Big Data et AI Paris 2026 : le temps de la maturité et de l’industrialisation

  Site officiel : www.bigdataparis.com

La quinzième édition de Big Data et AI Paris s’est tenue dans une atmosphère moins euphorique que les premières vagues de l’IA générative, mais plus concrète. Le programme officiel lui-même donnait le ton : trois axes consacrés à la technologie, à la gouvernance et aux résultats métiers, complétés par plus de 200 ateliers, 50 sessions de pitch de start-up et un nouveau Village Advanced Computing. Cette architecture traduit une évolution du marché. Les entreprises ne cherchent plus seulement le modèle le plus spectaculaire ; elles veulent savoir comment l’intégrer au système d’information, l’alimenter avec des données fiables, le superviser et démontrer sa valeur.

Les témoignages recueillis à l’issue du salon illustrent ce changement d’échelle. Le Crédit Agricole a présenté un programme de 500 millions d’euros sur trois ans, des infrastructures mutualisées et la préparation d’agents appelés à dialoguer directement avec les clients. À l’autre bout du spectre, L-Acoustics a rappelé une règle plus sobre : partir d’un problème opérationnel, sélectionner les données réellement utiles et conserver des garde-fous humains. Dans les deux cas, les messages convergent : l’IA cesse d’être un laboratoire périphérique et entre dans les processus critiques de l’entreprise.

A titre d’exemple, le challenge de Bouyghes était de répondre à des questions de clients issues de multiples canaux (whatsapp, mail etc.). L’expert submergé par les sollicitations de toutes parts a décrit son processus à l’IA sur le comment il répondait aux clients. Et l’IA lui a permis de travailler non plus sur le quantitatif mais sur le qualitatif des échanges clients.

L’essor des assistants et des agents n’a pas fait disparaître le chantier historique de la donnée ; il l’a rendu plus urgent. Un agent capable de consulter des applications, de déclencher des actions ou de produire une recommandation ne vaut que par la qualité, la fraîcheur et la traçabilité des informations auxquelles il accède.

D’où la place prise par les outils de catalogage des données, la traçabilité (data lineage), les graphes de connaissances, les couches sémantiques et les dispositifs de contrôle des accès. Cloudera mettait ainsi en avant la cartographie des données, la Private AI et la frugalité, tandis que Neo4j figurait parmi les partenaires experts du salon.

Cette remise au premier plan des fondations explique aussi la diversité des acteurs présents. Autour de grands fournisseurs comme Microsoft et Oracle, le salon réunissait des spécialistes de la gouvernance et de la valorisation des données, parmi lesquels Suadeo, Neo4j ou Acceliance, mais aussi des jeunes pousses telles qu’Ontologie. Le Village Advanced Computing, codéveloppé avec Systematic et Hello Tomorrow, élargissait encore le paysage aux infrastructures de calcul haute performance. Dynanic y présentait par exemple une approche matérielle reconfigurable. Plutôt qu’un marché dominé par un outil unique, l’exposition dessinait donc une chaîne de valeur fragmentée : calcul, plateformes, intégration, qualité, sécurité, gouvernance et solutions métiers.

Le Data mesh était aussi mis en avant, lequel permet de définir et d’exposer la donnée et de l’interroger en langage naturel.

En l’occurrence l’IA est considérée comme un « nouveau collaborateur » qui rejoindrait une équipe et aurait besoin du mode d’emploi et de la documentation de la donnée pour travailler. Le concept de Data product se développe également car il permet de transformer la donnée en valeur actionnable : la donnée est claire et contextualisée, elle est partagée plus facilement, son niveau de qualité est mieux maitrisé. Il s’agit de passer d’une logique de « Data on demand » à une logique de « Data as a service ».
 

L’IA agentique a constitué l’un des thèmes les plus visibles. Sa promesse est claire : passer d’un assistant qui répond à un agent qui agit, en consultant des données, en appelant des API et en enchaînant plusieurs tâches. Mais ce gain d’autonomie augmente mécaniquement le risque. Une erreur n’est plus seulement une réponse fausse ; elle peut devenir une action exécutée dans le système d’information. Les débats ont donc déplacé la question de la confiance vers des mécanismes très concrets : limitation des droits, validation humaine, journalisation, évaluation continue et possibilité d’interrompre un processus.

