Les startups numériques natives abandonnent les bases de données rigides pour des stacks à base d'agents
Trois startups spécialisées dans l'intelligence artificielle agentique ont choisi la même solution technique face à un problème d'infrastructure devenu critique : Huntr, Modelence et Tavily ont toutes bâti leur socle de données sur MongoDB Atlas, plateforme unifiée intégrant recherche vectorielle native, recherche hybride et mise à l'échelle automatique gérée. Modelence, créateur d'un framework open source pour développer des applications web agent-native, a ainsi pu lever 3 millions de dollars en financement d'amorçage et lancer une plateforme capable de générer des applications complètes, API et bases de données incluses, en quelques minutes seulement. Selon Aram Shatakhtsyan, cofondateur et directeur général de Modelence, le modèle de documents de MongoDB s'aligne naturellement sur la façon dont les agents IA traitent et génèrent des données, permettant aux schémas d'évoluer sans migrations manuelles, tout en conservant une couche de schéma typé qui améliore la fiabilité du code généré. L'intégration avec TypeScript renforce cette cohérence en offrant une source unique de vérité entre la logique applicative et la base de données. Tavily, de son côté, exploite MongoDB pour son API de recherche conçue spécifiquement pour les agents IA, qui les connecte à des informations web en temps réel plutôt qu'à des données d'entraînement figées ; Tomer Weiss, responsable de l'équipe data de l'entreprise, explique que la flexibilité du schéma permet de suivre le cycle de vie complet de chaque document consulté, incluant sa date de récupération, son degré d'obsolescence et sa popularité.
Résumé et traduction réalisés par Le Fil IA à partir de VentureBeat AI. Lire l'article original →
Ce choix technique répond à un phénomène que l'industrie commence à nommer "architectural drag", soit le décalage croissant entre ce que les modèles et agents d'IA sont capables de produire et ce que les infrastructures traditionnelles peuvent réellement supporter. Les bases de données relationnelles classiques, conçues avec des schémas rigides, imposent des mises à jour manuelles à chaque fois qu'un agent introduit une nouvelle forme de données, tandis que le recours à des bases vectorielles séparées ajoute de la latence et des problèmes de synchronisation. Pour des systèmes qui doivent gérer sans intervention humaine des schémas variables, des embeddings vectoriels, de la récupération en temps réel et un usage multi-tenant à grande échelle, cette rigidité devient un frein direct à la mise en production. L'enjeu dépasse la simple performance technique : il conditionne la vitesse à laquelle les startups peuvent itérer et la fiabilité de leurs produits face aux utilisateurs.
Ces trois cas illustrent une tendance de fond dans l'écosystème des startups qui construisent des produits IA dits "agent-native" : plutôt que d'assembler plusieurs briques technologiques distinctes pour le stockage, la recherche vectorielle et la recherche classique, elles privilégient une plateforme unique capable de tout gérer nativement. Cette convergence réduit les points de défaillance et simplifie l'architecture des agents autonomes, un facteur jugé de plus en plus déterminant à mesure que ces systèmes gagnent en complexité et en autonomie décisionnelle. Le pari de MongoDB, qui investit depuis plusieurs années dans les capacités vectorielles et l'autoscaling de sa plateforme Atlas, semble ainsi trouver un écho concret chez les jeunes entreprises qui construisent l'infrastructure des futurs agents IA.
Pas d'impact direct sur la France/UE