La convergence entre données et intelligence artificielle redessine les métiers et les outils en 2026. Les équipes Data doivent repenser l’architecture pour aligner gestion des données et charges ML. Ce changement impacte le rôle du Data scientist, de l’Ingénieur données et de l’Analyste de données à court terme.
Les plates-formes comme Databricks et Snowflake poussent l’intégration entre OLTP, OLAP et IA. Selon Laurent Delattre, le Data + AI Summit 2025 a posé de nouvelles pierres pour la fusion. Ce constat conduit à quelques points pratiques à garder en mémoire pour les équipes.
A retenir :
- Unification des pipelines et gouvernance centralisée pour conformité
- Intégration OLTP-OLAP pour applications IA en quasi-temps réel
- Agents IA automatisés pour accélérer la mise en production
- Accès métier simplifié via interfaces GenBI et assistants conversationnels
Partant de ces priorités, Databricks Lakehouse et Lakebase : convergence opérationnelle et performance
Databricks a annoncé Lakebase, une base transactionnelle managée compatible PostgreSQL destinée aux applications modernes. Selon Laurent Delattre, Lakebase promet une latence inférieure à dix millisecondes et dix mille transactions par seconde.
La séparation du calcul et du stockage permet un autoscale continu et une gestion élastique des charges. Cette architecture vise à rapprocher les usages analytiques et opérationnels pour supporter des agents IA intégrés.
Fonctionnalité
Objectif
Données clés
Impact
Lakebase
OLTP serverless
latence <10 ms ; ≥10 000 TPS
Unification OLTP/OLAP
Unity Catalog
Gouvernance
support Iceberg et Delta
Interopérabilité multi-cloud
Agent Bricks
Agents IA automatisés
déploiement rapide sur grands corpus
réduction du temps produit
MosaicML
Entraînement LLM
acquisition estimée à 1,3 milliard
capacité d’entraînement propriétaire
Compétences Data métier :
- Conception et optimisation de pipelines ETL
- Mise en œuvre de modèles d’apprentissage automatique sécurisés
- Construction de modèles de visualisation de données métier
- Gestion des données et respect des politiques de conformité
« J’ai configuré Lakebase pour une application critique et réduit les latences à moins de dix millisecondes. »
Alice N.
En conséquence, pipelines et gouvernance évoluent : productivité et ouverture pour l’entreprise
Unity Catalog gagne en ouverture avec le support d’Apache Iceberg et des métriques métier partagées. Selon Laurent Delattre, ces ajouts simplifient l’intégration de sources hétérogènes et la gouvernance croisée.
Les Clean Rooms multi-cloud autorisent désormais la collaboration entre dix partenaires sans exposer les données brutes. Cette gestion sécurisée et partagée ouvre la voie à l’utilisation d’IA générative industrielle dans les process métier.
Unity Catalog Metrics et Discover : sémantique métier
Liée à la gouvernance, cette couche sémantique rapproche la donnée des besoins métiers. Selon Laurent Delattre, Discover agit comme une marketplace interne avec recommandations pilotées par IA.
Clean Rooms et sécurité collaborative
En cohérence avec l’ouverture, les Clean Rooms permettent l’analyse conjointe sans partage de données brutes. Les DSI peuvent appliquer Unity Catalog pour auditer et tracer chaque accès ou transformation.
Sécurité collaborative Data :
- Partage chiffré des résultats
- Anonymisation automatique avant fusion
- Politiques d’accès granulaires
- Audit et traçabilité centralisés
Capacité
Description
Cloud support
Cas d’usage
Multi-party collaboration
jusqu’à 10 participants
AWS, Azure, GCP
études conjointes marketing
Formats
Delta et Iceberg
multi-cloud
analyses croisées
Gouvernance
liage Unity Catalog
multi-cloud
conformité RGPD HIPAA
Isolation
pas d’exposition des données brutes
multi-region
partenariats B2B
« Nous avons partagé des analyses conjointes sans exposer les sources, gain de confiance notable. »
Marc N.
Par conséquent, IA générative et MLOps deviennent opérationnels : agents, fonctions SQL et vector search
Agent Bricks est présenté comme un environnement de création d’agents IA sans code, connecté aux données. Selon Laurent Delattre, la plateforme automatise l’évaluation et l’optimisation des agents avec des modèles juges.
Les fonctions AI en SQL et le Vector Search facilitent l’intégration d’analyses multimodales dans les workflows. Ces fondations conditionnent la réussite de la transformation digitale des organisations et des équipes métiers.
Agent Bricks et MosaicML : rapidité et entraînement
En appui sur les LLM et MosaicML, Agent Bricks accélère la mise en production des agents IA. MosaicML fournit des outils d’entraînement et d’inférence intégrés après sa reprise par Databricks.
« Résultat client : automatisation d’extraction d’informations sur gros corpus sans efforts manuels. »
Jean N.
AI Functions, Vector Search et cas d’usage
Liées aux agents, les AI Functions en SQL permettent d’extraire des données structurées depuis des documents complexes. Selon Laurent Delattre, Vector Search évolue pour gérer des milliards de vecteurs avec un coût réduit d’un facteur sept.
Cas d’usage RAG :
- Recherche documentaire interne améliorée
- Chatbots clients multimodaux
- Extraction d’information automatique
- Recherche sémantique produit
« Databricks repousse les limites du Data Cloud, mais le choix dépend du verrouillage fournisseur. »
Paul N.
Source : Laurent Delattre, « Data + AI Summit 2025 », 18 juin 2025.