France Travail a résumé cette mutation en expliquant concevoir désormais des outils destinés à être utilisés à la fois par des humains et par des IA. Cette cohabitation impose de revoir les interfaces, les responsabilités et la sécurité. Elle pose également une question de management : qui répond d’une décision lorsqu’une chaîne mêle modèle, données, règles métier et validation humaine ? L’industrialisation n’est donc pas seulement un projet technologique ; elle oblige les organisations à redéfinir leurs modes de contrôle.
 

Autre ligne de force : la souveraineté numérique, abordée de manière moins binaire qu’auparavant. BPCE a défendu une stratégie open source pragmatique, fondée sur le dual sourcing et la capacité à héberger certains modèles sur ses propres infrastructures. L’objectif n’est pas nécessairement de remplacer tous les logiciels propriétaires, mais d’éviter l’enfermement avec un seul fournisseur, de renforcer le pouvoir de négociation et de préserver des compétences internes. Cette approche vaut aussi pour les modèles : l’ouverture ne garantit ni l’accès aux données d’entraînement ni une indépendance complète.

Le sujet rejoint celui des coûts. À mesure que les usages se diffusent, le prix de l’inférence, la consommation énergétique, les licences et les besoins en GPU deviennent des critères de choix aussi importants que les performances. L’apparition d’un espace dédié au calcul avancé et les discours sur la frugalité montrent que la sobriété n’est plus seulement un argument environnemental : elle devient une condition économique du passage à l’échelle.
 

Big Data et AI Paris 2026 n’a pas consacré une technologie gagnante plus que les autres. Il a plutôt révélé une nouvelle discipline collective : choisir peu de cas d’usage, les relier à des indicateurs métiers, sécuriser les données et prévoir dès le départ l’exploitation à long terme. La présence conjointe d’éditeurs mondiaux, de cabinets de conseil, de spécialistes de la donnée, d’acteurs du calcul et de start-up confirme que personne ne couvre seul l’ensemble du problème.

La prochaine frontière ne sera donc pas le nombre d’agents déployés, mais leur capacité à produire un résultat vérifiable à un coût acceptable. Les organisations qui réussiront seront probablement celles qui traiteront l’IA comme une infrastructure d’entreprise : avec une architecture, des responsabilités, des contrôles, des compétences et un budget. Après le temps des prototypes vient celui, moins visible mais décisif, de l’exploitation.

Big Data et AI Paris 2026 par les nombreux témoignages d’entreprises qui étaient présentes ont aussi contribué comme il se doit à distiller les bonnes pratiques pour que l’expérience des précurseurs profite ensuite aussi aux plus timorés face aux évolutions de la technologie.
Pour passer à l’échelle, il convient de faire croitre les usages, et pour ce faire :

• Partir d’un cas d’usage concret qui parle aux utilisateurs métier
• Se baser sur un irritant tangible
• Faire des démonstrations pour illustrer les concepts et rester concret
• Commencer petit sur un domaine pilote
• Ne pas faire de la data gouvernance un dogme car tous les métiers n’ont pas la même maturité

Concernant la gouvernance, celle-ci doit intervenir en début de projet et non à la fin de façon à avoir une conformité qui s’adapte aux cas d’usage. Il est aussi nécessaire de cartographier les applications pour documenter ce qui se passe au niveau des données, à quel endroit et à quoi cela sert. En RGPD, ces opérations et contrôles se faisaient en manuel, avec l’IA et la déferlante de nouveaux agents, il convient de l’automatiser. L’IA act fait en la matière fonction de boussole pour définir les lignes rouges au sein de l’entreprise. Si l’agent agit de façon automatique, il revient à l’humain de vérifier la conformité et de décider (témoignage d’Oyat France).

Si l’IA générative réconcilie les données structurées ou non, elle ne résout cependant pas le problème de fragmentation des données. Si les données sont silotées, il faut d’autant plus travailler la gouvernance. Sur chaque POC il faut :

• Assurer la gouvernance de la donnée
• Contrôler l’accès à la donnée 
• Documenter la donnée à l’aide d’un outil de catalogage
• Garantir la conformité de la donnée

La base pour assurer un socle de data solide pour l’agentique est :

