Fivetran et dbt Labs ont redessiné l'infrastructure data pour les agents : est-ce que votre pile est prête ?
Au dbt Summit 2026, Fivetran et dbt Labs ont annoncé un ensemble de capacités dont l'objectif déclaré est de rendre les données d'entreprise consommables par des agents IA, et non plus seulement par des humains. Ce débrief examine ce qui a réellement été annoncé, ce que cela implique pour un CDO, et le signal que la plupart des équipes sont en train de rater.
Claude VectorResponsable data et analytics23 septembre 2026Le fil conducteur de cette semaine est simple : plusieurs annonces distinctes, venues du même sommet, pointent toutes dans la même direction. L'infrastructure data a été conçue pour des humains qui posent des questions via des interfaces. Les agents IA, eux, consomment des données de façon programmatique, en continu, sans passer par un tableau de bord. Ce décalage structurel est devenu le problème central que les vendeurs de données tentent maintenant de résoudre, et dbt Summit 2026 a été l'occasion pour Fivetran et dbt Labs de présenter leur réponse.
dbt v2 et dbt State en disponibilité générale : quels gains de coûts
Selon dbt Labs (éditeur de l'outil de transformation SQLSQLSales Qualified Lead : un prospect que l'équipe commerciale a validé comme prêt pour une prise de contact directe et une proposition, après avoir passé des critères de qualification explicites.Voir la définition complète → du même nom, chiffres et positionnementpositionnementL'espace mental que vous voulez occuper dans l'esprit de votre client cible, par rapport aux alternatives.Voir la définition complète → à lire comme des affirmations commerciales), dbt v2 est désormais en disponibilité générale, accompagné de dbt State. Ce dernier mérite qu'on s'y arrarrL'Annual Recurring Revenue (ARR) est le revenu normalisé et prévisible qu'une entreprise par abonnement attend de ses contrats actifs sur une année.Voir la définition complète →ête : dbt State évite de reconstruire les modèles qui n'ont pas changé depuis la dernière exécution. L'équipe de Fanatics, selon dbt Labs, aurait réduit ses coûts de calcul en warehouse en appliquant ce mécanisme d'exécution différentielle.
Pour un CDO, l'intérêt n'est pas uniquement le coût. Avec des agents qui interrogent les données en continu plutôt qu'à la demande d'un analyste, la fréquence d'exécution des pipelines de transformation augmente mécaniquement. Un système qui recalcule tout à chaque run devient rapidement intenable, financièrement et opérationnellement. dbt State répond à ce problème précis, même si la portée réelle dépendra de la complexité du graphe de dépendances propre à chaque organisation.
Ce qu'un CDO devrait faire : si vous utilisez dbt Core ou dbt Cloud, planifier la migration vers v2 et tester dbt State sur un projet à fort volume. C'est un levier de réduction des coûts vérifiable, indépendamment de tout contexte agents.
Que doit savoir un agent IAagent IALogiciel qui poursuit un objectif seul : il planifie, utilise des outils et agit avec une intervention humaine limitée.Voir la définition complète → de vos données avec le Fivetran Context Layer ?
L'annonce la plus structurante du sommet, toujours selon dbt Labs et Fivetran (deux vendeurs avec un intérêt commercial direct à positionner leur offre comme indispensable aux projets agents), est le Fivetran Context Layer. L'idée : fournir aux agents IA un accès structuré à des métadonnées sur les données, pas seulement aux données elles-mêmes. Provenance, fraîcheur, définitions, règles de qualité, ces informations constituent ce qu'un analyste humain porte dans sa mémoire. Un agent, lui, en est dépourvu sans un mécanisme explicite pour les lui transmettre.
C'est exactement le problème que soulève The New Stack dans un article de cette semaine : les agents IA ont besoin d'une "frontière de contexte sûre", un périmètre qui définit ce qu'un agent peut consommer sans exposer des secrets, des données sensibles ou des définitions contradictoires. Sans cette couche, un agent qui requête un warehouse peut obtenir une réponse techniquement correcte mais sémantiquement fausse parce qu'il a utilisé la mauvaise définition du "revenu" ou la mauvaise granularité géographique.
C'est ici quela gestion des métadonnées actives devient opérationnelle plutôt que théorique. Un catalogue de données bien alimenté cesse d'être un outil de gouvernance documentaire pour devenir l'interface que les agents traversent avant d'accéder à vos tables.
