source.

Radar Researcher rend l'exploration beaucoup plus accessible, et son architecture traite sérieusement la traçabilité des chiffres. Sa vraie valeur se mesurera toutefois à sa capacité à reconnaître une question ambiguë, à signaler les limites d'un jeu de données et à ne pas transformer une corrélation visible en explication certaine. La bêta est précisément le bon moment pour éprouver ces limites.