Databricks 2026 : de la plateforme Data à la plateforme agentique

Article

Avec LTAP, Genie Ontology, et Unity AI Gateway, Databricks ouvre une nouvelle étape vers l’entreprise agentique. Fort de son partenariat stratégique avec Databricks, Onepoint accompagne ses clients pour transformer ces avancées en résultats métier durables.

Deux ans. C’est le temps qu’ont passé les entreprises à investir massivement dans l’IA générative. Et pourtant si peu d’entre elles peuvent aujourd’hui se targuer d’avoir déployé des agents réellement autonomes dans leurs processus métiers.

Un agent ne vaut que par ce qu’il voit et comprend de l’entreprise. Il lui faut des données justes et fraîches, une vision du métier alignée sur celle des équipes, une gouvernance aussi stricte que celle des systèmes vitaux de l’organisation. Trois conditions que la plupart des architectures actuelles ne remplissent pas.

C’est précisément ce que Databricks, spécialiste dans l’analyse de données, cherche à résoudre en se collant à la réalité des entreprises. Une ambition criée haut et fort, à San Francisco, lors de son événement annuel, le « Data + AI Summit », du 15 au 18 juin.

Databricks, à cet égard, entend combler le fossé entre l’intelligence (analyse des données) et l’action (exécution via des agents IA). Et ce, pour passer de la production d’analyses à l’exécution de processus métier.

Dans la foulée de cet événement, ce 3 juillet, dans les murs de Onepoint, nous avons réuni nos équipes et nos clients lors de « Beyond the Summit ». L’idée consistait à clarifier notre trajectoire commune et à partager les innovations technologiques majeures dévoilées à San Francisco.

Elle avait aussi vocation à sceller la synergie stratégique entre Databricks et Onepoint. Cette alliance, déjà forte de plus de 40 experts certifiés, vise à quadrupler notre nombre de clients actifs pour dominer le marché de l’intelligence artificielle et des données d’ici 2027.

Databricks : passage de la plateforme de la donnée au système d’exécution intelligent

Databricks change de dimension. Son architecture de données se transforme en un véritable environnement de travail pour l’ère agentique. Les agents autonomes y collaborent, décident et agissent en toute sécurité au sein du système d’information.

Lakehouse : unification Data Lake + Data Warehouse

Pendant cinq ans, Databricks s’est appuyé sur sa plateforme de données, le « Lakehouse ». Celle-ci marie la souplesse d’un espace de stockage capable d’absorber toutes les données, ce qu’on appelle le « data lake ». Elle y ajoute la performance de l’entrepôt analytique, ou « data warehouse », pour les analyser rapidement.

Lakehouse : allier la capacité d'absorber toutes les données sur une plateforme unique

Unity Catalog : catalogue gouverné

Jusqu’ici, Unity Catalog, la solution de gouvernance de Databricks, se limitait à contrôler l’accès aux données. Ses prérogatives s’étendent désormais aux modèles d’IA, aux agents et aux serveurs MCP (Model Context Protocol). Chaque interaction entre l’humain, la donnée et l’IA se trouve ainsi sécurisée, tracée de bout en bout, et optimisée en continu.

Unity Catalog, outre les données, gère désormais les modèles d'IA, les agents IA et les serveurs MCP. On peut suivre précisément l'origine et l'utilisation de chaque élément, à chaque étape.

UniForm : données sans verrouillage

Auparavant, les données d’entreprise restaient souvent prisonnières de formats propriétaires. Passer d’un outil d’analyse à un autre obligeait à copier, déplacer ou transformer ces données. En fait, des exercice fastidieux, couteux qui se soldaient par une multiplication des erreurs.

Avec les formats ouverts comme Delta Lake et Apache Iceberg, Databricks garantit que les données restent portables et peuvent ainsi être utilisées par différents outils d’analyse, de BI ou d’intelligence artificielle. Cette approche franchit une nouvelle étape en offrant une interopérabilité native entre les écosystèmes, pour construire une plateforme plus flexible, évolutive et durable.

Plateforme de données : fondation de l’entreprise agentique

Jusqu’à présent, les data scientistes, les analystes ou acteurs de la DSI étaient aux manettes du Lakehouse. La requête SQL ou l’écriture du code Python pour chercher une information s’effectuait manu facto. L’interprétation des tableaux de bord se faisaient de visu.

Ces êtres humains doivent composer, à présent, avec des travailleurs numériques autonomes. Et ce, pour une raison simple : la vitesse. Si une base de données mettait 10 secondes à répondre, c’était acceptable pour un humain. Pour un agent, c’est une éternité. Les agents effectuent des milliers de tâches en parallèle en millisecondes.

