La donnée reprend le pouvoir

C'est deux dernière années, une question a souvent dominé les réunions de direction consacrées à l'IA : « quel modèle choisir ? »

ChatGPT, Claude, Gemini, Mistral, les COMEX ont passé des mois à comparer des fiches techniques, des grilles de tarification et des tableaux de benchmarks. La rivalité des modèles fondamentaux reste intense : Claude Opus 5.5 est sorti le 22 septembre 2026, Gemini 3.8 est disponible depuis septembre et la génération Gemini 4 est déjà disponible chez Google.

Mais le signal le plus structurant n'est pas dans ces lancements. Il est dans la trajectoire d'un partenariat signé en mars 2025 entre Databricks et Anthropic, qui rend Claude disponible nativement au cœur de la plateforme de données de Databricks et qui continue de se densifier : le 7 octobre 2026, Claude Haiku 5.5 est entré au catalogue d'Unity Gateway, la couche de gouvernance des modèles de Databricks.

Ce type d'annonce passe souvent pour un accord commercial parmi d'autres. Ce serait une erreur. Ce rapprochement illustre un déplacement structurel : le centre de gravité de l'IA d'entreprise quitte le modèle pour se réinstaller dans la donnée. Et ce déplacement change concrètement la manière dont une ETI doit penser son architecture, sa gouvernance et son organisation.

Un partenariat qui en dit plus long que ses termes

Ce que cette intégration signifie : un modèle de fondation de premier plan n'est plus un service distant que l'on interroge depuis sa plateforme de données, il s'intègre nativement au cœur de cette plateforme, au plus près des données qu'il doit exploiter.

Cette précision d'architecture est tout sauf anecdotique. Elle inverse une logique qui dominait jusqu'ici les projets IA : extraire les données de leur environnement de gouvernance pour les transporter vers l'environnement du modèle. Désormais, c'est le modèle qui vient se placer là où les données vivent déjà, avec leurs règles d'accès et leurs contrôles.

Pour un acteur comme Databricks, la logique est limpide : la plateforme de données devient le poste de pilotage naturel de l'IA d'entreprise. Pour Anthropic, c'est un canal de distribution direct vers les données des grandes organisations. Pour les entreprises utilisatrices, c'est un indice précieux sur la forme que prendra la prochaine phase de l'IA en production.

La fin de l'ère « le modèle d'abord »

Commençons par une évidence que beaucoup de feuilles de route n'ont pas encore intégrée : un modèle de fondation est un actif symétrique.

Sa puissance est réelle mais elle est disponible pour tous, vos concurrents inclus. Aucune entreprise ne se différenciera durablement parce qu'elle utilise le même modèle que tout son marché, avec les mêmes données publiques et les mêmes consignes génériques. La comparaison des modèles ressemble de plus en plus à la comparaison de moteurs électriques : tous sont excellents mais la course se joue ailleurs.

La course, précisément, se joue sur trois plans qu'aucun éditeur ne peut fournir à votre place :

Vos données propriétaires. L'historique de production, les dossiers clients, les échanges du service après-vente, les données de terrain accumulées depuis vingt ans : voilà l'actif qu'aucun concurrent ne peut acheter en quelques clics. Un modèle excellent branché sur des données médiocres produit des résultats médiocres. Un modèle standard branché sur des données propriétaires bien structurées produit un avantage compétitif.

Votre contexte métier. Ce qui distingue une anomalie d'un cas normal, ce que votre réglementation sectorielle impose : cette connaissance n'existe dans aucun modèle pré-entraîné. Elle vit dans vos équipes.

Votre organisation. Les processus, les rôles, les niveaux de contrôle : c'est là que l'IA se transforme en résultat mesurable.

Le rapprochement Databricks/Anthropic est précisément la reconnaissance de cette hiérarchie. Les éditeurs de modèles eux-mêmes viennent chercher la valeur là où elle se trouve : dans les données de leurs clients.

Le modèle vient à la donnée et pas l'inverse

Pendant les trois premières années de cette vague, la question architecturale dominante était : comment amener mes données jusqu'au modèle ? Les réponses observées sur le terrain : exports de fichiers vers des outils grand public, copies de bases vers des environnements SaaS, pipelines improvisés qui contournent les gouvernances établies.

Chacune de ces approches crée la même triple dette :

Une dette de sécurité : des copies de données sensibles hors de leur périmètre de contrôle.

Une dette de conformité : des traitements sans traçabilité, alors que l'AI Act, dont les obligations de transparence sont en vigueur depuis août 2026, exige précisément cette traçabilité sur les usages concernés.

Une dette de maintenance : des pipelines parallèles qui se dégradent en silence, jusqu'au jour où ils produisent des résultats faux avec aplomb.

