Points clés à retenir

  • De meilleurs modèles ne réduisent pas pour autant les problèmes liés aux données d'entreprise, car une IA peut extraire des informations du bon système tout en donnant des réponses erronées si elle ne dispose pas des définitions métier, des relations, des informations sur la propriété, des critères de qualité et des politiques d'utilisation.
  • L'acquisition de Zeenea par Actian en 2024 a posé les bases de la plateforme Actian Data Intelligence, qui relie l'métadonnées s techniques au sens métier au sein de systèmes fédérés sans déplacer les données sous-jacentes.
  • gouvernance doit être opérationnel : des contrats de données exécutables, des produits de données dont la propriété est clairement définie, des contrôles de qualité des données dans les pipelines d’intégration et une gestion assistée par l’IA garantissent le respect des politiques à mesure que les données évoluent.
  • La souveraineté implique le contrôle, la mise en œuvre et la vérification du lieu d'exécution des charges de travail liées à l'IA, du modèle utilisé et des données auxquelles elles ont accès, et pas seulement du lieu de stockage des données.
  • Le prochain défi consiste à garantir l'exactitude du contexte métier et à fournir aux agents IA suffisamment d'informations contextuelles pour qu'ils puissent agir de manière pertinente dans le respect de limites d'gouvernance s clairement définies.

On a tendance à penser qu'à mesure que les modèles d'IA s'améliorent, les problèmes liés aux données d'entreprise perdront en quelque sorte de leur importance. Je pense que c'est tout le contraire qui se produit.

Un modèle peut extraire des informations du bon système et pourtant vous donner une réponse erronée. Il peut utiliser une définition obsolète du terme « client », associer des données qui ne devraient pas être comparées ou négliger certaines restrictions concernant l’utilisation de certaines informations. Le modèle fonctionne peut-être exactement comme prévu. Le problème réside dans tout ce qu’il ignore au sujet des données.

C'est là que le contexte revêt une importance cruciale. Il ne s'agit pas du contexte au sens strict, c'est-à-dire le fait de fournir une instruction plus longue à un modèle, mais bien des définitions métier, des relations, des responsabilités, des informations sur la qualité et des politiques qui déterminent la manière dont les données d'entreprise doivent être interprétées et utilisées.

C'est également un point de vue utile pour comprendre ce que nous avons mis en place chez Actian.

Lorsque nous avons racheté Zeenea en 2024, nous y avons vu une opportunité qui allait bien au-delà de l’ découverte de données traditionnelle. Sa technologie est devenue le fondement de l’actuelle plateforme Actian Data Intelligence. L’IA d’entreprise a mis en évidence une faiblesse des architectures de données avec laquelle nous vivons depuis des décennies. Nous sommes devenus très performants dans le stockage, le traitement et le transfert des données, mais bien moins efficaces pour mettre leur signification métier à la disposition des systèmes qui les exploitent.

Pour un analyste humain, cet écart est gérable. Les professionnels expérimentés savent quelle définition du client utiliser, à quels indicateurs se fier et à qui s’adresser lorsqu’un élément semble anormal. Les systèmes d’IA ne disposent pas de ce savoir institutionnel. À moins que celui-ci ne soit explicitement représenté et rendu accessible, ils doivent se contenter de déduire le sens à partir d’informations incomplètes.

Cela devient un enjeu architectural majeur à mesure que les entreprises passent d'une IA qui répond à des questions à une IA qui prend des mesures.

C'est également un élément central de la manière dont nous avons fait évoluer l'intelligence des données chez Actian au cours des deux dernières années, en rendant le contexte métier plus accessible aux personnes et aux systèmes d'IA qui en dépendent.

Deux ans plus tard, alors que de plus en plus d'organisations ont fait passer l'IA du stade expérimental à celui de la mise en production, cet objectif est devenu plus important que jamais : aider les entreprises à comprendre non seulement quelles données elles possèdent, mais aussi ce qu'elles signifient et comment les exploiter.

Des catalogues de données au contexte métier connecté

Depuis des années, les catalogues de données constituent un élément essentiel de l'gestion des données d'entreprise, aidant les organisations à identifier des informations dans des environnements de plus en plus complexes. Mais trouver une « jeu de données » n'est que la première étape. Comprendre ce qu'elle signifie, comment elle s'articule avec d'autres données et si elle répond à un objectif particulier représente un défi tout à fait différent.

