Pour les fournisseurs de plates-formes DSML (data science & machine learning), il y a des opportunités dans la combinaison prédictif-génératif.
Gartner l’avait souligné l’an dernier dans la synthèse du Magic Quadrant dédié à ce marché. Le cabinet américain y percevait notamment une capacité à cibler davantage de profils d’utilisateurs.
Cette tendance à la décentralisation des activités de data science s’est accentuée, affirme-t-il désormais. Les interfaces low code, les outils en langage naturel et les assistants IA la favorisent.
Plates-formes DSML : 18 fournisseurs, 7 « leaders »
D’une année à l’autre, les caractéristiques fonctionnelles obligatoires pour figurer au Magic Quadrant des plates-formes DSML ont peu évolué. Le principal changement est sur l’importation ou la connexion de données. Le critère est devenu plus englobant : exit les seules données tabulaires, place à « une variété de données structurées, semi-structurées ou non structurées ».
Catalogage et lignage sont restés facultatifs. Même chose, entre autres, pour la prise en charge des outils et process MLOps, la gestion des GPU et les interfaces low code. Gartner y a ajouté le développement à base de LLM et de RAG.
Des 8 fournisseurs classés « leaders » en 2025, 7 le sont restés. Il s’agit d’AWS, Databricks, Dataiku, DataRobot, Google, IBM et Microsoft. L’exception s’appelle Altair. C’est la conséquence de son passage dans le giron de Siemens, qui entend le combiner à Mendix (acquis en 2018).
Le positionnement des fournisseurs dans le Magic Quadrant résulte d’une évaluation sur deux axes. L’un, dit « exécution », traduit la capacité à répondre à la demande (expérience client, tarification, qualité des produits/services…). L’autre, dit « vision », reflète les stratégies (commerciale, marketing, sectorielle, géographique…).
La situation sur l’axe « exécution » :
Rang
Fournisseur
Évolution annuelle
1
Databricks
=
2
Google
+ 1
3
AWS
– 1
4
Microsoft
=
5
IBM
+ 2
6
Alibaba Cloud
+ 3
7
Dataiku
– 2
8
DataRobot
– 2
9
Snowflake
+ 2
10
SAS
=
11
Cloudera
+ 2
12
Teradata
nouvel entrant
13
Siemens (Altair)
– 5
14
Domino Data Labs
– 2
15
H2O.ai
=
16
Posit
nouvel entrant
17
Red Hat
nouvel entrant
18
MathWorks
– 2
Sur l’axe « vision » :
Rang
Fournisseur
Évolution annuelle
1
Databricks
=
2
Dataiku
=
3
Google
=
4
Microsoft
=
5
AWS
+ 1
6
Snowflake
+ 3
7
H2O.ai
+ 1
8
Siemens (Altair)
– 3
9
DataRobot
– 2
10
IBM
+ 1
11
Domino Data Labs
– 1
12
Red Hat
nouvel entrant
13
SAS
=
14
Cloudera
– 2
15
Teradata
nouvel entrant
16
Alibaba Cloud
– 2
17
Posit
nouvel entrant
18
MathWorks
– 2
AWS salué pour Bedrock AgentCore…
L’an dernier, Gartner avait salué SageMaker Unified Studio. À la fois pour son statut d’offre intégrée favorisant la collaboration et pour la possibilité qu’ont les fournisseurs tiers d’y intégrer leurs produits sans fournir ou exploiter d’infra. Un autre bon point avait été accordé à Bedrock Guardrails et sa vérification par raisonnement automatique (validation mathématique de la précision des réponses).
Cette année, l’accent est mis sur l’offre Bedrock AgentCore et sur ses apports en matière de développement de systèmes agentiques. AWS a aussi pour lui un réseau de partenaires exhaustif qui favorise l’intégration de solutions avec SageMaker AI et Bedrock. Il continue par ailleurs à investir dans l’infrastructure, que ce soit avec ses propres offres (puces Trainium3, clusters SageMaker HyperPod…) ou en s’appuyant sur celles de tiers comme Cerebras.
… mais toujours pas sur la gestion des coûts
Le catalogue de modèles de fondation d’AWS n’est pas déterminant dans le choix de son offre DSML, avait expliqué Gartner l’an dernier. Il avait ajouté que la gestion des coûts restait un défi, tant sur les services que sur l’infra IA. Autre reproche : SageMaker Unified Studio pouvait progresser en matière d’intégration avec les autres clouds.
Cette année encore, la gestion des coûts vaut un mauvais point à AWS : la tarification est souvent complexe, en particulier pour les gros workloads (échelle ou durée). Autre point de vigilance : Bedrock et SageMaker AI demeurent des produits essentiellement séparés, au risque de compliquer le delivery. Des outils tiers peuvent par ailleurs s’avérer nécessaire pour la gouvernance de l’IA.