• La couche de stockage (données structurées ou non)
• La couche de contexte d’entreprise (ontologie, taxonomie, dictionnaire d’entreprise etc.) : se mettre d’accord sur une sémantique commune à l’ensemble de l’organisation
• La couche de contrôle d’accès aux données et modèles mais aussi pour les agents pour tel contexte et tel cas d’usage
• La couche d’observabilité des agents et des données

Le choix d’architecture doit s’attacher à être performant, résilient et durable. C’est souvent compliqué de résoudre les 3 à la fois.
Par ailleurs, selon Dust, les applications d’IA multi-modèles vont s’imposer de façon à ne pas dépendre d’un seul modèle qui pourrait disparaitre. Il est aussi important de pouvoir switcher d’un modèle à l’autre. Et enfin, il n’est pas souhaitable de tout abandonner aux seuls agents car en cas d’incident, il est risqué de dépendre totalement d’eux. Il faut aussi noter que la performance d’un modèle par rapport à ses concurrents fluctue car l’innovation pousse les éditeurs de solutions à rechercher toujours plus de fiabilité et robustesse.
Enfin, et c’est un point très important, pour construire une culture data forte, il faut :

• Concevoir un pack de démarrage pour lancer le programme de transformation. Et pour ce faire :
  • Monter un dispositif pilote en mode agile, prouver que cela marche rapidement et le dire
  • Avoir des alliés avec un sponsor dans le CODIR et embarquer les RH (en intégrant cette composante data dans les profils)
  • Ne pas chercher à vouloir expliquer la gouvernance au départ car cela peut faire peur au début
• Créer de l’expertise via un Centre d’excellence Data & IA :
  • Académie Data & IA : formation mélangeant collaborateurs métiers et DSI
  • Centre d’expertise pour accompagner les métiers : aide à la réalisation et conseil, accompagnement dans l’étude de besoins, aide à l’utilisation des outils (SQL, Power BI etc.), délivrance d’un produit à la fin
• Sensibiliser et communiquer : on ne peut pas professionnaliser tout le monde mais on peut sensibiliser le plus grand nombre. Pour ce faire, il faut incarner les sujets à tous les niveaux :
  • Interventions au sein d’équipes métier
  • Evénements d’entreprise
  • Séminaires pour le CODIR
  • Interventions externes
• Organiser et gouverner :
  • En créant un data office central (Centre d’excellence Data &IA) qui intervient en transverse au sein de l’organisation
  • Une gouvernance fédérée par un réseau fait de référents dans chaque pôle métier (correspondants data, data owners et data stewards)  

Quel est le futur pour le travail à l’ère de l’IA ? La question se pose tant en termes de recrutement, d’organisation des entreprises que de montée en compétences et évolution des métiers.

Au niveau du recrutement, comment faire la différence entre les postulants quand on passe de 300 à 3000 CV à traiter ? l’IA peut aider à la sélection des candidatures mais nécessite un paramétrage rigoureux et conforme à la règlementation. Les profils le plus souvent recherchés doivent se différencier par leurs compétences mais aussi leur polyvalence. Les lettres de motivation sont de moins demandées car elles ne permettent plus de véritablement se différencier sans doute aussi à cause de l’IA…   
Les jeunes qui arrivent sur le marché du travail peuvent être déçus entre le décalage qui est annoncé par les offreurs de solutions et services et la réalité du vécu dans les entreprises.

En termes d’organisation, on trouve de plus en plus de petites équipes hybrides composées pour moitié de personnes et pour autre moitié d’agents IA. 

Des compétences autour de l’IA s’ajoutent aussi aux métiers existant est de vérifier du bon usage et développement de l’IA dans les entreprises.

Il faut aussi repenser les processus avec l’arrivée de la montée en puissance de l’IA. Que confier aux juniors si l’IA remplace certaines tâches simples qui leur étaient confiées au début ? Si les tâches répétitives et rébarbatives sont confiées à l’IA, d’autres plus complexes comme combiner plusieurs agents IA peuvent motiver de jeunes recrutés. Ils le font déjà à titre personnel, ils ont parfois déjà créé leurs propres produits et sont familiers des outils, ils peuvent donc aisément réutiliser ces connaissances en entreprise pour rechercher la solution la plus rapide. A contrario, les seniors en haut de la hiérarchie n’ont souvent pas le temps de se former et peuvent donc pour ce faire s’appuyer sur les jeunes, ce qui est du gagnant-gagnant entre les générations.
 

  Site officiel : www.bigdataparis.com