“Avec Claude, je devais surveiller chaque requête. Basedash écrit le SQL, corrige ses propres erreurs, et obtient le bon résultat.”

Lex est un outil d’écriture propulsé par l’IA utilisé par plus de 300 000 écrivains, dont des équipes chez Google, Microsoft et Stanford. Fondé par Nathan Baschez — précédemment VP Product chez Substack et Head of Product chez Gimlet Media — Lex aide les écrivains à produire un meilleur travail avec une IA qui agit comme collaboratrice, pas comme remplaçante.

En tant qu’équipe de quatre personnes avec des centaines de milliers d’utilisateurs, Lex doit avancer vite sur les décisions produit et croissance. Mais répondre aux questions derrière ces décisions — quelles fonctionnalités poussent la rétention, où les coûts s’envolent, à quoi ressemble l’usage selon les cohortes — demandait auparavant des heures de SQL manuel.

« C’était toujours coûteux en effort. Maintenant, avec Basedash, ça ressemble juste à discuter directement avec la base de données. »

Avant Basedash

Le workflow analytics de Lex était typique d’une startup allégée :

• Blazer, un outil auto-hébergé pour les requêtes sauvegardées et les dashboards basiques
• Du SQL écrit à la main, parfois exporté vers Google Sheets pour la visualisation
• Claude pour aider à générer des requêtes — mais nécessitant encore beaucoup de prompt et de débogage manuel

Pour un fondateur qui doit investiguer des questions produit au quotidien — schémas d’engagement utilisateur, répartition des coûts par modèle IA, funnels de conversion d’essai — la surcharge était constante. Chaque question signifiait quitter le travail produit pour aller écrire et déboguer des requêtes.

Pourquoi Basedash

Nathan cherchait quelque chose qui fonctionne plus comme un collègue que comme un outil :

• Écrire et déboguer du SQL automatiquement
• Gérer les erreurs sans intervention humaine
• Livrer des résultats explorables en temps réel

C’est ce qu’il a trouvé avec Basedash. Avec la base Postgres de Lex connectée, Nathan disposait d’une interface conversationnelle sur les mêmes données de production qui alimentent la plateforme d’écriture — sans setup de dashboard ni documentation de schéma nécessaire.

« Ça donne l’impression de collaborer avec un collègue, pas avec un outil BI. C’est à la pointe de ce qui est possible avec les LLM aujourd’hui. »

Au lieu de préparer des dashboards ou de se battre avec des requêtes, Nathan mène désormais des conversations itératives chaque fois qu’il doit investiguer un problème ou valider une idée — le genre d’analyse exploratoire, riche en questions de suivi, que les outils BI traditionnels rendent pénible.

« Le paradigme naturel pour la donnée, c’est la conversation. Basedash rend ça réel. »

Un incident critique en déplacement

Alors qu’il voyageait à San Francisco, Nathan a reçu une alerte : les coûts d’IA de Lex explosaient bien au-delà des niveaux normaux.

Par le passé, résoudre le problème aurait demandé d’écrire des requêtes SQL sur un ordinateur portable, ou pire, sur son téléphone.

« J’ai déjà écrit du SQL sur mon téléphone avec Blazer. Ce n’est pas une expérience agréable. Basedash a rendu ça simple. »

Au lieu de bricoler des scripts, Nathan a ouvert Basedash et a demandé :

« Les coûts d’IA explosent — tu peux me dire ce qui se passe ? »

En quelques minutes, Basedash l’a guidé à travers le même raisonnement qu’il aurait suivi lui-même : le pic venait-il d’un petit groupe d’utilisateurs, d’un modèle en particulier, ou d’une fonctionnalité spécifique ? L’outil a posé des questions de clarification en chemin.

Le diagnostic : des utilisateurs bots exploitaient l’essai gratuit de Lex pour faire des tentatives de distillation de modèle. Parce qu’il a pu identifier la cause racine rapidement, Nathan et son équipe ont corrigé la vulnérabilité avant que les coûts ne s’envolent davantage.

« Basedash a transformé un moment très stressant en une correction simple. »

Impact

Pour une petite équipe qui construit un produit utilisé par des centaines de milliers d’écrivains, chaque heure compte. Depuis l’adoption de Basedash, Nathan a remplacé un patchwork d’outils de requêtage par une seule interface conversationnelle :

• Des questions d’investigation qui prenaient des heures de SQL et de débogage prennent désormais des minutes
• Les anomalies de coûts et d’usage sont détectées et diagnostiquées en temps réel, depuis n’importe quel appareil
• Les décisions produit et croissance s’appuient sur des conversations traçables et partageables plutôt que sur des requêtes isolées
• Zéro temps passé à construire ou maintenir des dashboards ou des outils internes

« Basedash donne l’impression de collaborer avec un collègue, pas avec un outil. C’est le futur de la façon dont les équipes travailleront avec la donnée. »