La popularité de Databricks ne se dément pas…
En 2025, Gartner avait signalé la popularité de l’offre de Databricks chez les publics visés – ce qui accroissait le vivier de compétences. Il avait aussi noté la stabilité de l’équipe dirigeante. Et apprécié la vision d’un écosystème agentique (adapté en particulier à la finance et à la gestion de réputation).
Cette année encore, Gartner salue le niveau d’adoption, qui se reflète jusque dans les communautés open source. Il mentionne à nouveau la stabilité de l’équipe dirigeante, en plus de la croissance des revenus et des effectifs (ingénierie, delivery, support). Il y ajoute la cadence d’innovation, axée sur l’unification de la data et de la gouvernance pour les agents IA.
… mais tout n’est pas natif
Il existe une certaine courbe d’apprentissage pour utiliser la plate-forme, avait prévenu Gartner l’an dernier. Il avait aussi évoqué la concurrence accrue sur l’approche unifiée lakehouse + DSML. Et l’absence de fonctionnalités infra disponibles chez les CSP, comme les GPU serverless.
Cette année, pas d’évocation de la courbe d’apprentissage, mais de la documentation parfois incomplète qui peut contribuer à allonger les déploiements. Le même risque peut découler du volume important de mises à jour. Autre point de vigilance : la combinaison ML-GenAI implique du code plutôt que des workflows préconstruits. Et certaines techniques, comme la simulation, ne sont pas natives (elles exploitent des intégrations open source). Attention aussi à l’absence d’options de déploiement sur site.
Dataiku, flexible sur l’orchestration et la gouvernance…
En 2025, Gartner avait salué l’initiative LLM Mesh, notamment pour ce qu’elle apportait en matière de gouvernance. Il avait aussi mentionné la constance du support client. Et le fait que Dataiku n’avait pas perdu de vue le cœur data science, tout en lançant des éléments comme une brique de data storytelling.
Avec ses nouveaux systèmes de raisonnement, Dataiku démontre une compréhension avancée de la convergence entre décisionnel et DSML, explique Gartner cette année. Il évoque aussi la flexibilité que Dataiku apporte en se positionnant comme une couche d’orchestration agnostique des données et des plates-formes. Bon point également sur la gouvernance de l’IA, adaptée à différents profils d’utilisateurs.
… mais questionnable sur le plan financier
L’an dernier, Gartner avait pointé un manque de notoriété, au sens où les clients tendaient à avoir un usage « tactique » de l’offre pour des besoins spécifiques. Il avait aussi rappelé que Dataiku fonctionnait au-dessus des produits d’autres fournisseurs… proposant souvent des fonctionnalités concurrentes.
Cette dernière remarque vaut toujours. Gartner y ajoute le coût global et les modèles de licence, qui sont souvent des « facteurs limitants » lors des renouvellements. Il ajoute que Dataiku pourrait communiquer plus efficacement sur sa proposition de valeur, à l’heure où des alternatives à plus bas coût offrent des chemins d’adoption plus simples pour qui a des cas d’usage IA basiques.
Chez DataRobot, un support de qualité…
En 2025, Gartner avait salué le repositionnement de DataRobot vers un écosystème agentiques d’applications métier. Une vision que porterait notamment l’acquisition d’Agnostiq et sa plate-forme d’orchestration d’infrastructure Covalent.
Cette année, les bons points dont à l’expérience client (qualité du support sur toutes les phases d’adoption), à la flexibilité de déploiement (jusqu’aux environnements déconnectés, avec Nebius en alternative aux hyperscalers) et aux partenariats (particulièrement avec NVIDIA autour de son Enterprise AI Factory).
… mais attention au travail d’intégration
Les mises à jour fréquentes ont rendu les interfaces – avec et sans code – difficiles à utiliser, avait constaté Gartner l’an dernier. Il avait aussi signalé que l’offre était perçue comme peu adaptée aux besoins des data scientists. Et soulevé la question de l’adhésion des éditeurs au pivot agentique.
Cette année, DataRobot a droit à une remarque sur ses prix ; particulièrement « aux extrêmes », c’est-à-dire pour les plus petits et les plus gros déploiements. Autre élément : par rapport aux concurrents, moins de possibilités pour les clients de communiquer leurs retours – ce qui réduit la capacité d’autoremédiation. Attention aussi au niveau d’intégration que la plate-forme peut exiger pour qui veut la positionner comme centrale agentique entre applications.
