Data : des plateformes pour l'ère de l'agentique

Trois points non négociables avant de passer d'une pile data à une pile AI

La plupart des entreprises ne sont pas prêtes à remplacer leur pile technologique de l'ère des tableaux de bord par une pile AI. Le dernier rapport « State of Data & Analytics » de Salesforce révèle que 84% des responsables data et analytiques affirment que leurs stratégies doivent être entièrement repensées pour que leurs ambitions en matière de AI puissent aboutir. Les dirigeants estiment que 26 % de leurs données ne sont pas fiables, seuls 43 % déclarent disposer de cadres formels de gouvernance des données, et environ 50 % ne sont pas confiants dans leur capacité à générer et à fournir des informations pertinentes en temps opportun. Dans le même temps, 70 % estiment que les informations les plus précieuses sont enfermées dans des données non structurées. La conclusion est simple : l'obstacle n'est pas le manque d'enthousiasme, mais les fondations, et ces fondations doivent changer avant que les systèmes autonomes puissent se développer.

L'IA agentique transforme les data platforms en systèmes d'action qui lisent les contrats et les tickets, regardent les caméras, écoutent les appels, établissent des corrélations avec les journaux et les événements, puis exécutent. Les tableaux de bord peuvent tolérer des retards, alors que les agents ne le peuvent pas ; la conformité peut s'opérer par le biais de la documentation, alors que les agents nécessitent des contrôles au moment de l'exécution. Avant qu'une entreprise ne proclame une pile d'IA, trois éléments doivent être non négociables : la multimodalité comme valeur par défaut, le streaming comme mode de fonctionnement et la gouvernance comme système d'exécution. Les sections suivantes traduisent ces convictions en choix architecturaux qui permettent de supporter des charges de travail agentiques à l'échelle de la production.

La multimodalité par défaut

Traiter les documents, les images, l'audio, la vidéo et les journaux comme des actifs de seconde classe limite les capacités des agents par conception. Une plateforme adaptée aux agents stocke les tables et les tenseurs en tant que pairs dans un seul catalogue avec un système de lignage unifié et un modèle d'accès cohérent, de sorte que les médias à haute dimension puissent suivre le même cycle de vie que les data relationnels. En pratique, cela signifie des mises en page fragmentées ou en mosaïque qui permettent des lectures partielles et l'extraction de régions d'intérêt ; des identifiants adressés au contenu avec des métadata latéraux versionnés afin que chaque artefact soit reproductible ; et des formats natifs de tableau et de colonne qui permettent le repoussage de prédicats et de coordonnées. Les textes et les documents nécessitent des embeddings comme dérivé primaire, générés de manière déterministe, versionnés avec leurs sources et indexés avec des compromis clairs, par exemple, HNSW lorsque le rappel domine, IVF PQ lorsque la mémoire et la latence doivent être équilibrées, et l'indexation hybride dense et lexicale lorsque les codes et les numéros de produits sont essentiels. La recherche doit permettre de retrouver des ensembles de données tels que des passages, des pages, des images ou des clips, car les agents raisonnent sur des données plutôt que sur des sous-chaînes isolées.

Les gains les plus importants proviennent de la fusion, mais celle-ci n'est valable que si l'alignement est résolu au niveau de la plateforme. La fusion précoce permet de saisir des interactions fines, telles que l'alignement de parties de texte sur des régions d'image, la fusion tardive préserve les modèles spécifiques à la modalité jusqu'à une limite de décision, et les approches hybrides combinent les deux lorsque les points d'interaction sont bien définis. L'alignement est la partie la plus difficile. La synchronisation temporelle des événements entre des sources ayant des taux d'échantillonnage différents, l'enregistrement spatial entre les capteurs et l'établissement de liens sémantiques pour qu'un identifiant de commande dans un PDF, une image d'une caméra à trois voies, un pic de vibration et un événement du grand livre se rapportent au même objet commercial sont des capacités qui relèvent de la couche catalogue et lignage. Sans cette notion partagée du temps, de l'identité et de la provenance, les agents auront des hallucinations sur le contexte ou agiront sur des signaux périmés. Étant donné que 70% des dirigeants estiment que les informations les plus précieuses se trouvent à l'intérieur de data non structurées, la multimodalité ne peut pas être un ajout de la phase deux. C'est la solution par défaut qui permet de débloquer le contexte.

La diffusion en continu comme mode de fonctionnement

Le travail agentique introduit un objectif central au niveau du service : la latence de décision, c'est-à-dire le temps qui s'écoule entre un signal du monde réel et une action acceptable. Pour atteindre cet objectif, il faut d'abord disposer d'une plateforme de diffusion en continu. L'épine dorsale est un journal d'événements qui fait office de système d'enregistrement, avec des schémas appliqués à l'écriture et une sémantique de temps d'événement avec des filigranes afin que les fenêtres reflètent la vérité commerciale plutôt que l'ordre d'arrivée. Sur cette épine dorsale fonctionnent des processeurs de flux avec état qui maintiennent un état local durable, gèrent la contre-pression de manière prévisible, joignent les flux chauds à la référence froide data, et émettent des décisions plutôt que des lignes simplement transformées. Pour faciliter l'inspection et la justification par les humains et les agents, placez une couche analytique en temps réel qui ingère directement le journal et répond à des requêtes en moins d'une seconde sur des tables mises à jour en permanence.