Le déplacement inverse (intégrer le modèle là où vivent les données) s'attaque à ces trois dettes à la racine. Les règles d'accès existantes s'appliquent au modèle comme à un analyste interne. La gouvernance des données reste gérée dans l'outil qui la gère déjà. Les traitements IA deviennent auditables comme le reste du patrimoine data.

La plateforme de données devient le poste de pilotage

Deuxième conséquence, plus discrète mais tout aussi structurante : si le modèle s'intègre à la plateforme de données, cette plateforme hérite d'un rôle qui dépassait jusqu'ici le périmètre des équipes data.

Qui peut interroger l'IA sur quelles données ? Avec quelles finalités ? Avec quelles traces d'audit ? Quels résultats alimentent quels processus ? Ces questions de gouvernance (hier entre les mains des DSI et des responsables data) deviennent des paramètres de premier plan de la stratégie IA.

C'est une opportunité pour les organisations qui ont déjà structuré leur socle de données : le contrôle d'accès, la gouvernance et l'audit existent déjà; il reste à les étendre à l'usage des modèles.

C'est un signal d'alerte pour les autres : une plateforme de données dernier cri alimentée par un chaos documentaire produira du chaos documentaire plus vite. La technologie accélère ce qui existe, y compris le désordre.

Le prérequis que rien ne contourne : la qualité des données

Nous le répétons depuis nos premières missions, et chaque annonce de ce type le confirme : la qualité des données est un prérequis non négociable.

Non par rigorisme, mais par mécanique simple : un modèle s'appuie sur ce qu'on lui donne. Des données incomplètes produisent des réponses incomplètes. Des données périmées produisent des décisions fondées sur un passé révolu. Des données mal documentées produisent des analyses qui semblent justes mais qui ne le sont pas.

Avant de parler d'architecture, trois chantiers restent incontournables :

1. Cartographier : quelles données existent, où, sous quelle forme, avec quels droits d'accès.

2. Qualifier : corriger, dédupliquer, documenter la signification des champs, un travail ingrat sans lequel aucun modèle ne produira de valeur fiable.

3. Gouverner : désigner des propriétaires de données, définir les règles d'accès, documenter la provenance.

Ce socle n'a rien de spectaculaire. C'est exactement pour cela qu'il fait la différence : tout le monde peut acheter un modèle, peu d'organisations ont un socle de données prêt.

Les équipes restent au centre de l'équation

Il existe une lecture fataliste de ces évolutions : si l'IA s'intègre si profondément aux données et aux processus, les métiers de la donnée et les experts métier vont disparaître.

C'est précisément l'inverse que nous observons sur le terrain et c'est un point sur lequel nous tenons à être sans ambiguïté.

Rapprocher l'IA des données ne supprime pas les rôles humains ; il les élève. L'expert métier qui documentait ses critères d'analyse devient celui qui valide, corrige et oriente les résultats du modèle, son jugement devient l'élément le plus précieux du dispositif. Le gestionnaire qui passait ses journées à extraire et préparer des données devient celui qui supervise des traitements et gère les exceptions. Les équipes se libèrent des tâches répétitives pour se concentrer sur ce qui crée de la vraie valeur : l'interprétation, la décision, la relation client, l'amélioration continue.

Une plateforme peut rapprocher un modèle de millions de lignes. Rien ne remplace la connaissance du terrain, celle qui sait ce que ces lignes veulent dire.

Le point de vue AIdoption : architecturer avant d'optimiser

Notre lecture de ce rapprochement est sans détour : il confirme ce que nous observons depuis nos premières missions. La bataille de l'IA d'entreprise ne se gagne pas sur le modèle, elle se gagne sur les données et l'organisation.

C'est le cœur de notre méthodologie en quatre niveaux de maturité. Ce partenariat donne un relief particulier au niveau 2 — « Connecter aux Données » — précisément celui où la majorité des ETI stagnent encore, et où se joue désormais leur capacité à industrialiser.

Trois recommandations concrètes pour la suite :

Cartographiez votre patrimoine de données avant de choisir votre plateforme. La décision d'architecture doit découler de vos données, pas l'inverse.

Interrogez chaque fournisseur sur la traçabilité et le contrôle. Où s'exécutent les traitements ? Quelles traces subsistent ? Qui peut accéder à quoi ? Ces questions conditionnent votre conformité et votre autonomie futures.

Impliquez les experts métier dès la conception. Ce sont eux qui détiennent le contexte que le modèle n'a pas. Une IA construite sans eux produira des résultats auxquels personne ne fera confiance.

La prochaine phase de l'IA d'entreprise ne sera ni une course aux benchmarks, ni une course aux licences. Ce sera une question d'alignement : les bonnes données, dans la bonne architecture, avec les bonnes équipes.