OutilsLe Big Data6sem

AIDA : l’IA de Starburst pour une entreprise réellement data-driven

Résumé IASource uniqueImpact UE

Starburst a annoncé le lancement d'AIDA (AI Data Assistant), un assistant analytique conçu pour permettre aux entreprises d'interroger leurs données distribuées sans migration préalable ni compromis sur la sécurité. Développé par la société fondée par Justin Borgman, cet outil s'adresse aux organisations qui peinent à exploiter leur patrimoine informationnel fragmenté entre clouds multiples et serveurs locaux. Contrairement aux interfaces classiques qui se contentent de convertir une question en requête SQL, AIDA repose sur le cadre "ReAct" : l'assistant décompose chaque demande métier, analyse les métadonnées disponibles et valide ses propres étapes de raisonnement avant de formuler une réponse. Résultat : des analyses ancrées dans les données réelles plutôt que des approximations générées par des modèles de langage mal contextualisés. La solution s'adapte également au profil de l'interlocuteur, offrant une profondeur technique aux analystes et des indicateurs directement actionnables aux dirigeants.

L'impact concret se mesure d'abord dans la performance opérationnelle et financière des entreprises. En connectant AIDA à des outils comme Slack ou Jira via le protocole ouvert MCP, les organisations automatisent des flux de travail critiques jusqu'ici trop rigides. Les premiers cas d'usage documentés portent sur la rétention client, grâce à une détection plus fine des signaux faibles d'insatisfaction, et sur la correction d'erreurs de facturation rendues visibles en croisant contrats et consommation réelle. Pour les directions techniques, la compatibilité avec les principaux moteurs d'IA du marché, OpenAI, Anthropic et AWS Bedrock, élimine le risque d'enfermement propriétaire et permet une maîtrise des coûts adaptée à chaque secteur. Des garde-fous configurables filtrent par ailleurs les sujets sensibles et protègent les données personnelles, levant ainsi les blocages de conformité qui freinent habituellement les projets d'innovation interne.

Ce lancement s'inscrit dans une tendance de fond : les entreprises disposent de volumes de données considérables mais restent incapables d'en extraire de la valeur à cause de l'éclatement des infrastructures. Starburst, spécialisé dans les moteurs de requêtes distribuées basés sur Trino, élargit ici son positionnement vers la couche conversationnelle, un terrain de plus en plus disputé entre acteurs du data warehouse, éditeurs de business intelligence et grandes plateformes cloud. En affirmant, par la voix de Borgman, que "la valeur réside dans la donnée elle-même plutôt que dans le modèle", Starburst tente de se différencier des solutions d'IA générative généralistes en misant sur la fiabilité analytique. La prochaine étape sera de démontrer, à grande échelle et dans des environnements de production exigeants, que ce raisonnement augmenté tient ses promesses face aux géants déjà positionnés sur ce créneau.

Dans nos dossiers

OpenAI Anthropic

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1VentureBeat AI

Votre entreprise est-elle prête pour l'IA ?