LTAP, Genie Ontology, Unity AI Gateway : la pile Databricks pour des agents en production

Prenons un cas volontairement banal, que la plupart des grandes entreprises reconnaîtront : un agent chargé de traiter une demande de commande client. De la vérification du stock jusqu’à la confirmation d’expédition, il opère sans intervention humaine, sauf exception. Ce scénario suffit à révéler pourquoi les lancements marquants du Summit pointent dans la même direction.

Données transactionnelles et analytiques : le prix à payer pour les faire parler

Aujourd’hui, les données transactionnelles (statut de commande, solde du compte, historique de paiement) et les données analytiques (règles de scoring, historique de fraude, segmentation client) vivent dans des systèmes séparés. Des pipelines CDC (« Change Data Capture ») assurent la liaison entre les deux. Ces ponts obligent les entreprises à payer une véritable « taxe » en multipliant les copies de données, les outils de synchronisation et les risques de désynchronisation

Pour notre agent de commande, ce retard constitue un problème réel. Il peut confirmer une expédition sur la base d’un niveau de stock qui n’est déjà plus vrai. Il peut aussi bloquer une commande légitime parce que le paiement, validé entre-temps, n’a pas encore été répliqué dans le système analytique qu’il consulte.

Le LTAP : la fin des silos du transactionnel et de l’analytique

L’architecture de traitement de donnée, LTAP (Lake Transactional/Analytical Processing) s’attaque à cette séparation au niveau du stockage. Toutes les données opérationnelles y sont instantanément accessibles et analysables directement dans le Lake, sans copie. Pour notre agent, cela change la nature de la boucle perception-décision-action. Il peut lire et écrire sur des données réellement à jour et non sur un vieille copie de plusieurs jours.

LTAP : une seule copie des données pour les transactions et l'analytique. Des données en temps réel, sans réplication ni pipelines ETL.

Point de vigilance :

Il reste à vérifier si les solutions LTAP peuvent satisfaire simultanément aux exigences de cohérence transactionnelle et de performance des requêtes analytiques. Cette question se pose particulièrement dans un environnement de production réel.

Genie et Ontology : rendre des contextes partagés

Une fois la donnée rendue actionnable, se pose le problème de sa compréhension partagée. L’IA générative a très bien fonctionné dans le développement logiciel. C’est parce que le contexte des développeurs se concentre presque entièrement en un seul endroit : le code source. Cette concentration n’existe nulle part ailleurs dans l’entreprise. Le contexte y est dispersé entre systèmes, applications, et surtout dans la tête des collaborateurs.

Pour notre agent de commande, cette dispersion constitue un risque direct. Chacun de ces endroits est susceptible de fournir une réponse différente à une question telle que : « qu’est-ce qu’un client prioritaire » ? Est-ce le chiffre d’affaires retenu par les ventes ? Le niveau de service promis par le support ? L’urgence estimée par la logistique ? Rien ne garantit que ces trois définitions soient alignées entre elles.

Genie One : le collègue numérique

Genie One propose à chaque métier une interface en langage naturel pour interroger la donnée.

Genie One interroge les données structurées et officielles en langage naturel pour orchestrer les tâches (alertes, rapports, automatisation, etc.)

Genie Ontology : le cerveau contextuel de l’entreprise pour transformer les données en actions concrètes

Mais l’apport réel procède de Genie Ontology. C’est la brique technologique qui rend Genie plus précis que les autres IA. Elle reconstruit automatiquement la carte métier de l’entreprise à partir de Databricks et de dizaines d’applications connectées (fichiers, tickets, échanges, réunions).

Par exemple, la notion de « client prioritaire » peut être définie collectivement par les équipes commerciales, financières et opérationnelles, puis appliquée de manière cohérente par les différents agents IA.

Cette promesse ne vaut cependant que ce que vaut l’arbitrage fait en amont. La technologie ne fait qu’hériter et propager la définition qu’on lui affecte.Si les équipes ne se sont jamais accordées sur ce qu’est un « client prioritaire », l’IA ne résoudra pas cette ambiguïté. Genie Ontology risque au contraire de la reproduire à grande échelle.

Genie Ontology transforme des informations dispersées en une connaissance commune de l'entreprise. L'IA comprend ainsi le contexte métier et fournit des réponses plus précises, favorisant des actions plus pertinentes.

À retenir :

Genie One offre la possibilité d’interroger les données en langage naturel. Genie Ontology dote les IA d’une compréhension des concepts métier de l’entreprise. Limite : l’IA se contente de formaliser, diffuser et appliquer les définitions qui lui sont fournies.

