fr.wedoany.com Rapport : Lors de la conférence des développeurs Snowflake 2026, l'entreprise a clairement annoncé que son positionnement stratégique évoluait, passant d'un entrepôt de données cloud et d'un cloud de données à la couche supérieure de la pile logicielle d'intelligence artificielle. Elle vise à construire des « systèmes intelligents » intégrant les données d'entreprise, la sémantique, la gouvernance, la logique métier, les actions, les traces des agents et les connaissances institutionnelles, afin de permettre aux humains et aux agents de poser de meilleures questions, d'obtenir de meilleures réponses et d'exécuter des actions contrôlées. Snowflake a déjà développé de nombreuses fonctionnalités d'IA, mais la question est de savoir si elle pourra devenir un point de contrôle fiable dans la nouvelle pile d'IA avant que les fabricants de modèles, les fournisseurs d'applications, les fournisseurs de cloud hyperscale et les fournisseurs d'ontologies ne revendiquent ce domaine.
Lors d'une séance de questions-réponses privée avec les médias et les analystes, Sridhar Ramaswamy, PDG de Snowflake, a admis que la pile technologique complète future est encore inconnue. Il a souligné que les fournisseurs de modèles possèdent des capacités de pointe sans fardeau historique, que les fournisseurs d'applications maîtrisent une connaissance approfondie des processus, et que le cœur de l'avantage de Snowflake réside dans la gravité des données, les capacités de gouvernance, le contexte métier et la clientèle qui lui confie ses données critiques. Il a insisté sur le fait que l'innovation produit et l'adéquation produit-marché détermineront en fin de compte le cours de l'histoire, et que celle-ci sera écrite a posteriori comme une évidence, mais ce n'est pas le cas aujourd'hui.
Selon le cadre conçu par George Gilbert, analyste principal chez theCUBE Research, les systèmes intelligents sont divisés en cinq couches. Snowflake est actuellement le plus fort dans certains domaines des première et deuxième couches, entre activement dans la quatrième couche et jette les bases des troisième et cinquième couches. Ce cadre considère les systèmes de participation comme le front-end, où les gens interagissent avec les agents et accomplissent leur travail ; les systèmes intelligents comme le back-end, responsables de l'organisation des données, des règles, du contexte, des actions et de la logique métier, rendant le tout lisible et finalement exécutable par les humains et les agents.
La déclaration stratégique des dirigeants de Snowflake indique que l'entreprise d'agents a besoin de quatre composants principaux : les données et le contexte d'entreprise, les modèles d'IA, les applications d'entreprise et le plan de contrôle des agents. Ses produits, Snowflake Intelligence et Cortex Code, ont été renommés respectivement CoWork et CoCo, et sont positionnés comme les blocs de construction fondamentaux de l'entreprise d'agents. Du point de vue de l'architecture produit, Snowflake combine quatre niveaux : les systèmes de participation, les systèmes d'agents, les systèmes intelligents et la base de données, correspondant respectivement à CoWork et CoCo, aux agents et à l'orchestration multi-agents, à Horizon et Cortex Sense, ainsi qu'aux stockages de données comme les tables Snowflake et Iceberg. Les hauts dirigeants de l'entreprise discutent désormais de sujets tels que le contexte, la sémantique métier, l'indépendance vis-à-vis des modèles, la gouvernance des agents, l'identité et la mémoire, un vocabulaire qui dépasse les anciens concepts de séparation calcul-stockage et se rapproche davantage du langage de la pile logicielle d'IA.
L'argument technique central de Snowflake est que « le contexte détermine la qualité des agents ». Baris Gultekin, vice-président de l'IA, a souligné que la transformation de l'IA dépend de la profondeur de la compréhension métier par l'IA : un agent sans contexte peut mal interpréter les indicateurs, gaspiller des tokens à redécouvrir des schémas et exposer des risques de gouvernance. Prenant l'exemple du calcul de la valeur contractuelle trimestrielle, un agent générique pourrait conclure à une augmentation de la valeur, mais la définition métier exige d'exclure l'activité de la couche gratuite, sinon la réponse est erronée. Cortex Sense de Snowflake vise à résoudre ce type de problèmes en construisant un runtime hébergé de contexte d'entreprise à partir d'informations provenant de connecteurs, de données structurées et non structurées, de vues sémantiques, de glossaires métier, de compétences, d'interactions avec les agents et de métadonnées. Les données comparatives fournies par Snowflake montrent que le taux de précision des réponses d'un agent de codage de pointe sur des données dures et structurées est d'environ 24 %, qu'il passe à environ 47 % avec un modèle sémantique, à environ 73 % avec un modèle sémantique interne fortement ajusté, et à environ 86 % avec Cortex Sense prêt à l'emploi. La conclusion centrale est que plus l'IA est proche d'un contexte métier gouverné, meilleures sont les réponses et plus le coût est faible.
Horizon, en tant que base de gouvernance et de catalogue, s'étend selon trois dimensions : l'interopérabilité, le contexte et la gouvernance. Les capacités clés incluent le partage ouvert des tables Iceberg, le contrôle d'accès fin mis en œuvre par Horizon, la mise en œuvre par Horizon de l'API Polaris et l'extension de la gouvernance au-delà de Snowflake, l'intégration Select Star pour extraire les métadonnées d'outils tels que Power BI, Tableau, Postgres et SQL Server, la construction par Horizon Context de vues de lignage et sémantiques, la gouvernance pilotée par l'intention, et la gouvernance de l'IA pour surveiller la qualité des agents et l'exposition des données sensibles. Les analystes soulignent que bien qu'Horizon soit passé du catalogue au contexte, il ne constitue pas encore un système intelligent complet : le catalogue définit les noms, tandis qu'un système intelligent complet doit modéliser les verbes – c'est-à-dire les actions, les préconditions, les effets, les exceptions, les décisions et les flux de travail. Parallèlement, la quantité de données générées par les agents connaît une croissance explosive, et la gestion des coûts liés à ce volume massif de données dans ce cadre pourrait devenir un obstacle financier pour les clients.