Prenons un exemple aussi banal que l'enregistrement d'un client. Le service commercial pourrait définir un client actif comme une personne pour laquelle une opportunité est en cours. Le service financier pourrait le définir comme une relation de facturation active. Le service de l'support client pourrait quant à lui se baser sur les interactions récentes. Aucune de ces définitions n'est nécessairement erronée. Elles répondent simplement à des questions différentes.

Si un analyste comprend ces différences, il peut déterminer quelle définition s'applique. Un système d'IA doit disposer de cette même compréhension, sans quoi il risque de fournir une réponse convaincante fondée sur des hypothèses erronées.

C'est en partie ce qui a motivé notre acquisition de Zeenea. Son approche de la gestion fédérée de l'métadonnées s nous a fourni une base permettant de relier les informations techniques à leur signification métier, à leurs relations, à leur traçabilité et à leur propriété.

L'aspect fédéré est important. La plupart des entreprises ne vont pas regrouper toutes leurs données dans un seul environnement, et je ne pense pas qu'elles devraient le faire. Elles ont déjà réalisé des investissements, sont soumises à des obligations réglementaires, ont des modèles d'exploitation différents et ont de bonnes raisons de conserver certaines charges de travail là où elles se trouvent.

Ce dont ils ont besoin, c'est d'un moyen de comprendre les relations entre les ressources de données sans avoir à déplacer l'ensemble des données sous-jacentes.

Notre graphe de connaissances fédéré permet d'établir ces liens. Il relie les « métadonnées » entre les différents systèmes, ce qui facilite la compréhension des relations entre les ressources de données, d'une part, et les concepts métier, d'autre part, ainsi que des liens entre ces ressources elles-mêmes.

Cela ne signifie pas pour autant que ce graphique résout comme par magie tous les conflits de définitions. Il faut encore déterminer quelles définitions font autorité, à qui elles appartiennent et comment les appliquer. Mais il offre aux organisations une base bien plus solide pour mener à bien ce travail.

Le contexte n'est utile que si l'on peut s'y fier

Une autre erreur que je constate souvent chez les entreprises est de traiter l'métadonnées, l'gouvernance et la qualité des données comme des projets distincts.

Ils disposent d'une initiative de catalogue, d'un programme « gouvernance », d'un outil de qualité et peut-être d'une équipe chargée des produits de données. Chacun de ces éléments peut apporter une contribution utile, mais les liens entre eux sont souvent ténus.

Dans mon rapport O’Reilly, Les fondements d’une meilleure entreprise gestion des données, j’ai décrit cinq piliers qui doivent fonctionner en synergie : l’architecture, l’ gouvernance, la qualité des données et l’ observabilité, l’ métadonnées, ainsi que les personnes et la culture.

L'observabilité des données constitue un élément essentiel de ce tableau. Il est certes utile de comprendre la signification d'une « jeu de données », mais les organisations doivent également savoir si les données sont fiables, comment elles évoluent au fil du temps et à quel moment un problème survient. Sans cette visibilité, même des données bien documentées peuvent conduire à de mauvaises décisions.

C’est pourquoi nous investissons dans la qualité des données et dans leur surveillance dès les premières étapes de leur cycle de vie. Grâce à Actian DataConnect, nous intégrons directement dans les pipelines d’intégration des fonctionnalités d’évaluation de la qualité des données, de correction et de surveillance continue assistées par l’IA, ce qui permet aux entreprises d’identifier et de résoudre les problèmes avant qu’ils n’affectent les applications d’analyse et d’IA en aval.

J'ai délibérément inclus les personnes et la culture, car la technologie ne résout pas à elle seule les questions de propriété ou de responsabilité.

Vous pouvez attester qu’une source de données spécifique ( jeu de données ) constitue la source de référence pour un indicateur métier. Mais que se passe-t-il lorsque le producteur de données modifie sa structure ? Qui est chargé de communiquer ce changement ? Comment les utilisateurs en aval peuvent-ils savoir si les données répondent toujours à leurs besoins ?

Il s'agit là de questions d'ordre opérationnel, et non de questions relatives au catalogage.

Ces éléments ont influencé la manière dont nous avons fait évoluer la plateforme Actian Data Intelligence. Plutôt que de considérer l’ métadonnées e comme un inventaire statique, nous avons investi dans des solutions permettant de la relier aux produits de données, aux processus d’ gouvernance et aux personnes chargées de gérer les données d’entreprise.

L'objectif n'est pas de créer un niveau administratif supplémentaire. Il s'agit de rendre les informations que les organisations gèrent déjà utiles dans les prises de décision et les processus où elles sont importantes.

