Contexte commercial et chiffres clés
Databricks, évalué à 190 milliards de dollars, dessert plus de 70 % du Fortune 500. Cette position provient d’une stratégie qui dépasse la simple performance technique. Le co‑fondateur Arsalan Tavakoli‑Shiraji rappelle que, lors de ses débuts, l’entreprise a échoué à obtenir un rendez‑vous avec UBS, puis a signé un partenariat avec Microsoft Azure. Ce partenariat a permis de placer les contrats sous les conditions de Microsoft, simplifiant ainsi les négociations légales et contractuelles pour les prospects.
Rôle des partenaires technologiques
En s’appuyant sur le réseau de vente de Microsoft, Databricks a bénéficié d’une visibilité accrue auprès de grandes organisations. Les équipes commerciales de Microsoft ont programmé les réunions et ont présenté Databricks comme une extension de leur offre cloud, ce qui a réduit le coût d’acquisition client. Cette approche a également introduit de nouveaux défis, comme la demande de fonctionnalités dans des régions où Databricks n’était pas encore déployé, mais elle a créé un flux constant de prospects qualifiés.
Le cadre des "quatre C" pour l’adoption d’IA
Tavakoli‑Shiraji structure les objections des entreprises autour de quatre axes : context (capacité de l’IA à s’adapter aux terminologies et processus internes), choice (possibilité de changer de modèle d’IA), cost (maîtrise des dépenses opérationnelles) et control (mise en place de garde‑fous et protection des données sensibles). Chaque critère impose des exigences techniques : par exemple, le context nécessite des pipelines d’ingestion de données capables de normaliser des schémas hétérogènes, tandis que le control implique des mécanismes de chiffrement au repos et en transit ainsi que des audits de conformité.
Modernisation des systèmes hérités grâce à l’IA
Le texte cite les AS/400 et les mainframes IBM comme exemples de plateformes coûteuses et peu modifiables. Selon Tavakoli‑Shiraji, les agents d’IA peuvent analyser le code legacy, en extraire les fonctions et proposer des interfaces modernes ou des remplacements complets. Cette capacité repose sur des modèles de compréhension du code source capables de générer des représentations abstraites (AST) et de détecter les dépendances critiques. Toutefois, la précision de ces modèles dépend de la disponibilité de jeux de données d’entraînement spécifiques aux langages propriétaires et de la gestion des risques liés à la divulgation involontaire de logique métier sensible.