Ce qu'un CDO devrait faire : auditer l'état de vos métadonnées sémantiques aujourd'hui. Si vos définitions de métriques ne sont pas formalisées et accessibles programmatiquement, le Context Layer n'aura rien d'utile à exposer. L'outil est inutile sans le travail de fond.
dbt Charts et l'open lakehouselakehouseUne architecture hybride qui combine la flexibilité d'un data lake et les capacités analytiques d'un data warehouse, sur une seule couche de stockage.Voir la définition complète → : une direction produit, pas un produit
dbt Labs annonce également dbt Charts et ce qu'il appelle une "vision open lakehouse". dbt Charts permet de produire des visualisations directement depuis les modèles dbt, sans exporter vers un outil tiers. La vision open lakehouse, elle, articule une architecture où la couche de transformation dbt sert de pont entre les plateformes de stockage et les consommateurs de données, humains ou agents.
Il faut lire ces annonces pour ce qu'elles sont : une direction produit, avec un positionnement compétitif évident face à Databricks, Snowflake et leurs propres couches sémantiques. dbt Labs reconnaît d'ailleurs explicitement, dans un autre contenu publié cette semaine, que "votre plateforme de calcul et votre logique de transformation sont deux décisions séparées" et que la plupart des directions les approuvent ensemble, ce qui crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →ée des dépendances inutiles. L'argument est cohérent, même si la conclusion pousse à adopter davantage de produits dbt.
Pour un CDO, dbt Charts mérite un regard pragmatique : si vos analystes passent du temps à exporter des résultats dbt vers des outils de visualisation pour des vérifications intermédiaires, consolider ces étapes a du sens. Mais remplacer votre couche de visualisation existante sur la base d'une annonce de sommet serait prématuré.
Modéliser les données pour les tokenstokensUn token est l'unité de base de texte que traitent les modèles de langage : le plus souvent un fragment de mot, un mot entier ou un signe de ponctuation, plutôt qu'un simple caractère.Voir la définition complète → des LLMLLMUn Large Language Model est un système d'IA entraîné sur d'énormes volumes de texte pour prédire et générer du langage, ce qui permet de rédiger, résumer ou répondre à des questions.Voir la définition complète →, pas pour les tables
Un article publié par dbt Labs cette semaine décrit comment l'équipe data de Gong a remodélisé ses transcriptions d'appels dans le warehouse avec dbt, réduisant les coûts de consommation APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → pour les LLM d'un facteur 20. Le chiffre vient du vendeur et doit être traité comme tel, mais le principe sous-jacent mérite qu'on s'y attarde.
Jusqu'ici, la modélisation data optimisait pour les jointures, les agrégations et la lisibilité humaine. Avec des agents et des LLM comme consommateurs, le critère d'optimisation change : il faut réduire le nombre de tokens envoyés au modèle tout en préservant la densité sémantique. Ce n'est pas la même chose. Une table bien normalisée pour un analyste peut être coûteuse et bruitée pour un LLM.
C'est le signal que la plupart des équipes data sous-estiment cette semaine.Concevoir des data products orientés agents nécessitera probablement de définir de nouveaux contrats de sortie, avec des critères de format, de densité et de fraîcheur que les pratiques actuelles ne formalisent pas.
Pourquoi votre pile data reste calibrée pour des requêtes humaines ?
L'ensemble des annonces de dbt Summit 2026 suppose que l'infrastructure data existante des entreprises est structurée pour répondre à des requêtes humaines ponctuelles. Cette hypothèse est correcte pour la quasi-totalité des organisations. Ce que les annonces
Pour aller plus loin
Les leçons qui prolongent cet article, en accès libre.
- 1dbt (data build tool) : la transformation SQL industrialiséeArchitecture data moderne
- 2Métadonnées actives et data catalogArchitecture data moderne
- 3La couche de métriques et la couche sémantiqueAnalytics, BI & decision intelligence
- 4Data lineage & metadata management : savoir où vos données sont néesData governance & compliance
- 5Data products : définition, design et gestion du cycle de vieArchitecture data moderne
Sources
- AI coding agents need a secrets-safe context boundary
- Fivetran + dbt Labs Announces New Capabilities to Make Enterprise Data Agent-Ready at dbt Summit 2026
- Everything we announced at dbt Summit and why it matters
- We built dbt State to stop rebuilding what hadn't changed
- Celebrating the 2026 dbt partner of the year winners
- Enterprise Analytics Beyond Dashboards: Intelligent Data Orchestration with LLMs
- Spot New Tech Skills Emerging From the Workforce
- Building on AI’s Unfinished Foundation
- Databricks processes your data. dbt defines what it means
- dbt Core v1.12 is GA
- Model for the token, not the table
- How dbt State cuts warehouse compute and speeds up every run
- dbt Summit 2026: the keynotes and product sessions
- Retiring the dbt Snowflake Native App
Vous avez lu cet article ?
Validez votre lecture pour gagner de l’XP et alimenter votre radar.