Du pilote ML à la production : les acteurs qui ont compris ce qui casse

Pourquoi ce palmarès mérite votre attention

On estime généralement qu'entre 70 % et 90 % des projets ML ne dépassent jamais le stade du pilote. Ce chiffre circule depuis des années, il vient de plusieurs études indépendantes dont celles de Gartner, et rien en 2026 ne suggère une amélioration spectaculaire. Ce guide recense les acteurs qui ont apporté des réponses concrètes à ce problème, classés non par chiffre d'affaires mais par influence mesurable sur les pratiques d'ingénierie et d'architecture de la profession.

Les acteurs à connaître

MotherDuck et l'équipe DuckDB

DuckDB est un moteur analytique en mémoire, open-source, lancé par une équipe de l'université du CWI d'Amsterdam. Ce qui le rend notable ici : son extension DuckLake, présentée courant 2025 et maintenant adoptée dans des architectures de type 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 →, permet de démarrer avec un fichier Parquet local, puis de rejoindre des données stockées dans le cloud sans changer de moteur ni de paradigme. Concrètement, un data scientist peut prototyper localement avec les mêmes requêtes qu'il utilisera en production. C'est précisément ce raccourcissement du fossé entre environnement de développement et environnement de production qui fait l'intérêt de cette approche. MotherDuck, l'entreprise qui commercialise un service managé autour de DuckDB, a accéléré l'adoption entreprise, mais il faut noter que les annonces sur DuckLake viennent en partie de communications commerciales de MotherDuck, à croiser avec les retours de la communauté open-source.

dbt Labs et la logique de dbt State

dbt Labs a annoncé lors du dbt Summit 2026 la disponibilité générale de dbt v2 et de dbt State, une fonctionnalité qui évite de reconstruire les transformations qui n'ont pas changé. Selon dbt Labs (éditeur d'outils data, chiffres à considérer dans ce contexte commercial), cette capacité réduit les coûts de calcul et accélère les cycles de développement. Ce qui est pertinent pour la mise en production de modèles ML : dbt State introduit une traçabilité d'état qui rapproche la gestion des pipelines de données de ce que les équipes MLOpsMLOpsMachine Learning Operations : combinaison des pratiques ML et DevOps pour industrialiser, déployer, monitorer et réentraîner les modèles de façon fiable en production.Voir la définition complète → font pour les modèles. La convergence est à surveiller. La coopération avec Fivetran et le lancement d'un "open lakehouse vision" sont des positions stratégiques, pas encore des preuves d'impact à grande échelle.

Databricks et l'invention du lakehouse

Databricks a popularisé le terme et l'architecture lakehouse dès 2020-2021, en combinant les capacités de stockage d'un data lakedata lakeUn data lake est un référentiel centralisé qui stocke de grands volumes de données brutes dans leur format d'origine, des tables structurées aux fichiers non structurés, jusqu'à ce qu'on en ait besoin.Voir la définition complète → avec les garanties transactionnelles d'un data warehousedata warehouseUn référentiel central qui consolide les données de nombreux systèmes sources dans un stockage structuré et optimisé pour les requêtes, conçu pour l'analytique, le reporting et la business intelligence.Voir la définition complète →. Ce qu'on retient ici : Databricks a réussi à convaincre des équipes d'ingénierie quel'unification des pipelines analytiques et ML dans une seule couche de stockage réduit les divergences de données entre l'environnement d'entraînement et l'environnement de serving. C'est une cause fréquente d'échec en production que peu d'articles de ML mentionnent explicitement.

Google et la MLOps maturity model

En 2020, des ingénieurs de Google ont publié une documentation de référence sur les niveaux de maturité MLOps (MLOps Level 0, 1, 2). Ce document, disponible sur Google Cloud Architecture Center, reste en 2026 l'une des références les plus citées pour structurer la conversation entre équipes data science et équipes infrastructure. Sa valeur : il nomme explicitement ce qui différencie un pilote manuel d'un pipelinepipelineL'ensemble des opportunités commerciales actives réparties selon les étapes du processus de vente, avec leur valeur potentielle cumulée et leur probabilité de conclusion.Voir la définition complète → de production automatisé, et il donne un vocabulaire commun aux CDOs pour diagnostiquer où leur organisation coince.

Neptune.ai et les outils de tracking d'expériences

Neptune.ai et ses concurrents directs (Weights & Biases, MLflow, maintenant intégré à Databricks) ont rendu visible ce qui était invisible dans les pilotes : quelle version du modèle, avec quels hyperparamètres, sur quelles données, a produit quel résultat. L'absence de ce tracking est l'une des raisons pour lesquelles les équipes ne peuvent pas reproduire leurs résultats pilote en production. Ce n'est pas glamour, maissurveiller la dérive des modèles et maintenir la traçabilité des expériences est ce qui sépare les équipes qui industrialisent de celles qui recommencent chaque fois à zéro.

MIT Sloan Management Review et la recherche sur les compétences

MIT Sloan Management Review publiait en 2026 une recherche sur les nouvelles compétences techniques émergentes dans les organisations. Ce qui est pertinent : les compétences autour du déploiement et du monitoring de modèles restent sous-représentées dans les équipes data, par rapport aux compétences de modélisation. Cette asymétrie explique une partie du taux d'échec POC-vers-production. Selon MIT Sloan, les entreprises investissent dans la montée en compétences, mais les programmes sont souvent construits autour de prévisions de besoins futurs plutôt que de lacunes observées dans les pratiques actuelles.

Chip Huyen et la pédagogie du ML en production

Chip Huyen, ingénieure et auteure de "Designing Machine Learning Systems" (O'Reilly, 2022), a contribué autant à ce sujet que la plupart des entreprises listées ici. Son travail documente de façon rigoureuse les problèmes de feature stores, de data skew entre entraînement et inférence, et de latence. Son blog et son livre sont devenus des références dans les programmes de formation MLOps. Elle n'est pas un produit à acheter, ce qui la rend utile précisément parce qu'elle n'a rien à vous vendre.

Le pattern : ce que ces acteurs partagent

Tous ces acteurs, outils et travaux convergent vers le même constat : les pilotes échouent en production non pas parce que les modèles sont mauvais, mais parce que les environnements, les données et les processus divergent entre le moment où l'on expérimente et le moment où l'on déploie. DuckDB réduit cette divergence au niveau du moteur de requête. dbt State la réduit au niveau des transformations. Le lakehouse la réduit au niveau du stockage. Le tracking d'expériences la rend visible. Et la recherche académique nous rappelle que la compétence humaine pour gérer cette transition reste rare.

Ce que révèle ce panorama : les solutions techniques progressent vite, mais l'organisation reste le vrai goulot. Aucun outil ne remplace une équipe qui comprend la différence entre un modèle qui prédit bien en notebook et un système qui tient en production six mois plus tard.

À surveiller

La convergence entre les outils de transformation de données (dbt, DuckLake) et les plateformes MLOps va s'accélé