Mise en œuvre de l'gouvernance e des données

Je préconise vivement de rapprocher l'gouvernance e des lieux où les données sont créées et consommées, en suivant une approche « shift-left ».

Cela ne signifie pas pour autant que toutes les décisions relatives à l’ gouvernance t doivent être décentralisées. Les grandes entreprises ont toujours besoin de normes communes et d’une supervision. Mais une équipe d’ gouvernance centrale ne peut pas tout faire si chaque modification nécessite une intervention manuelle.

Imaginons qu'un producteur de données modifie le format d'un champ utilisé par plusieurs applications en aval. Ce changement peut s'avérer tout à fait raisonnable du point de vue du producteur. Pour un consommateur qui s'attend à ce que le format reste inchangé, cela pourrait entraîner une défaillance ou, pire encore, un résultat qui semble plausible mais qui est erroné.

Le fait qu’un document de l’ gouvernance e préconise de réexaminer ces changements n’empêche pas cela.

Les contrats de données offrent un moyen plus pratique d'exprimer les attentes entre les producteurs et les consommateurs. Ils permettent de définir des exigences en matière de structure, de qualité et d'autres caractéristiques convenues concernant les données. Lorsque ces contrats sont exécutables, les vérifications correspondantes peuvent être intégrées aux flux de travail opérationnels, au lieu de dépendre entièrement de la mémoire d'une personne chargée de consulter une politique.

Les produits de données apportent un autre élément important : une définition plus claire de la propriété et de la responsabilité vis-à-vis des informations dont dépendent d'autres acteurs.

C'est également pour cette raison que nous avons investi dans des solutions permettant aux organisations de définir et de gérer leurs produits de données et leurs contrats de données, afin de faciliter la transposition des exigences d'gouvernance s en pratiques opérationnelles.

Notre étude menée en collaboration avec le BARC, « Produits de données et contrats de données en 2026 : les fondements du succès de l’IA », témoigne de l'adoption croissante de ces approches.

Bien sûr, l'utilité d'un contrat dépend entièrement des exigences qu'il énonce et des processus qui le sous-tendent. Les organisations doivent encore déterminer ce qu'il convient de faire en cas d'échec d'un contrôle, qui est habilité à approuver les exceptions et comment les modifications sont communiquées.

C'est là, selon moi, que réside le véritable travail d'gouvernance .

Nous utilisons également l'IA pour certaines tâches de gestion des données qui demandent beaucoup de travail. Notre « Data Steward Agent » est conçu pour faciliter les tâches liées à l'métadonnées et à l'gouvernance , afin que nos collaborateurs puissent se concentrer sur les décisions qui requièrent une expertise et un esprit critique.

Je ne considère pas l'automatisation comme un substitut à la responsabilité. Au contraire, plus on automatise, plus la responsabilité doit être clairement définie.

Mettre le contexte à disposition là où les décisions sont prises

Le prochain défi consiste à mettre toutes ces connaissances à la disposition des personnes et des applications qui en ont besoin.

L'analyse conversationnelle en est un bon exemple.

Le fait de pouvoir poser une question en langage naturel constitue une avancée considérable par rapport à l'obligation faite à chaque utilisateur de l'entreprise de comprendre les schémas de bases de données ou de rédiger des requêtes. Mais l'interface ne représente qu'une partie du problème.

Si vous demandez à un système d'IA combien vous aviez de clients actifs au trimestre dernier, celui-ci devra tout de même savoir ce que signifie « actif », quelles sont les données faisant autorité, comment les indicateurs pertinents sont calculés et quelles informations l'utilisateur e est autorisée à consulter.

Sans cette compréhension, une interface plus conversationnelle peut tout simplement faciliter l'obtention de réponses erronées.

J'ai abordé ce sujet dans mon livre blanc intitulé « L'IA n'est pas le problème. C'est votre modèle de données qui l'est ». Le modèle de données sous-jacent est essentiel, car il rend compte des relations et des règles métier qu'un modèle linguistique ne peut pas déduire de manière fiable à partir des noms de colonnes seuls.

Nous avons abordé ce problème sous plusieurs angles.

Actian AI Analyst apporte une analyse conversationnelle régulée aux données d'entreprise, réduisant ainsi les barrières techniques entre les utilisateurs métier et les informations dont ils ont besoin. Son intégration à la plateforme Actian Data Intelligence permet aux organisations d'utiliser les définitions métier et les relations gérées dans le catalogue pour orienter l'interprétation des requêtes analytiques.

