Databricks explique pourquoi l'IA d'entreprise est passée de l'enthousiasme à la sécurité

À TechCrunch Disrupt 2026, un cofondateur de Databricks a fait une observation qui éclaire beaucoup de choses : l'IA d'entreprise entre dans une phase radicalement nouvelle. Les sociétés ont mûri dans leur rapport à la technologie. Il y a environ deux ans, la question était simple : « C'est magique ? Pourrons-nous l'appliquer ? » Aujourd'hui, elle est autre : « Est-ce sûr ? Cela tiendra-t-il en conditions réelles ? Combien cela coûte-t-il vraiment ? »

La fin du far west des pilotes

C'est un tournant pour l'industrie. En 2024-2025, les entreprises ont avancé en vague : ChatGPT était sorti, tout le monde voulait de l'IA, alors lançons un pilote. Les budgets étaient généreux, le scepticisme minimal. Databricks, OpenAI et Anthropic ne vendaient pas des produits, mais un champ des possibles. Les éditeurs expliquaient : cela peut transformer votre entreprise, cela peut vous faire économiser de l'argent. Les pilotes passaient. Les démos étaient belles. Le modèle fonctionnait sur 100 exemples et tout le monde était ravi. Mais venait le moment de la question : comment le mettre en production ? Et là, tout s'arrêtait.

Databricks le constate directement dans ses négociations. Elle prépare Disrupt 2026 avec une cinquantaine de témoignages de réussite, et la même phrase revient dans chacun : « L'accord s'est enlisé à l'étape de la revue de conformité. » Ou : « L'entreprise attendait une réponse à la question : comment mettre à jour le modèle ? » Ou : « Trois mois ont été perdus à débattre : et si le modèle hallucine en situation réelle ? »

Ce qui tue réellement les contrats

Le principal ennemi de l'IA d'entreprise n'est, en fait, pas la concurrence entre éditeurs, mais la réalité de la gouvernance d'entreprise :

• Conformité et réglementation — GDPR, HIPAA, PCI DSS. Une banque ne peut pas simplement envoyer les données de ses clients vers le cloud où vit le modèle. Un assureur ne peut pas s'appuyer sur un modèle susceptible d'enfreindre HIPAA. Ce n'est pas un risque abstrait : ce sont des amendes de plusieurs millions de dollars.
• Intégration avec l'existant — la plupart des entreprises du Fortune 500 tournent sur des bases de données plus anciennes que leurs ingénieurs. Un nouveau pipeline d'IA doit s'intégrer sans casser un workflow vieux de 20 ans.
• Coûts réels — le pilote a coûté $200K. Mais la production coûte de $500K à $2M par an. Il faut du MLOps, des ingénieurs, réentraîner le modèle, le surveiller et revenir à des versions antérieures.
• Fiabilité à l'échelle — le pilote tournait sur 100 exemples. En production, c'est 100K exemples par jour. Le modèle peut se briser de façon inattendue sur des cas limites absents de l'échantillon de test.
• La question de la source de vérité — d'où viennent les données ? Si le modèle dialogue avec 10 API différentes, laquelle fait foi ? Et si elles se contredisent ?

Databricks a lancé sa plateforme précisément pour cela : un espace de travail unifié données + IA où l'on peut entraîner un modèle, l'exécuter en production et le surveiller, le tout au même endroit, sans intégrer 15 éditeurs.

Ce que cela signifie pour le marché

Les éditeurs ne peuvent plus se contenter de démos spectaculaires et de promesses. Les entreprises veulent des garanties. Elles veulent une architecture qui n'exige pas de réécrire toute l'infrastructure. Elles veulent des preuves : voici l'audit trail, voici le journal de conformité, voici le versionnage des modèles.

Le segment de l'IA d'entreprise ralentit. Mais ce n'est pas une mauvaise nouvelle, c'est une bonne nouvelle. Les entreprises cessent de lancer des pilotes absurdes avec un ROI attribué après coup. Elles demandent : où est la valeur ? Qui va maintenir tout cela ? C'est bon pour le marché, car cela signifie de bons investissements. Et mauvais pour les éditeurs qui ne vendaient que des contes sur l'AGI.