Agentic Data Cloud : Google repense la data pour l’ère des agents IA

Les agents IA obligent Google à repenser l’architecture des données

Les agents IA promettent de rechercher des informations, prendre des décisions et agir directement dans les systèmes de l’entreprise, mais cette autonomie repose sur une condition essentielle : accéder à la bonne donnée et surtout en comprendre le contexte. Google Cloud répond à ce défi avec son Agentic Data Cloud, une architecture AI-native destinée à faire évoluer les plateformes data traditionnelles vers ce que Google appelle un « System of Action », capable d’alimenter des agents qui perçoivent, raisonnent et agissent à partir des informations de l’organisation.¹ L’enjeu dépasse donc largement l’ajout de Gemini à une base de données : Google cherche à réunir données structurées et non structurées, métadonnées, règles métier, gouvernance et moteurs d’analyse afin que les agents puissent exploiter des informations dispersées sans devoir reconstruire leur contexte à chaque nouvelle tâche.

Un Cross-Cloud Lakehouse pour aller chercher la donnée là où elle se trouve

La première brique majeure de cette architecture est un Cross-Cloud Lakehouse basé sur Apache Iceberg, un format ouvert qui permet de conserver une architecture interopérable plutôt que d’enfermer les données dans un environnement propriétaire. Google Cloud veut permettre à ses moteurs et à ses agents d’accéder directement à des données hébergées dans d’autres clouds, notamment AWS et Azure, sans imposer leur migration préalable vers Google Cloud.² L’architecture peut notamment fédérer des catalogues comme AWS Glue, Databricks Unity Catalog et Snowflake Horizon, tandis que BigQuery et d’autres moteurs peuvent interroger les données distantes. Cette logique est particulièrement importante pour les grandes entreprises dont le patrimoine informationnel est déjà réparti entre plusieurs clouds, data warehouses, lakehouses et applications SaaS : demander à un agent d’agir à l’échelle de l’organisation suppose qu’il puisse franchir ces silos sans multiplier les copies et les pipelines ETL.

Google veut éviter de déplacer des pétaoctets pour alimenter une IA

Cette approche répond également à un problème économique et opérationnel. Déplacer continuellement d’importants volumes de données entre plusieurs clouds entraîne des coûts d’egress, ajoute de la latence et oblige les équipes à maintenir des pipelines supplémentaires. Avec son architecture cross-cloud, Google s’appuie notamment sur Cross-Cloud Interconnect, la fédération des catalogues Iceberg et des mécanismes de cache pour permettre aux moteurs d’analyse de travailler sur des données distantes sans reproduire systématiquement les fichiers.² Pour un agent, cette capacité peut devenir déterminante : une mission complexe peut nécessiter de croiser des données commerciales dans un environnement, des données opérationnelles dans un autre et des informations issues d’applications métiers, parfois en quelques secondes. L’architecture data devient alors une condition directe de l’autonomie de l’IA.

Le Knowledge Catalog veut donner du sens aux données de l’entreprise

Accéder à toutes les données ne suffit pourtant pas. Un agent peut retrouver une colonne appelée « marge » sans savoir si elle correspond à une marge brute, nette, prévisionnelle ou calculée selon une règle particulière à l’entreprise. C’est précisément le rôle du Knowledge Catalog, évolution du Dataplex Universal Catalog, que Google présente comme un moteur de contexte universel pour les agents.¹ Il agrège les métadonnées provenant des environnements Google Cloud et de plateformes partenaires, enrichit continuellement leur signification à partir des usages et exploite notamment Gemini pour extraire du sens de contenus non structurés et générer certaines informations sémantiques manquantes. Google associe également cette couche à Looker, LookML et BigQuery Measures afin d’intégrer davantage de logique métier dans le contexte accessible aux agents. L’objectif est de transformer le catalogue de données traditionnel, longtemps utilisé pour inventorier et gouverner les actifs, en une couche active permettant à l’IA de comprendre ce qu’elle manipule.

