Historique du marché Data & IA : six générations qui structurent encore le marché

L'histoire du marché explique pourquoi les acteurs ont des compétences, des méthodes et des biais si différents. Chaque génération a laissé une couche sédimentaire. Elle influence encore les positionnements.

1990 – 2010 : La génération BI et décisionnelle

La priorité était de centraliser les données, construire des entrepôts, fiabiliser les indicateurs et diffuser des reportings maîtrisés.

Créé en France en 2005, Talend a démocratisé l'ETL open source, puis s'est étendu à la qualité des données, aux API, au cloud et à la gouvernance. Business Objects, fondé en France en 1990, symbolise cette période : devenu une référence mondiale de la Business Intelligence avant son acquisition par SAP (annoncée en 2007, finalisée en 2008).

Mots-clés : Data warehouse, ETL, Reporting réglementaire, Qualité de données, Gouvernance BI.

2010 – 2016 : L'intégration, le Big Data et les data lakes

Deuxième génération : stocker et traiter de plus gros volumes. Résultat : des plateformes parfois complexes, mal gouvernées, éloignées des usages métier.

Technologies et plateformes : Hadoop, Spark, Kafka, Cloudera, Hortonworks, Databricks, Talend, Informatica, IBM DataStage, Oracle ODI, SAP Data Services, Microsoft SSIS / Azure Data Factory, AWS Glue, Google Dataflow, Tableau, Qlik.

En France : les anciens pure players et de nouveaux acteurs : SFEIR, Ippon…

Mots-clés : Hadoop / Spark, Data lake, Kafka, Visualisation.

2016 – 2020 : La data science et l'IA analytique

Troisième génération : data science, machine learning et spécialisation métier.

Cabinets / ESN généralistes autour de la prédiction, du scoring, de l'optimisation et de la modélisation, sans pour autant être bons sur la donnée : Quantmetry, Sicara (Theodo), Veltis, Octopeek, Illuin Technology.

Spécialisation métier : Artefact, Ekimetrics (Marketing Mix Modeling), Fifty-Five, Converteo, Arcane, Ysance, Elevate (data marketing) ; Nexialog (risque, finance, actuariat) ; Eurodecision (optimisation, yield management) ; Quinten Health (santé) ; Aqsone (industrie).

Technologies : Shift Technology (fraude assurance), Zelros (assurance), Owkin, Cardiologs, Gleamer (santé), Kayrros (énergie / environnement), Dataiku, SAS, IBM, AWS, Google Vertex AI, Databricks, H2O.ai, DataRobot, Alteryx, KNIME, Prevision.io.

Les mêmes sujets de vigilance revenaient déjà : le passage du modèle à l'exploitation, la maintenance, l'adoption métier, la qualité des données, les silos de données et le doublonnage des infrastructures Data & Analytics.

Mots-clés : ML / scoring, Spécialisation métier, Optimisation, Pricing.

2019 – 2022 : La Modern Data Stack

Quatrième génération : plateformes cloud, architectures lakehouse, pratiques DataOps et MLOps.

Environnements technologiques : Snowflake, Databricks, Microsoft Fabric, AWS, Google Cloud, dbt, Fivetran, Airbyte, Airflow, Craft AI, Data Galaxy, Alation, Collibra, CastorDoc.

En France, des sociétés comme SFEIR, Ippon, et plus récemment Modéo, se sont positionnées sur la construction et l'industrialisation de ces architectures. Les spécialisations varient selon les environnements cloud et les partenaires technologiques.

Ces plateformes facilitent les chaînes de traitement automatisées, les transformations versionnées, les dispositifs de qualité et les mécanismes de documentation (data catalog). Mais elles ne suppriment pas les enjeux de gouvernance. Une architecture moderne reproduit les difficultés d'une architecture historique si les responsabilités, les définitions métier, la qualité et les droits d'accès ne sont pas maîtrisés.

Mots-clés : Lakehouse, DataOps / MLOps, dbt, Data catalog.

2022 : Fort essor du Data Product & du Data Product Management

2022 consolide le concept de Data Mesh, théorisé par Zhamak Dehghani dès 2018 et popularisé par son ouvrage de référence publié en 2022. Cette approche décentralisée et socio-technique rompt avec les architectures monolithiques des générations précédentes.

Cabinets et écoles product management : Thiga, Wivoo, Theodo, Yield Studio, Wewyse Reply, Himaya.

Plateformes de product management : Productboard, Aha!, Jira, Confluence, Notion, Linear, Monday, Asana, Figma, Miro, Amplitude, Mixpanel, Pendo, LaunchDarkly, Optimizely.

Plateformes data / AI et observabilité : Huwise, Dataiku, Databricks, Snowflake, dbt, Collibra, Alation, Atlan, Monte Carlo, Great Expectations, Soda, MLflow, Weights & Biases, Arize, Fiddler, WhyLabs, Giskard, LangSmith, Datadog.

Mots-clés : Data Mesh, Data Product, Observabilité, Product Management.

2023 → : L'essor de l'IA générative, le RAG et les agents

2023 : l'IA prédictive cède la place à l'IA générative, avec l'essor du RAG et des premiers agents IA. Les cas d'usage se multiplient : recherche documentaire augmentée, assistants métier, analyse et synthèse de documents, génération de contenus, automatisation de workflows, agents encadrés et interaction en langage naturel avec les données et les applications.

L'offre se structure autour de trois niveaux :

• Modèles et plateformes : OpenAI, Anthropic, Google Gemini, Microsoft Azure OpenAI, Amazon Bedrock, Meta Llama, Mistral AI, Hugging Face ;
• Plateformes et briques applicatives : Dataiku, Salesforce Agentforce, Dust, Glean, LangChain, LlamaIndex, ainsi que des solutions analytiques comme Pigment, Omni ou ThoughtSpot ;
• Cabinets et intégrateurs spécialisés : ils traduisent ces technologies en cas d'usage métier, architectures, produits IA et transformations opérationnelles. Des acteurs comme Odinn Partners illustrent ce rôle, tout comme ZenithIA et d'autres, à l'interface entre stratégie, métier, data et technologie.

Dataiku en est l'exemple : une plateforme d'IA d'entreprise qui réunit progressivement données, data science, machine learning, IA générative, agents et gouvernance.

Mots-clés : IA générative, RAG, Agents, LLMOps, Gouvernance IA.