AI Analyst s'appuie également sur des indicateurs et des relations prédéfinis pour orienter la construction d'requête , plutôt que de laisser ces décisions entièrement à la charge d'un modèle linguistique.

Notre action en faveur d'une gestion responsable soutient les fondations « métadonnées » et « gouvernance », sur lesquelles reposent ces expériences.

Ces fonctionnalités ne sont pas interchangeables. Elles permettent de résoudre des problèmes différents et ne dispensent pas d’une architecture de données solide. Elles reflètent toutefois la direction que nous prenons : rendre les données d’entreprise plus faciles à comprendre et à utiliser sans pour autant demander aux utilisateurs de faire abstraction de la complexité sous-jacente.

Pour les clients, cela peut se traduire par un gain de temps dans la recherche d'informations, une réduction des tâches manuelles liées à la gestion de l'métadonnées, ainsi qu'un parcours plus clair entre une question métier et une réponse qu'ils peuvent évaluer et sur laquelle ils peuvent agir.

Le contexte inclut également les règles relatives aux environnements dans lesquels l'IA peut fonctionner

Un domaine où cela revêt un intérêt particulier est celui de la souveraineté en matière de données et d'intelligence artificielle.

La souveraineté est parfois réduite à la seule question du lieu de stockage des données. Or, une organisation peut conserver des données sensibles dans une juridiction donnée tout en transmettant des informations à un modèle ou à un service externe dans le cadre d’une « workflow » d’IA. La localisation des données ne garantit pas à elle seule le contrôle sur la manière dont ces données sont utilisées.

Dans le rapport O’Reilly « Souveraineté des données et de l’IA : comprendre la souveraineté des données et de l’IA dans le cloud, sur site et en périphérie », que j’ai coécrit avec Ole Olesen-Bagneux et Steffen Kläbe, nous examinons ce défi plus large.

Pour moi, la souveraineté s'articule autour des notions de contrôle, d'application et de preuve. Pouvez-vous décider où s'exécute une application « charge de travail », quel modèle elle utilise et à quelles données elle peut accéder ? Pouvez-vous faire respecter ces décisions sur l'ensemble des systèmes concernés ? Et pouvez-vous démontrer que ces contrôles ont bel et bien fonctionné ?

Notre étude BARC, « Where Enterprise AI Runs : placement délibéré de l’ charge de travail entre le cloud, l’ sur site et la périphérie », examine comment les entreprises prennent des décisions de plus en plus réfléchies quant à l’emplacement de déploiement de leurs charges de travail d’IA. Je ne vois pas cela comme un argument contre le cloud. Chaque type de charge de travail a des exigences qui lui sont propres, et la portabilité est rarement aussi simple qu’elle en a l’air sur le papier.

C'est en partie ce qui motive des investissements tels que la solution « AI Analyst » auto-hébergée avec « bring-your-own-LLM » ( support ) et VectorAI DB, y compris déploiement dans des environnements aux ressources plus limitées. Ces fonctionnalités offrent des choix architecturaux supplémentaires, même si elles ne suppriment pas les responsabilités opérationnelles associées ni ne résolvent tous les aspects liés à la souveraineté.

En fin de compte, ces décisions dépendent de la compréhension du caractère sensible des informations, de leur finalité métier, des politiques applicables et de l’environnement dans lequel le système fonctionne. C’est là une autre dimension du contexte dont l’IA d’entreprise a besoin.

Deux ans plus tard, qu'avons-nous appris ?

Deux ans plus tard, la vision architecturale qui a guidé notre acquisition de Zeenea reste au cœur de la manière dont nous faisons évoluer l'intelligence des données chez Actian.

Cette acquisition nous a permis de disposer d’une base solide en matière de gestion de l’ métadonnées e et de découverte fédérée. Nous avons poursuivi sur cette lancée en associant métadonnées à gouvernance, à des produits de données, à une gestion intelligente des données et à de nouvelles façons pour les utilisateurs d’interagir avec les données d’entreprise.

L'un des enseignements les plus importants que nous avons tirés est que la gestion de l'métadonnées et l'gouvernance ne peuvent pas évoluer indépendamment l'une de l'autre. Il est essentiel de comprendre où se trouvent les données, ce qu'elles signifient et comment elles circulent d'un système à l'autre. Mais les organisations doivent également traduire cette compréhension en une attribution claire des responsabilités, en des politiques applicables et en des processus capables de s'adapter au rythme du changement.

Parallèlement, les besoins des entreprises en matière d'IA nous ont amenés à envisager sous un angle plus large les questions de flexibilité et de contrôle de l'déploiement .

