Databricks lance LTAP : une architecture inédite pour abattre le mur entre transactions et analyses

À l'occasion de son événement phare, le Data + AI Summit 2026 à San Francisco, Databricks a dévoilé le 16 juin une innovation qui pourrait redessiner l'infrastructure data des grandes entreprises : l'architecture LTAP (Lake Transactional/Analytical Processing). L'objectif ? Faire tomber l'un des murs les plus anciens et coûteux de l'informatique décisionnelle — la stricte séparation entre les bases de données transactionnelles et les systèmes analytiques . L'entreprise positionne cette annonce comme une rupture technologique essentielle pour la nouvelle génération d'agents IA, qui doivent raisonner et agir sur des données opérationnelles en temps réel, sans la latence ni la fragilité des pipelines ETL traditionnels.

Quel problème LTAP résout-il concrètement ?

Depuis des décennies, les organisations gèrent deux mondes distincts pour leurs données. D'un côté, les systèmes de traitement transactionnel en ligne (OLTP) gèrent les opérations courantes — commandes, stocks, dossiers clients. De l'autre, les systèmes de traitement analytique en ligne (OLAP) font tourner les rapports, les tableaux de bord et l'entraînement des modèles de machine learning. Déplacer les données entre ces deux univers nécessite des pipelines ETL (extraction, transformation, chargement), qui introduisent de la latence, des coûts et des maux de tête en matière de gouvernance.

LTAP promet d'unifier ces charges de travail sur une copie unique des données, stockée directement dans le lac de données. Selon Databricks, cette architecture élimine par conception les ETL, les répliques et les mouvements de données . La donnée transactionnelle devient instantanément disponible pour l'analyse, sans transformation ni maintenance de pipelines.

Le socle de LTAP est Lakebase, le service serverless PostgreSQL de Databricks qui tourne sur du stockage objet ouvert. Déjà utilisé par des milliers de clients, Lakebase enregistre plus de 12 millions de lancements de bases de données par jour sur la plateforme . Avec le modèle LTAP, Lakebase stocke les données directement dans Unity Catalog en s'appuyant sur des formats ouverts — Delta Lake et Apache Iceberg — de sorte que les données transactionnelles gouvernées soient immédiatement interrogeables pour les charges analytiques .

Databricks met en avant plusieurs propriétés clés de l'architecture : une gouvernance unifiée avec une source unique de vérité, une scalabilité indépendante pour les charges transactionnelles et analytiques, une sémantique ACID complète pour les workloads PostgreSQL, et l'absence de pipelines ou connecteurs cachés à maintenir .

Nouvelles capacités de Lakebase

En parallèle de l'annonce LTAP, Databricks a enrichi Lakebase de plusieurs fonctionnalités :

• Reprise après sinistre cross-cloud et cross-région pour les bases de données PostgreSQL de production.
• Branches et snapshots façon Git, permettant des expérimentations en toute sécurité directement sur les données de production.
• Opérations de base de données autonomes, qui surveillent les ralentissements, détectent les anomalies et déclenchent une récupération automatique .

Ces nouveautés confirment l'intention de Databricks : faire de son PostgreSQL serverless une base de données opérationnelle de premier plan pour les applications et les agents IA, et pas seulement une surcouche pratique pour l'analyse.

Lakehouse//RT : de l'analyse temps réel sur données gouvernées

La seconde annonce majeure en matière d'infrastructure fut celle de Lakehouse//RT, un lakehouse temps réel propulsé par un tout nouveau moteur de calcul nommé Reyden (diminutif de « Reynold’s Dream Engine », un clin d'œil au cofondateur Reynold Xin) . Databricks affirme que Reyden délivre des temps de réponse à la milliseconde pour des dizaines de milliers d'utilisateurs et d'agents simultanés, directement sur les tables Delta Lake et Apache Iceberg gouvernées .