Cortex Sense est considéré comme l'étape la plus importante vers les systèmes intelligents. Il se concentre explicitement sur le runtime de contexte, tentant d'inférer et d'organiser la sémantique d'entreprise afin que les agents puissent répondre aux questions métier avec plus de précision et à moindre coût. Ce produit ne se contente pas de collecter des métadonnées techniques ; il commence également à s'orienter vers la sémantique métier, les compétences, le contexte des flux de travail, les interactions avec les agents et les représentations de type graphe de connaissances. Actuellement, Cortex Sense est le plus performant dans la compréhension des données structurées, la construction de modèles sémantiques, la réduction du gaspillage de tokens, la création d'un contexte hébergé pour les agents et l'amélioration de la qualité des réponses structurées. Cependant, il reste faible dans la capture des connaissances approfondies des processus à travers des applications comme SAP, Salesforce, Workday, la coordination de la logique métier inter-domaines, l'extraction des traces de raisonnement des experts et l'élévation des schémas observés en règles de processus gouvernées.
Au niveau de la base de données, Snowflake promeut les formats de table ouverts et l'intégration à copie zéro. Le stockage Snowflake pour Apache Iceberg est désormais officiellement disponible ; Horizon prend en charge les API Iceberg et Polaris pour appliquer la gouvernance entre les moteurs ; les intégrations à copie zéro avec SAP, Salesforce et Workday permettent d'interroger les données sous forme analytique sans les copier. La couche de virtualisation basée sur Datometry de Snowflake permet aux clients de rediriger les requêtes Teradata vers Snowflake, et son travail AIM, combinant virtualisation, transcodage et migration assistée par agent, vise à réduire le temps de migration de 18 semaines à environ une semaine. Les analystes estiment que les charges de travail Teradata, les applications COBOL, les procédures stockées et les rapports BI dans les anciens systèmes contiennent une sémantique métier ; migrer ces charges de travail n'est pas seulement une migration vers le cloud, mais aussi une partie de l'extraction et de la modernisation du contexte d'entreprise nécessaire aux agents.
CoCo est l'agent de codage IA de Snowflake pour le travail sur les données. Depuis son lancement, il compte déjà plus de 7 000 clients. Il possède plus de 100 compétences de domaine, connaît l'état RBAC et de l'environnement, prend en charge MCP et peut fonctionner dans des contextes tels que Snowflake, dbt, Airflow, AWS Glue, Postgres et Spark. CoWork, quant à lui, est positionné comme un agent personnel destiné aux utilisateurs métier, accessible via le Web, le mobile et Slack, et capable d'automatiser la planification, de générer des artefacts, de mener des recherches approfondies et de se connecter aux systèmes d'entreprise via MCP. L'entreprise construit des capacités de gouvernance différenciées telles que l'identification des agents, le contrôle d'accès basé sur les rôles, le masquage des données et les stratégies d'accès aux lignes, les stratégies de déplacement des données et l'analyse des risques via Trust Center. Cependant, les analystes soulignent qu'il faudra à l'avenir développer une gouvernance axée sur l'intention et l'action des agents ; la plateforme doit savoir ce que l'agent tente de faire, si cette action est autorisée et quels pourraient être ses impacts en aval.
La plus grande lacune actuelle de Snowflake réside dans la logique des processus métier. Un système intelligent complet doit modéliser les règles métier, les séquences de processus, les préconditions et les effets des actions, la gestion des exceptions, les mécanismes d'approbation, les contraintes opérationnelles, le raisonnement institutionnel et l'état métier. Les dirigeants de l'entreprise décrivent le spectre du contexte comme incluant la sémantique, les compétences, les flux de travail, les glossaires métier, les graphes de connaissances, les connecteurs, les processus métier et les ontologies, mais admettent en être encore à un stade précoce. Le contexte des processus métier existe généralement dans les systèmes des fournisseurs d'applications tels que SAP, Salesforce, Workday, ServiceNow et Oracle. Ces fournisseurs ne deviendront pas volontairement des sources de données passives, ce qui entraînera un problème de silos d'intelligence. Snowflake a de bonnes réponses pour connecter les données, mais ses solutions pour connecter l'intelligence provenant de différentes sources restent faibles.
Pour les directeurs des données et les directeurs de l'IA, il est impératif de considérer les systèmes intelligents comme une exigence d'architecture d'entreprise plutôt que comme un simple plan d'adoption de fonctionnalités. Les entreprises doivent commencer par les processus métier à plus forte valeur ajoutée, utiliser une identité commune, une ontologie partagée, un glossaire métier, le lignage, l'identité des agents, l'évaluation, l'observabilité, le contrôle des coûts et l'auditabilité, et forcer chaque agent, compétence, modèle sémantique et flux de travail à emprunter une voie gouvernée, afin d'éviter la création de nouveaux silos d'intelligence. La source de ces informations est le rapport d'analyse de theCUBE Research lors du Snowflake Summit 2026.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