Le chemin chaud et le chemin froid doivent vivre dans le même tissu. Les flux de données sont transférés dans des formats de table ouverts avec des transactions ACID et des voyages dans le temps, de sorte que replays, les remplissages, les audits et la formation puissent se dérouler sans geler le pipeline. Ainsi, le faux choix entre la rapidité et l'éphémère d'un côté et la durabilité et la lenteur de l'autre s'effondre. La discipline opérationnelle permet de boucler la boucle. Définissez des budgets de retard et des règles de rétractation, documentez les runbooks replay et lettre morte, et utilisez des déploiements canari avec un trafic miroir pour que les déploiements soient réversibles. Lorsque ces pratiques sont présentes, les agents chargés de la fraude peuvent bloquer avant le règlement, la personnalisation peut s'adapter en cours de session, les agents chargés de la fiabilité peuvent programmer la maintenance dès l'apparition des premières dérives et les agents chargés du service peuvent intervenir lorsque la frustration s'accroît plutôt qu'après le désabonnement.

La gouvernance en tant que système d'exécution

Au fur et à mesure que l'autonomie augmente, la confiance devient la porte d'entrée. La documentation et les audits périodiques n'empêchent pas les mauvaises décisions ; c'est le contrôle au moment de l'exécution qui le fait. Deux mesures permettent d'établir ce contrôle. Premièrement, appliquez les contrats data à l'écriture, de sorte que les producteurs publient les schémas, la sémantique et les objectifs de fraîcheur, que le registre bloque les modifications incompatibles ou les achemine vers la quarantaine, que les consommateurs déclarent leurs attentes et que des incidents soient automatiquement signalés lorsque les attentes ne sont pas respectées, de sorte que les autorisations des agents soient rétrogradées jusqu'à ce que les conditions se rétablissent. Deuxièmement, évaluez la politique en tant que code pour chaque action, qu'elle soit déclenchée par un humain ou un agent. Lorsqu'un outil ou un ensemble de data est demandé, un moteur de politique doit évaluer qui appelle, dans quel but, sur quelle data, sous quel risque et avec quelles obligations, par exemple en joignant un ensemble de preuves, en expurgeant les champs sensibles ou en exigeant une cosignature humaine au-delà d'un certain seuil. Le résultat doit être une décision signée et une piste d'audit.

La sécurité a besoin d'une posture de confiance zéro qui suppose une violation et vérifie chaque appel. Le moindre privilège, la vérification continue, l'exécution d'outils en bac à sable et le contrôle strict des sorties sont des enjeux de taille, tandis que les risques spécifiques aux agents, tels que l'injection rapide, l'empoisonnement de la récupération et l'abus d'outils, nécessitent une télémétrie et un confinement au moment de l'exécution plutôt qu'un simple réglage centré sur le modèle. Les enjeux sont clairs dans la même étude Salesforce : seuls 43% des dirigeants font état de cadres de gouvernance formels, 89% des équipes utilisant déjà l'IA ont obtenu des résultats inexacts ou trompeurs, et 88% déclarent que l'IA exige de nouvelles approches en matière de gouvernance et de sécurité. Une gouvernance éprouvée signifie que la plateforme peut montrer qui a agi, avec quelle data, sous quelle politique, en utilisant quel modèle ou quelle version d'outil, et comment revenir en arrière si nécessaire, ce qui est ce qui sépare les pilotes qui impressionnent des systèmes qui survivent aux audits.

Comment les trois éléments convergent

Le schéma directeur est un système vivant qui relie les producteurs, le stockage, l'informatique et les politiques sans passer par des intermédiaires qui érodent la confiance. Les producteurs émettent des événements de changement et déposent des artefacts tels que des PDF, des images, du son et de la vidéo dans un espace de stockage groupé, tandis qu'un catalogue global enregistre les actifs, la propriété, la lignée et les politiques applicables. Les pipelines Near data normalisent, expurgent, intègrent et alignent, et les caractéristiques et intégrations résultantes sont stockées dans des magasins indexés avec des profils d'extraction documentés. Les processeurs de flux avec état enrichissent et décident en mouvement, et une surface analytique en temps réel expose les faits nouveaux aux humains et aux agents. Parallèlement, les mêmes événements s'étagent dans des tables ouvertes avec une sémantique ACID et des voyages dans le temps, de sorte que les vues en temps réel et historiques vivent dans un seul substrat gouverné. Les agents interagissent par le biais d'outils de moindre privilège ; chaque appel est vérifié par une politique, et chaque action est signée et liée à une lignée. Ce modèle permet de combler les lacunes en matière de confiance, de rapidité et d'accessibilité qui bloquent l'échelle.

Conclusion

Les entreprises qui souhaitent développer l'IA doivent résister à l'envie d'ajouter des fonctions d'agent à une pile qui date de l'époque des tableaux de bord. Les fondations doivent d'abord être modifiées. Faites de la multimodalité la valeur par défaut, de sorte que chaque signal utile se trouve dans un catalogue avec une identité, un temps et une lignée partagés, et que la recherche renvoie des preuves plutôt que des fragments. Faites de la diffusion en continu le mode de fonctionnement afin que les décisions respectent le temps de l'événement et arrivent dans un budget de latence défini, tandis que les mêmes flux atterrissent dans des tables ouvertes à des fins d'audit et d'apprentissage. Faites passer la gouvernance des diapositives à l'exécution en appliquant les contrats à l'écriture, en évaluant les politiques à chaque action, en appliquant la confiance zéro aux outils et à data, et en observant en permanence pour que l'autonomie soit interrompue ou réduite en cas de baisse de la qualité. Ensemble, ces mesures remplacent le substrat de reporting par un substrat d'action. Les agents opèrent alors sur des preuves multimodales fraîches à l'intérieur de garde-fous explicites, avec des explications intégrées, ce qui permet aux pilotes de devenir des producteurs et à l'IA de créer de la valeur au lieu d'exceptions.