La grande majorité des entreprises ont abordé l'intelligence artificielle avec un objectif simple : automatiser plus vite, à moindre coût et à grande échelle. Chatbots pour les demandes de service, modèles de machine learning pour les prévisions, tableaux de bord analytiques pour la prise de décision : ces déploiements ponctuels ont constitué la première vague d'adoption. Pourtant, selon une analyse publiée par EdgeVerve, spécialiste des plateformes d'IA d'entreprise, beaucoup d'organisations constatent aujourd'hui que multiplier les solutions individuelles ne se traduit pas automatiquement par un impact à l'échelle de l'entreprise. Les pilotes se succèdent, mais la valeur stagne. La prochaine étape de maturité ne consiste plus à déployer davantage de modèles, mais à faire évoluer l'IA en continu selon les objectifs business, les contraintes réglementaires et les contextes clients. C'est ce que EdgeVerve nomme les "écosystèmes d'IA adaptatifs" : des réseaux d'agents, de modèles, de sources de données et de services de décision capables de fonctionner ensemble de façon dynamique, en intégrant traitement du langage naturel, vision par ordinateur, analytique prédictive et prise de décision autonome, tout en maintenant une supervision humaine. L'enjeu est particulièrement critique pour les organisations dites Global Business Services (GBS), qui pilotent des processus à haut volume dans des marchés aux réglementations et comportements clients très différents. Pour ces structures, l'automatisation statique atteint vite ses limites : elle ne sait pas s'adapter aux signaux en temps réel ni coordonner des flux de travail qui traversent fonctions, régions et systèmes. Les recherches de SSON Research identifient plusieurs freins persistants à l'adoption de l'IA générative dans ce secteur : mauvaise qualité des données, manque de compétences spécialisées, préoccupations autour de la confidentialité, retour sur investissement flou et contraintes budgétaires. Mais derrière ces symptômes, la cause commune est la fragmentation : des données cloisonnées, une gouvernance floue, des initiatives IA pilotées localement sans stratégie partagée. Résultat : les entreprises accumulent des solutions qui ne communiquent pas, des modèles sans contexte commun et une gouvernance traitée comme une formalité plutôt qu'un principe de conception. La distinction que fait EdgeVerve entre "écosystème" et "plateforme" est au coeur de la solution proposée. L'écosystème décrit l'ambition : comment les capacités IA collaborent à l'échelle de l'entreprise. La plateforme en est le socle technique, fournissant des services communs qui permettent aux agents d'accéder à des données harmonisées, d'orchestrer des processus de bout en bout, de s'interconnecter avec les applications existantes et d'opérer dans des périmètres de sécurité et de conformité définis. Sans cette couche plateforme, les écosystèmes adaptatifs restent théoriques. C'est sur ce marché que des acteurs comme EdgeVerve, filiale d'Infosys, se positionnent face à des concurrents comme ServiceNow ou Microsoft, alors que les grandes entreprises cherchent à passer d'une IA de projets pilotes à une IA véritablement opérationnelle et gouvernée.

UELes entreprises européennes soumises à l'AI Act et aux exigences de gouvernance pourraient s'appuyer sur des approches d'écosystèmes adaptatifs pour concilier scalabilité IA et conformité réglementaire.

OutilsActu

1 source

2ZDNET FR

Mistral Forge : l’offensive de Mistral AI pour rendre l’IA d’entreprise réellement souveraine

Mistral AI lance Forge, une plateforme permettant aux entreprises d'entraîner des modèles d'IA sur leurs propres données, standards et politiques internes. L'objectif est de résoudre le problème de souveraineté numérique en offrant une alternative aux modèles généralistes qui imposent une dépendance aux fournisseurs étrangers. Avec Forge, la startup française positionne l'IA d'entreprise comme réellement contrôlable et adaptée aux besoins spécifiques de chaque organisation.

UEMistral AI, startup française, offre aux entreprises européennes une solution d'entraînement de modèles sur leurs propres données, réduisant concrètement la dépendance aux fournisseurs étrangers et facilitant la conformité au cadre réglementaire européen.