La gouvernance devient une partie du raisonnement de l’agent

Cette contextualisation doit également respecter les droits d’accès. Google indique que la recherche du Knowledge Catalog tient compte des contrôles d’accès afin qu’un agent ne puisse retrouver et exploiter que les actifs auxquels il est autorisé à accéder.¹ Cette dimension est essentielle lorsque les agents commencent à dépasser la simple génération de texte pour intervenir dans les opérations : une IA chargée d’analyser les ventes ne doit pas automatiquement obtenir accès aux dossiers RH ou à des informations financières confidentielles simplement parce que ces données appartiennent au même lakehouse. La gouvernance doit donc suivre l’information depuis sa découverte jusqu’à son utilisation par l’agent, avec des éléments comme la qualité, le lineage, les permissions et la signification métier. L’Agentic Data Cloud rapproche ainsi deux disciplines qui ont longtemps été traitées séparément, la gouvernance des données et la gouvernance des systèmes d’IA.

Sans contexte fiable, un agent reste aveugle

Cette évolution transforme directement la Gestion des données. Les Data Engineers et professionnels de la data ne préparent plus seulement des tables destinées aux analystes, aux tableaux de bord ou aux modèles de machine learning : ils doivent désormais construire une information suffisamment fiable et contextualisée pour qu’un agent puisse l’interpréter sans intervention humaine constante. Qualité des données, métadonnées, modèles sémantiques, catalogage, lineage et politiques d’accès deviennent donc des éléments constitutifs du raisonnement de l’IA. Une mauvaise définition métier ou une donnée obsolète peut désormais provoquer non seulement une mauvaise analyse, mais aussi une mauvaise action si l’agent utilise cette information pour déclencher automatiquement une opération. Dans l’entreprise agentique, la qualité de la décision de l’IA dépend directement de la qualité de l’architecture data qui l’alimente.

La bataille des agents devient aussi une bataille des architectures data

Google ne cherche donc plus uniquement à proposer des modèles plus performants. Avec l’Agentic Data Cloud, le groupe veut contrôler une partie beaucoup plus large de la chaîne qui relie l’information à l’action : stockage, bases de données, lakehouse, analytics, contexte métier, recherche, gouvernance, modèles Gemini et plateforme agentique. Cette stratégie reflète une évolution importante du marché : les entreprises pourraient découvrir que leurs difficultés à industrialiser les agents viennent moins des capacités des modèles que de données fragmentées, mal documentées ou difficiles à connecter aux systèmes d’IA. Une étude Google Cloud publiée en 2026 indique d’ailleurs que 43 % des responsables IT interrogés considèrent les difficultés d’intégration avec les API legacy et les sources de données comme leur principal déficit infrastructurel pour l’IA agentique.³

La prochaine infrastructure critique pourrait être celle qui donne du contexte à l’IA

L’Agentic Data Cloud montre finalement que l’ère des agents ne se résumera pas à multiplier les assistants autonomes. Pour qu’un agent puisse gérer un processus commercial, analyser une chaîne logistique ou intervenir dans une application métier, il doit savoir où se trouve l’information, ce qu’elle signifie, si elle est suffisamment fiable et s’il possède le droit de l’utiliser. Le Cross-Cloud Lakehouse répond au problème de l’accès à des données distribuées, tandis que le Knowledge Catalog cherche à fournir la couche de contexte et de gouvernance nécessaire à leur interprétation. Google Cloud parie ainsi sur une idée simple mais structurante : dans la prochaine phase de l’IA d’entreprise, l’avantage ne viendra peut-être pas seulement de celui qui possède le meilleur agent, mais de celui qui sera capable de lui fournir les données les plus fiables et le contexte métier le plus précis.

L’Actu IT à 360° — décrypter la technologie pour comprendre les métiers de demain.

Pour aller plus loin

Cette évolution prolonge une transformation déjà visible dans les architectures data modernes. Découvrez notre article CCCLX « AWS renforce OpenSearch pour connecter l’IA aux données d’entreprise », consacré à un autre enjeu central de l’IA professionnelle : permettre aux modèles et aux applications intelligentes de retrouver et d’exploiter efficacement les informations dispersées dans les systèmes de l’organisation.

Références