L'initiative Land Matrix vise à fournir des données fiables sur les acquisitions de terres à grande échelle dans les pays à revenus faibles ou intermédiaires. Bien que ces données soient reconnues dans le monde académique, elles restent peu utilisées dans l'action publique, en grande partie en raison de la complexité d'accès et d'exploitation, nécessitant une expertise informatique et une bonne connaissance du schéma de la base de données. L'objectif de ce travail est de comparer plusieurs optimisations de Large Language Models (Prompt Engineering, RAG, Agents) pour interroger différents systèmes de base de données (GraphQL et requêtes REST). Les expérimentations sont reproductibles et une démonstration est accessible en ligne : https: //github.com/tetis-nlp/landmatrix-graphql-python.