Google, très avancé sur l’intégration verticale…
L’an dernier, les capacités de gouvernance qu’apporte l’intégration de Dataplex à Vertex AI avaient fait mouche auprès de Gartner. Même chose pour les avancées dans le RAG (ancrage sur Google Search et sur les données d’entreprise, gestion du structuré et du non structuré…). Et pour la co-innovation avec certains clients.
Cette année, Gartner souligne le niveau d’intégration verticale de Vertex AI (officiellement rebaptisé Gemini Enterprise Agent Plaform), qui a permis à Google de minimiser les dépendances. Dans le même temps, il se distingue par son focus sur l’interopérabilité à travers le protocole A2A. Et par les nombreux agents qu’il fournit aux métiers de la data science.
… mais pas sans chevauchements
Le support tiers de l’offre DSML de Google n’est pas aussi important que chez la concurrence, avait fait remarquer Gartner l’an dernier. Il avait ajouté que le cœur de Vertex AI pouvait se révéler difficile à utiliser sans couches d’abstraction. Et souligné la confusion qu’était susceptible d’entraîner la multiplicité des solutions RAG.
L’extension rapide du portefeuille a engendré des chevauchements fonctionnels entre produits (Vertex AI Search, Vertex AI Agent Engine, Antigravity, Agentspace…) et l’ombrelle Vertex AI Agent Builder. Quand aux coûts, ils s’avèrent souvent imprévisibles, et le système de tarification par paliers complique les prévisions. Par ailleurs, avec l’accent mis sur les LLM, exploiter des techniques IA traditionnelles peut se révéler plus délicat que sur d’autres plates-formes.
IBM, salué sur la gouvernance…
En 2025, outre l’exhaustivité de la gamme d’outils d’IBM (frameworks, modèles de fondation, infrastructure), Gartner avait rappelé les bénéfices liés à l’acquisition de DataStax sur la partie RAG. Il lui avait aussi donné un « bon point innovation », notamment pour ses LLM Granite et ses implémentations d’AutoRAG et d’InstructLab.
Cette année, la remarque sur le RAG est plus globale : les multiples techniques proposées favorisent les cas d’usage en recherche approfondie. IBM a aussi pour lui de nombreux modèles maison (spécialisés et multimodaux). Et sa brique de gouvernance, qui s’étend au-delà des modèles et agents bâtis sur watsonx.
… plutôt que sur l’orchestration
L’an dernier, Gartner avait pointé le manque de notoriété d’IBM sur ce segment, surtout vis-à-vis des fournisseurs ayant aussi des produits grand public. Il avait aussi expliqué que le niveau d’intégration avec GCP n’était pas le même qu’avec AWS et Azure. Et regretté qu’IBM mette peu en avant le potentiel de SSPS comme cœur data science au sein de watsonx.
Les remarques sont différentes cette année. Parmi elles, il y a l’absence d’agents dédiés pour la modélisation et l’opérationnalisation. Il y a aussi la difficulté potentielle, pour qui exploite la plate-forme watsonx, à bien cerner quel produit apporte quoi. Autre limite : les solutions de développement et d’orchestration d’agents sont limitées pour ce qui d’intégrer une couche de contexte couvrant sémantique et graphes de connaissances.
Chez Microsoft , une couche de contexte notable…
En 2025, Gartner avait salué le niveau d’innovation au sein d’Azure ML (modèles, options de déploiement, licensing), avec comme emblème Azure AI Foundry Labs, destiné à l’expérimentation de frameworks IA. Il avait aussi signalé l’exhaustivité de l’écosystème de partenaires et la tarification flexible de la GenAI.
Cette année, Microsoft a un bon point pour la capacité d’Azure ML à toucher un large évental de profils d’utilisateurs. Il en d’autres pour sa couche de contexte Fabriq IQ et pour son catalogue de modèles et connecteurs.
… mais des previews qui se prolongent
Les rebrandings fréquents, doublés de « multiples itérations d’offres d’IA », avaient déplu à Gartner l’an dernier. Il avait aussi noté la diffusion très progressive de Copilot pour la data science (au départ, uniquement dans les notebooks). Et la réduction de l’écart de performance entre les modèles d’OpenAI et ceux des autres fournisseurs.
Cette année, on parle de la négociation contractuelle : les retours à son propos sont globalement plus négatifs que chez les concurrents. Gartner note aussi que beaucoup de fonctionnalités touchant à l’IA ont tendance à rester longtemps en version expérimentale. Et évoque un risque de confusion naissant du fait que Microsoft promeut Foundry comme plate-forme par défaut pour ses agents IA tout en continuant à mettre Azure ML en avant pour le MLOps.
Illustration © Gaihong – Adobe Stock
The post Data science : l’IA, facteur de décentralisation appeared first on Silicon.fr.