Unity AI Gateway et Omnigent : gouverner les agents

Le passage à l’échelle des agents IA repose sur un équilibre. Il s’agit de leur accorder suffisamment d’autonomie pour générer de la valeur. Il faut, dans le même temps, conserver un cadre de contrôle adapté aux enjeux métier. Avec Unity AI Gateway et Omnigent, Databricks apporte cette couche de gouvernance indispensable.

Unity AI Gateway : gouvernance, observabilité et contrôle

Une fois que les agents comprennent les données et le contexte métier, reste la question la plus sensible. Qu’est-ce qu’on autorise réellement un agent à faire ?

Ce rôle incombe à Unity AI Gateway. Cette couche de gouvernance d’exécution, intégrée à Unity Catalog, encadre l’utilisation des modèles d’IA, des agents et des outils au sein de l’entreprise.

Jusqu’ici, la gouvernance répondait principalement à la question « qui peut accéder à quelle donnée ? ». Avec Unity AI Gateway, elle évolue vers une problématique plus large : quelles actions un agent est-il autorisé à réaliser, dans quel contexte, et avec quel niveau de contrôle ?

Pour y répondre, Unity AI Gateway apporte des mécanismes de contrôle en temps réel : politiques d’exécution, visibilité sur la consommation IA, attribution des coûts par équipe ou cas d’usage, plafonds de dépense et routage intelligent des requêtes selon leur complexité.

Pour notre agent de commande, cela signifie qu’on peut définir précisément ce qu’il a le droit de faire seul, comme confirmer une expédition sous un certain montant ou dans les délais standards. On peut également préciser ce qui déclenche systématiquement une validation humaine, par exemple une rupture de stock, une commande hors délai ou un montant inhabituel.

Les entreprises qui bloquent aujourd’hui le déploiement d’agents en production le font rarement par manque de modèles performants. Elles le font parce qu’elles ne savent pas encore borner, tracer et auditer ce que ces agents font.

Il demeure néanmoins un arbitrage à ne pas sous-estimer. Un plafond ou un routage mal calibré peuvent bloquer l’agent en plein milieu du processus, remplaçant un risque de dérapage par un risque de blocage opérationnel. Cette gouvernance n’a de valeur que si elle est calibrée avec le métier, pas imposée depuis la plateforme seule.

Unity AI Gateway : un point de contrôle unique pour gérer les coûts, la sécurité et les garde-fous de toutes les intéractions IA.

Omnigent : adapté à l’hétérogénéité d’agent

Databricks a par ailleurs ouvert en open source Omnigent, une couche de gouvernance des agents IA. Il permet aux entreprises de combiner différents agents (Claude code, codex, Agents customisés, etc.) tout en gardant une gouvernance, une sécurité et une traçabilité centralisées.

Dans la réalité, une entreprise n’aura pas un seul type d’agent IA, ni un seul outil pour les construire. C’est pourquoi, lors du sommet 2026, Databricks a présenté Omnigent.

Omnigent se connecte aux agents IA que vous utilisez déjà (Claude Code, Codex, Pi ou des agents personnalisés) et les fait collaborer comme une seule équipe.

Orchestrer et gouverner : la nouvelle promesse de Databricks

L’essence de la plateforme de Databricks réside dans sa capacité à orchestrer et gouverner les comportements des agents.

Databricks bénéficie d’un accès privilégié aux données d’entreprise, combiné à une infrastructure complète de gouvernance. Cet ensemble constitue un avantage difficilement reproductible par d’autres acteurs.

Si la dernière décennie a été celle de la modernisation des plateformes de données, la prochaine sera celle de l’agentisation de l’intelligence d’entreprise.

En somme, Databricks transforme le Lakehouse en un véritable système de référence organique pour les agents. Au-delà de l’historique de l’entreprise, la plateforme en devient le centre névralgique. Les agents y trouvent leur contexte (Genie ontologie), leur mémoire (Data Lake), leur carburant (LTAP) et leur cadre légal (AI Gateway).

Trois questions à emporter en comité data

Notre plateforme Data fournit-elle aux agents des données fiables, à jour et gouvernées pour agir en confiance ?
Avons-nous construit un contexte métier partagé qui donne aux humains et aux agents les moyens de prendre des décisions cohérentes ?
Comment garantir que les agents IA agissent de manière autonome et veiller à ce qu’ils restent contrôlables, auditables et alignés avec les règles de l’entreprise ?

Références

Auteur

Dian KANG

Data & AI tech lead