4 thèmes, 15 catégories

Préparer la donnée pour des consommateurs machines, sur deux fronts : des modèles propres et non ambigus d'un côté, du sens et du contexte de l'autre. Les agents et les LLM ont besoin des deux.

Pour qui : Data Engineers, Analytics Engineers, Data Architects et AI Engineers qui ont rendu leur donnée consommable par des systèmes IA et peuvent montrer ce que ça a demandé.

Quand un agent lit votre donnée et agit dessus, « à peu près » ne suffit plus. Quality, data contracts et observability deviennent l'infrastructure de confiance de toute initiative IA.

Pour qui : Data Engineers, Platform Engineers, Analytics Engineers et Tech Leads qui opèrent quality et observability en production.

Le paysage des plateformes bouge : les open table formats deviennent le défaut, la compétition remonte vers le catalog layer, et la Modern Data Stack se consolide. En parallèle, certaines équipes se demandent si des architectures distribuées sont seulement nécessaires pour leurs workloads.

Pour qui : Data Engineers, Platform Engineers, Data Architects et Heads of Data qui ont vécu une décision de plateforme et peuvent en partager les trade-offs.

Les budgets data sont scrutés. Le coût est devenu une contrainte de conception, et les équipes qui le maîtrisent livrent plus avec moins.

Pour qui : Data Engineers, Engineering Managers et Data Leaders qui ont réduit les coûts sans réduire les capacités, et peuvent le prouver.

L'évaluation est la porte de production des systèmes IA : la discipline qui attrape les régressions avant vos utilisateurs, et sépare les rares projets GenAI qui sortent de la masse de ceux qui s'enlisent.

Pour qui : AI Engineers, ML Engineers, Data Scientists et Tech Leads qui font tourner des evals en production et peuvent montrer comment elles ont changé leurs décisions d'engineering.

Une large part des échecs d'agents sont des échecs de contexte. Décider ce qui entre dans la context window, ce qui est récupéré, ce qui est mémorisé, et à quel coût, est devenu une discipline d'engineering à part entière.

Pour qui : AI Engineers, Data Scientists et Software Engineers qui construisent des systèmes à base de LLM et ont durement appris ce qui doit figurer dans le contexte.

Les architectures d'agents qui partent en production, et un regard lucide sur celles qui n'auraient pas dû être construites.

Pour qui : AI Engineers, Software Engineers, Architects et Tech Leads qui font tourner des agents en production, surtout celles et ceux prêts à partager ce qui a échoué.

Garder le contrôle de vos systèmes IA : à qui ils parlent, ce qu'ils peuvent faire, où ils tournent, et ce qu'ils coûtent.

Pour qui : AI Engineers, Security Engineers, Platform Engineers, CISOs et CTOs qui sécurisent, localisent ou financent des systèmes IA à l'échelle.

Le software engineering quand des coding agents rejoignent l'équipe : comment specs, reviews, tests et delivery changent quand une partie du code est écrite par des machines.

Pour qui : Software Engineers, Tech Leads et Engineering Managers dont les équipes livrent avec des agents aujourd'hui.

Le métier de Data Engineer, reconstruit autour d'agents qui écrivent des pipelines, corrigent des incidents et documentent au fil de l'eau. Ce qui est automatisé, ce qui est supervisé, et ce qui reste profondément humain.

Pour qui : Data Engineers, Analytics Engineers et Platform Engineers qui utilisent des agents sur des systèmes data en production.

Le prochain chapitre du self-service : des utilisateurs métier qui posent leurs questions en langage naturel et obtiennent des réponses fiables, parce qu'un semantic layer gouverné se trouve dessous.

Pour qui : Analytics Engineers, Data Analysts et Data/BI Leaders qui ont mis de l'analytics conversationnelle entre les mains de vrais utilisateurs.

Livrer des features IA que les utilisateurs adoptent vraiment : l'engineering de l'IA face à l'utilisateur, là où le non-déterminisme rencontre la qualité produit.

Pour qui : Product Engineers, Software Engineers et AI Engineers qui portent une feature IA dans un vrai produit.

Comment les organisations passent d'une poignée d'enthousiastes à une capacité à l'échelle de toute l'entreprise : champions, academies, rituels, et une mesure lucide de ce qui marche vraiment. L'adoption est la partie visible ; le travail de fond, c'est d'aider les gens à s'adapter réellement, leaders compris.

Pour qui : Data/AI Leaders, Engineering Managers, Transformation Leads et CDO/CAIO avec un programme d'enablement au-delà du pilote, y compris les parties décevantes.

Les agents agissent, les décisions s'automatisent, et les obligations haut-risque de l'AI Act, repoussées à fin 2027 par le Digital Omnibus, donnent aux organisations une fenêtre pour bien faire leur gouvernance. La gouvernance doit répondre à des questions plus dures que jamais, sans devenir le département du non.

Pour qui : Data/AI Leaders, CISOs, Heads of Data et praticiens de la conformité avec des mécanismes de gouvernance concrets en place.

Comment la fonction data et IA est organisée en pratique en 2026 : ce qui a survécu au hype du data mesh, où sont rattachées les équipes IA, et comment les rôles de leadership évoluent.

Pour qui : Heads of Data, CDO/CAIO, Staff/Principal Engineers et Architects qui ont réorganisé une fonction data/IA et peuvent comparer l'avant et l'après.