La portée est significative : les entreprises n'auraient plus besoin de mettre en place une couche de service distincte — couches de cache, vues matérialisées, ou moteurs de requêtes externes — pour atteindre des performances temps réel. Sigma Computing a rejoint l'initiative en tant que partenaire de lancement, en connectant directement sa solution d'analyse embarquée à Lakehouse//RT .

Reynold Xin, cofondateur de Databricks, a qualifié ce lancement de « probablement la plus grande introduction que nous ayons faite depuis le lancement du Lakehouse » .

La poussée vers l'agentique : Genie One, Agent Bricks, et l'outillage IA

Databricks a profité de son sommet pour positionner sa plateforme comme le socle des agents IA d'entreprise. Les annonces comprenaient :

• Genie One : Un collègue de travail agentique conçu pour aider les équipes métier à automatiser leurs tâches en s'appuyant sur les véritables données de l'entreprise, avec des améliorations pour le contexte agentique .
• Genie Agents et Agent Bricks : Des outils pour construire et déployer des agents IA capables d'observer, de raisonner et d'agir à travers les données de l'entreprise. Les Agent Bricks sont des composants pré-construits qui auto-optimisent les agents en utilisant les données gouvernées .
• Unity AI Gateway : Gouvernance multi-IA et contrôle des coûts pour les organisations gérant plusieurs fournisseurs de modèles d'IA .

Le récit général, repris par les analystes du secteur, est que LTAP et Lakehouse//RT forment la couche de données sous-jacente à une architecture d'entreprise agentique. En plaçant les données opérationnelles dans des formats ouverts sur un stockage gouverné, Databricks estime que les agents IA pourront accéder, raisonner et agir sur les bases de production sans avoir à déplacer ni copier les données .

Intégrations avec Azure et Microsoft

Databricks a également approfondi son intégration dans l'écosystème Azure avec plusieurs annonces conjointes :

• Copilot Studio et GitHub Copilot : Les utilisateurs peuvent créer des agents Copilot Studio capables de raisonner sur l'ensemble d'un espace de travail Azure Databricks via une seule connexion MCP (Model-Centric-Protocol) .
• Genie pour Microsoft Teams et M365 Copilot (Beta) : Il est désormais possible de taguer Genie dans une discussion Teams pour obtenir des réponses contextualisées directement depuis l'environnement Azure Databricks .
• Azure Databricks Excel Add-in (Préversion publique) et l'ingestion native depuis Excel (disponibilité générale) permettent des analyses autonomes directement depuis les tableurs .
• Databricks CustomerLake : La première plateforme de données client nativement Lakehouse, dévoilée pour Azure Databricks .

Ces intégrations dessinent une stratégie visant à embarquer les capacités de gouvernance et d'IA de Databricks directement dans les outils collaboratifs où se prennent les décisions métier, sans obliger les utilisateurs à basculer vers une interface analytique séparée.

Ce que cela signifie pour l'architecture data en entreprise

Prises ensemble, les annonces de ce sommet forment un pari de plateforme cohérent : la prochaine génération d'applications d'entreprise sera agentique, en temps réel et gouvernée. LTAP abolit la frontière entre transactionnel et analytique, Lakehouse//RT supprime le compromis sur la latence des requêtes analytiques, et la famille Genie apporte la couche d'orchestration des agents.

Si ce pari se concrétise, l'architecture en silos actuelle pourrait se simplifier drastiquement — moins de bases de données, moins de pipelines, moins de couches de service — tout en offrant aux agents IA le contexte temps réel gouverné dont ils ont besoin pour agir de manière autonome sur les données métier.

Databricks n'est pas seul à poursuivre cette convergence, mais avec Lakebase qui atteint déjà 12 millions de lancements de bases quotidiens et un sommet réunissant 30 000 participants qui renforce son écosystème, l'annonce de LTAP marque une étape majeure dans l'évolution de l'architecture lakehouse, d'une plateforme analytique vers un véritable socle opérationnel pour les données .