Il s'agit là de défis technologiques différents, mais qui partagent un problème commun : les organisations doivent comprendre leurs données et les conditions dans lesquelles elles peuvent les exploiter.

Des questions épineuses subsistent. Comment garantir l'exactitude du contexte métier alors que les systèmes sous-jacents évoluent ? Comment faire en sorte que les règles soient respectées dans des architectures de plus en plus distribuées ? Comment fournir aux agents d'IA suffisamment d'informations pour qu'ils agissent de manière utile sans pour autant leur accorder plus de liberté qu'ils ne devraient en avoir ?

Je ne pense pas qu'un modèle, un catalogue ou une plateforme, à eux seuls, puissent apporter une réponse à ces questions. Celles-ci nécessitent des choix architecturaux, une répartition claire des responsabilités et une volonté de faire converger des disciplines qui, historiquement, ont toujours fonctionné séparément.

C'est, selon moi, la direction que prend l'intelligence des données. L'métadonnées e doit devenir plus exploitable. L'gouvernance doit être plus continue. Et le contexte doit être accessible non seulement aux personnes qui découvrent les données, mais aussi, de plus en plus, aux systèmes d'IA qui les utilisent.

Reconnaissance tout au long du parcours

Deux ans après le rachat de Zeenea, Actian a été mentionnée pour la première fois dans le Magic Quadrant™ de Gartner® de novembre consacré aux solutions de gestion des données et de l'analyse ( gouvernance )plateformes en tant que seul nouvel entrant, classé dans la catégorie « Acteur de niche ».

Il s'agit d'une étape importante dans notre parcours. Notre approche de l'« gouvernance » a évolué : alors qu'auparavant nous aidions les organisations à découvrir et à comprendre leurs données, nous nous attachons désormais à rendre l'« gouvernance » plus opérationnelle. Grâce à des contrats de données et à une gestion assistée par l'IA, nous intégrons des politiques dans les flux de travail liés aux données, ce qui réduit les tâches manuelles et aide les organisations à garder le contrôle alors que l'adoption de l'IA s'accélère.

Nous avons parcouru un long chemin depuis lors, même s’il reste encore beaucoup à faire. Et je pense que les défis auxquels nous sommes confrontés aujourd’hui sont d’autant plus d’actualité que les entreprises déploient désormais l’IA en production.

Actian a également été distingué dans d’autres évaluations réalisées par des analystes indépendants. Nous avons été désignés « acteur majeur » dans le rapport IDC MarketScape 2026 consacré aux logiciels de plateformes d’intelligence des données, figurons dans la liste restreinte de Constellation Research pour la gestion sémantique et contextuelle au service de l’analyse et de l’IA, avons été reconnus comme « leader » et « Ace Performer » dans la matrice SPARK 2026 du QKS Group pour les solutions d’ gouvernance des données, et avons été désignés « fournisseur exemplaire » dans les guides d’achat ISG consacrés à l’intelligence des données, aux produits de données et à l’ gouvernance des données.

Ces évaluations s'appuient sur des méthodologies différentes et portent sur des segments distincts du marché. Je ne les considérerais pas comme interchangeables, ni comme un substitut à l'expérience vécue par les clients lorsqu'ils utilisent notre technologie.

Ce qui compte pour moi, c'est ce qui va se passer ensuite. À mesure que les systèmes d'IA gagnent en autonomie, le défi consiste à s'assurer qu'ils ont accès au contexte métier approprié, qu'ils fonctionnent dans le respect de limites d'gouvernance s clairement définies et qu'ils restent responsables vis-à-vis des personnes en charge des données.

C'est la prochaine étape du travail que nous avons entamé il y a deux ans.


Gartner, « Magic Quadrant for Data and Analytics » gouvernance plateformes , Anurag Raj, Sarah Turkaly, Lulu Wang, Dalia Naguib, 12 novembre 2026.

« Gartner » et « Magic Quadrant » sont des marques déposées de Gartner, Inc. et/ou de ses filiales.

Gartner ne cautionne aucune entreprise, aucun fournisseur, aucun produit ni aucun service mentionné dans ses publications, et ne conseille pas aux utilisateurs de technologies de choisir uniquement les fournisseurs ayant obtenu les meilleures notes ou d’autres distinctions. Les publications de Gartner reflètent les opinions de son équipe d’analyse des marchés et des technologies et ne doivent pas être interprétées comme des déclarations de fait. Gartner décline toute garantie, expresse ou implicite, concernant cette publication, y compris toute garantie de qualité marchande ou d’adéquation à un usage particulier.