OutilsOutil

1 source

3Microsoft Research

Data Formulator 0.7 : l'analyse de données d'entreprise par IA

Microsoft Research a publié Data Formulator 0.7, une nouvelle version de son système open source d'analyse de données alimenté par l'intelligence artificielle, destiné aux équipes entreprise. Cette mise à jour introduit une fonctionnalité centrale appelée Data Connectors, qui permet d'établir des connexions persistantes et réutilisables avec une large gamme de sources de données : bases de données relationnelles, entrepôts de données, systèmes BI, stockages objets et fichiers locaux. Les connexions sont gérées de façon centralisée, avec authentification, prévisualisation et gestion des métadonnées intégrées, ce qui évite aux équipes plateforme de reconstruire manuellement les mêmes intégrations à chaque projet. Des agents IA contextuels prennent ensuite en charge la préparation des données, l'exploration analytique et la génération de visualisations, sans que les utilisateurs aient besoin de maîtriser SQL ou la programmation. L'enjeu est significatif pour les entreprises qui jonglent quotidiennement avec des données éparpillées entre dizaines d'outils hétérogènes. Jusqu'ici, avant même de commencer une analyse, les équipes devaient gérer manuellement les permissions, préparer les métadonnées et assembler des pipelines pour croiser des sources disparates. Data Formulator 0.7 réduit ce fardeau en proposant un espace de travail unifié où les agents IA ont accès à l'ensemble du contexte analytique : sources connectées, tableaux chargés, graphiques précédents et objectif de l'utilisateur. En une seule interaction, un agent peut inspecter des données, écrire et exécuter du code dans un environnement isolé, générer des spécifications de graphiques et expliquer ses résultats étape par étape. Lorsqu'une requête est ambiguë, il pose des questions de clarification avant d'agir. Cela rend l'analyse complexe accessible aux experts métier qui n'ont pas de profil technique, tout en produisant un code vérifiable et reproductible pour chaque résultat. Data Formulator est développé par Microsoft Research dans un contexte où la demande d'outils d'analyse assistée par IA explose dans les grandes organisations. Les interfaces conversationnelles classiques, comme les chatbots généralistes, montrent leurs limites face aux workflows analytiques longs et ramifiés : elles manquent de mémoire persistante, d'accès aux données d'entreprise et de continuité de contexte entre les sessions. Data Formulator 0.7 tente de combler ce fossé avec un espace de travail multimodal et itératif où les équipes peuvent affiner leurs analyses au fil du temps et les partager en interne. Le projet est open source, ce qui laisse la porte ouverte à des contributions de la communauté et à une adoption progressive dans des environnements techniques variés. La prochaine étape naturelle sera d'observer comment cette approche s'intègre avec les infrastructures de données existantes des grands groupes, notamment face à des concurrents comme Databricks, Snowflake ou les outils BI traditionnels qui développent eux aussi leurs propres couches IA.

OutilsOutil

1 source

4Le Big Data

Comment garantir le succès d’un projet d’IA agentielle en entreprise

Les projets d'intelligence artificielle agentielle explosent dans les entreprises, mais la réalité des déploiements reste bien en deçà des ambitions affichées. Selon McKinsey, le marché mondial de l'IA agentielle pourrait bondir de 5 à 7 milliards de dollars en 2024 à plus de 199 milliards d'ici 2034. Pourtant, Gartner estime que plus de 40 % de ces projets seront abandonnés avant fin 2027, et une étude Qlik révèle que si 97 % des entreprises ont prévu un budget dédié, seulement 18 % sont parvenues à un déploiement complet. Le fossé entre l'enthousiasme et l'exécution est immense, et il s'explique avant tout par des infrastructures de données insuffisamment matures. Contrairement aux outils d'IA générative, qui assistent les employés dans des tâches ponctuelles et peuvent être contrôlés avant toute action, les agents IA agissent directement dans les flux de travail opérationnels : ils détectent des anomalies financières, ajustent la chaîne d'approvisionnement, déclenchent des processus automatiquement. Cette autonomie réduit drastiquement la marge d'erreur tolérée. Un agent qui s'appuie sur des données fragmentées, dupliquées ou mal attribuées peut prendre des décisions erronées sans possibilité de correction immédiate. Les données non structurées, courriels, documents internes, bases de connaissances, aggravent le problème : leur propriétaire est rarement identifié, leur exactitude difficile à vérifier. Résultat : les entreprises découvrent au moment du déploiement que leurs fondations de données ne sont tout simplement pas prêtes à supporter ce niveau de responsabilité. La gouvernance des données et la clarté des responsabilités humaines constituent donc le vrai enjeu stratégique de l'IA agentielle. Définir qui est propriétaire des données, qui valide les décisions automatisées et à quel moment une intervention humaine s'impose n'est pas une formalité administrative : c'est la condition pour que les équipes fassaient confiance au système et pour garantir conformité et traçabilité. En Europe, la loi sur l'IA impose d'ailleurs des exigences de transparence et de gestion des risques dès la conception, ce qui, malgré la contrainte perçue, offre un cadre structurant pour une adoption plus maîtrisée. La prolifération des outils ajoute une couche de complexité supplémentaire : les entreprises qui empilent des solutions sans architecture cohérente se retrouvent avec des silos technologiques qui reproduisent exactement les problèmes de données qu'elles cherchaient à résoudre. La consolidation préalable des données n'est pas un prérequis technique parmi d'autres, c'est le fondement sans lequel aucun projet d'IA agentielle sérieux ne peut tenir ses promesses à grande échelle.

UEL'AI Act européen impose des exigences de transparence et de gestion des risques dès la conception pour les projets d'IA agentielle, structurant directement les déploiements en entreprise sur le marché européen.

OutilsOpinion

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour