Et si votre super idée “innovante” de projet Agentique avait déjà été pensée par votre éditeur de Data Plateforme ?

“Et si la "révolution" agentique que vos équipes s’apprêtent à bâtir de toutes pièces était déjà sur les rails, packagée et gouvernée au cœur même de votre Data Plateforme ?”

Entre promesse d'autonomie et illusion de la nouveauté, l'écosystème data change de paradigme.

C’est souvent le même scénario de départ : aligner les parties prenantes, exprimer le besoin métier, tenter de valider la faisabilité et chiffrer un hypothétique ROI. Mais passée l’effervescence des débuts, la réalité opérationnelle de ces projets "sur mesure" se révèle bien plus standardisée qu'il n'y paraît.

D'un cas d'usage agentique à l'autre, les mêmes obstacles ressurgissent inévitablement : mise en contexte des modèles, accès aux métadonnées, cloisonnement des permissions, observabilité et conformité.

Ce constat fut rapidement fait par les éditeurs de Data Plateformes comme Databricks, Snowflake, Dataiku et les grands acteurs du cloud.

Ils en ont bien pris conscience en incluant dans leurs offres des services agentiques. Ils ont ainsi transitionné leur position de marché vers un nouveau secteur, celui du “Data Intelligence Platform” ; “AI Data Cloud” ; “Data & AI Platform”.

Aucun nom n’a fait consensus pour le moment. Le nom de “Data Plateformes Intelligentes” (DPI) sera utilisé pour faire référence à ces Data Plateformes modernes incluant de l’intelligence artificielle.

Les utilisateurs des Data Plateformes d’hier sont ceux de la Gen AI d’aujourd’hui. Comment leurs besoins ont-ils évolué ? Comment les Data Plateformes Intelligentes (DPI) fidélisent-elles leurs clients ?

Face aux nouveaux challenges de la Gen AI, on voit de nouvelles fonctionnalités émerger et des pratiques d’architecture qui se doivent d’inclure les besoins agentiques.

Le Semantic Layer le must have des Data Plateformes Intelligentes

Cette couche d’abstraction métier entre les données physiques et leurs consommateurs est déjà vue comme cruciale dans les grandes corporations.

Le Semantic Layer centralise les définitions métier, les métriques et les relations afin d'assurer cohérence, gouvernance et réutilisation.

Pour la réalisation de projets utilisant la Gen AI, le Semantic Layer ne sert plus uniquement à partager un langage métier commun. Il devient également un premier niveau de gouvernance agentique. On y expose les métriques, dimensions et métadonnées nécessaires au bon fonctionnement des agents. Il devient possible d’appliquer des politiques d'accès contextualisées avant même qu'une requête produite par un agent n'atteigne les données brutes.

Si vous souhaitez creuser les sujets autour du Semantic Layer en général n’hésitez pas à vous diriger vers ces articles dbt “Understanding the Semantic Layer” ou encore “The role of the semantic layer in data governance and security”.

Assistant IA : “La clé de voûte de la Data Plateforme Intelligente”

Les DPI marquent une rupture radicale avec les anciennes Data Plateformes en incluant des assistants IA

Des agents, intégrés au cœur de la plateforme, sont capables de comprendre le contexte technique, d’expliquer les capacités de la DPI, d'utiliser le Semantic Layer et de produire eux-mêmes des livrables : code, documentation, analyses, tableaux de bord ou pipelines.

L'utilisateur peut désormais passer par l’agent comme interface principale de commande. Il s' exprime en langage naturel et l’agent produit un rendu selon le contexte et la demande. Ainsi les utilisateurs passent d’un statut d’acteur à celui de superviseur.

Extension du périmètre fonctionnel des plateformes

Databricks, Snowflake, Dataiku et les autres cherchent à élargir leurs champs d’action, aller au-delà de leurs marchés initiaux. Ils ambitionnent de couvrir l'ensemble du cycle de vie des projets d'IA générative, depuis la donnée brute jusqu'à l'expérience utilisateur finale.

Cette évolution répond à une difficulté bien connue des projets d'IA: la fragmentation des outils.

La réalisation d'un projet incluant de l’IA générative nécessite généralement l'assemblage de nombreuses briques techniques. Les données doivent être collectées et préparées, les modèles hébergés sur des infrastructures spécialisées, les traitements orchestrés au travers de chaînes d'exécution distinctes, tandis que les interfaces utilisateurs et les outils de visualisation sont développés séparément.

Cette multiplication des composants génère des coûts d'intégration importants ainsi que des problématiques de gouvernance, de sécurité et de maintenance.

Chaque projet doit répondre aux mêmes questions:

“Comment sécuriser les échanges entre la plateforme, les applications et les services tiers ?”

”Comment sécuriser les communications entre les agents, les modèles et les systèmes d'information ?”

“Où sont exécutés nos modèles ?”

“Comment automatiser les procédés ?”

“Comment exposer les résultats aux utilisateurs ?”

“Comment intégrer les capacités d'IA dans les applications existantes ?”

Les principaux acteurs du marché ont également constaté que la majorité des projets d'IA générative ne sont pas totalement originaux. Ils se regroupent autour d'un ensemble d'archétypes récurrents : permettre à des utilisateurs non techniques d'interroger les données via une interface conversationnelle, générer automatiquement des tableaux de bord et des visualisations, créer des assistants métier connectés aux données de l'entreprise, transformer des processus métier en processus automatisés gérés par des agents autonomes, enrichir des applications existantes avec des capacités conversationnelles ou encore comparer rapidement différentes approches de modélisation.

Pour répondre à ces besoins, les DPI comme celles mentionnées étendent progressivement leur périmètre fonctionnel. Elles permettent non seulement de stocker et gouverner les données, mais également de créer des assistants conversationnels, de générer des visualisations à partir d'instructions en langage naturel, de déployer rapidement des applications ou des endpoints consommables par d'autres systèmes, et de comparer les performances de différents modèles d'IA au sein d'un même environnement.

Ces ajouts facilitent l'expérimentation et réduisent fortement le temps nécessaire pour valider un cas d'usage. Les équipes peuvent construire rapidement un POC, recueillir des retours utilisateurs et itérer avant d'engager des efforts d'industrialisation plus importants.

Les nouvelles familles de modèles, qu'il s'agisse des grands modèles de langage (LLM), des modèles multimodaux, des modèles spécialisés plus légers (SLM) et autres redéfinissent constamment les standards de la Gen AI.

Contrairement aux croyances généralement répandues, les derniers modèles plus puissants ne sont pas toujours les plus adaptés. Il est bon de privilégier un modèle léger pour une tâche simple, cela réduit le temps d’inférence, l’impact environnemental et le coût de la solution. Il est donc important de savoir choisir une famille de modèles adaptée à la problématique ciblée.

Combiner des modèles de diverses familles permet d’ajuster notre solution à des besoins complexes.

Les Data Plateformes Intelligentes en proposant des catalogues de modèles toujours plus complets permettent d’expérimenter et d’itérer sans avoir à construire l'infrastructure permettant la connexion à chaque fournisseur. De plus, avec la publication incessante de nouveaux modèles toujours plus optimisés, il devient facile de basculer d’un modèle à son équivalent plus récent.

Dans cette approche, la DPI devient le socle unique sur lequel les organisations peuvent développer, expérimenter et exploiter des applications métier, des assistants intelligents ou des systèmes agentiques directement connectés à leurs données.

Bien que ces ajouts changent radicalement les approches pour les clients des Data Plateformes modernes ce n’est pas tout. Ces changements révolutionnent aussi le fonctionnement des Data Plateformes elles-mêmes.

L'effet plateforme : de l'observation à la standardisation

L'évolution des DPI ne repose pas uniquement sur l'ajout continu de nouvelles fonctionnalités. Elle s'appuie également sur leurs capacités à observer le comportement de leurs utilisateurs.

Après avoir centralisé les données, les modèles et les applications au sein d'un même environnement, les DPI disposent d'une vision privilégiée des cas d'usage développés par leurs clients et de la façon dont ceux-ci interagissent avec les différents outils d’intelligence artificielle.

Elles identifient rapidement les fonctionnalités qui créent de la valeur, celles qui nécessitent d'être repensées, ainsi que les nouveaux besoins émergents.

Ce qui explique qu'aujourd'hui les DPI incluent dans leurs offres des composants techniques (recherche vectorielle, génération d’embedding, RAG, serveurs MCP, orchestration d’agents, LLM gateway, Model Serving, …), des catalogues (catalogues de modèles, registre de modèles, registre de prompts), des outils d’observabilité et de gouvernance (collecte des retours utilisateurs, dashboarding, gestion des identités et des accès, suivi des coûts…) et des solutions prêtes à l’emploi (agents préconfigurés, assistants RAG, applications de démonstration, …).

Dans un marché encore jeune, où les modèles économiques, les modes de facturation et même certains standards techniques continuent d'évoluer, cette boucle de retour d'expérience constitue un avantage concurrentiel puissant.

Par exemple, si les utilisateurs d'assistants conversationnels construisent systématiquement des dashboards similaires pour suivre les mêmes indicateurs d'usage, la plateforme peut proposer des modèles préconfigurés, des accélérateurs ou des composants prêts à l'emploi.

Cette dynamique renforce progressivement la valeur de la DPI. Plus les usages se développent, plus les fournisseurs sont capables d'anticiper les besoins de leurs futurs clients. Ainsi, ils peuvent proposer des solutions qui simplifient l'implémentation, l'expérimentation et le déploiement des applications d'IA générative.

La plateforme de données n'est plus seulement un environnement technique. Elle devient un vecteur de capitalisation collective sur les usages observés autour du développement d’applications IA.

Cette stratégie repose cependant sur un équilibre délicat. Les plateformes doivent continuellement rattraper les innovations issues de l'écosystème de l'IA générative. Nouveaux modèles, architectures agentiques, techniques d'orchestration ou stratégies d'optimisation se développent en dehors des DPI.

Leur avantage compétitif dépend donc de leur capacité à identifier les innovations impactantes et à minimiser le délai entre l'émergence d'une innovation et sa mise à disposition sous forme de services, de composants ou d'accélérateurs. Ce flux tendu crée une pression très forte sur les équipes R&D et complexifie la fidélisation des utilisateurs.

Équilibre entre simplification et dépendance

La centralisation présente des bénéfices évidents pour les organisations. Elle facilite le suivi des coûts, la mesure des usages, la gestion des accès et l'application des politiques de gouvernance. En réduisant le nombre de services et d'interconnexions nécessaires au fonctionnement d'une solution, elle contribue également à diminuer la surface d'exposition aux risques de cybersécurité et à simplifier les opérations.

Cependant, cette approche soulève également plusieurs questions. Si la concentration des capacités au sein d'une même plateforme est particulièrement attractive pour les projets de tests et d’innovation, sa pertinence doit être réévaluée avec attention lors d’un passage en production. Plus une organisation s'appuie sur les services natifs d'un fournisseur, plus elle augmente sa dépendance auxdits fournisseurs.

Cette dépendance est d'autant plus importante que le marché de l'IA générative ne semble pas se stabiliser. Les modèles économiques, les mécanismes de facturation et les catalogues de services évoluent rapidement sous l'effet de l'innovation et de la concurrence. Une fonctionnalité aujourd'hui attractive peut voir son coût évoluer significativement ou être contestée par une innovation plus performante.

Le choix d'une plateforme intégrée ne doit donc pas être analysé uniquement sous l'angle de la productivité immédiate. Les architectes et décideurs évaluent les conséquences à long terme en matière de maîtrise des coûts, de réversibilité, de souveraineté technologique et de flexibilité face aux évolutions rapides du secteur.

Conclusion - Takeaway

Les projets agentiques semblent uniques et nouveaux de prime abord.

Pourtant, les acteurs de la Data ont appris à reconnaître les schémas qui se répètent derrière ces projets.

• Accéder à la donnée en langage naturel
• Générer des visualisations
• Automatiser des tâches métier
• Comparer des modèles
• Déployer rapidement un premier prototype.

Les secteurs et contextes changent d’une entreprise à l’autre. Les paternes eux restent souvent les mêmes.

Face à cette réalité, les Data Plateformes évoluent. Elles ne cherchent plus seulement à stocker et gouverner la donnée. Elles cherchent à devenir le point d'entrée unique des projets d'IA générative.

Semantic Layer, Assistants IA, catalogues de modèles, assistants conversationnels, générateurs d'applications, Dashboards, templates d’agents :

Toutes ces briques techniques visent les mêmes objectifs :

Réduire la complexité ; Accélérer l'expérimentation ; Passer d’idée à projet

Cette approche répond particulièrement bien aux phases d'exploration, aux études de faisabilité et aux projets de faible envergure. Dans ces contextes, la rapidité d'exécution et la capacité à tester des hypothèses apportent souvent davantage de valeur que la recherche d'une architecture parfaitement réversible.

Mais lorsque les solutions deviennent stratégiques, qu'elles s'intègrent au cœur des processus métier ou qu'elles sont destinées à perdurer, les questions changent de nature. La stabilité des coûts, la réversibilité, la souveraineté technologique et la dépendance à un fournisseur deviennent alors des critères de décision à part entière.

L'évolution des services des Data Plateformes ne simplifie donc pas les questions d'architecture. Elle les déplace.

Et aujourd'hui, la question centrale devient :

« Jusqu'où suis-je prêt à confier la responsabilité de ma stack technique IA à une Data Plateforme Intelligente, et pour combien de temps ? »