Présentation
Google Cloud a présenté une mise à jour majeure de son Agentic Data Cloud, plateforme annoncée lors de Google Cloud Next 2026. Elle se veut le « system of action » dédié aux agents autonomes, en remplaçant les pipelines ETL classiques. L’objectif déclaré est de réduire la latence, d’éliminer les déplacements de données et d’automatiser la gouvernance, afin que les agents puissent consommer les données là où elles résident.
Architecture et nouvelles fonctionnalités
Le cœur de la nouveauté est le borderless Lakehouse, version étendue du produit « cross‑border Lakehouse », construit sur le format de table open‑source Apache Iceberg. Il introduit un cache transparent pour les blocs de données provenant d’AWS et d’Azure, ce qui supprime les frais d’egress et accélère les requêtes ultérieures. Une intégration avec AlloyDB permet d’interroger des tables Iceberg externes via des requêtes PostgreSQL standards, fusionnant ainsi données transactionnelles en temps réel et historiques du lakehouse.
Le Knowledge Catalog bénéficie d’une capacité d’enrichissement auto‑apprenant en preview : il scanne en continu les sources non structurées de Google Workspace, Jira, SharePoint et GitHub, puis génère des ensembles de contexte au format Open Knowledge Format. Les premiers retours indiquent une amélioration de la précision des agents de quatre fois et une réduction de la consommation de tokens jusqu’à 75 %. Cette fonctionnalité est désormais activée par défaut dans l’application Gemini, qui peut également générer du code PySpark, exécuter des notebooks et corriger les erreurs de pipeline à partir d’instructions en langage naturel.
Pour les développeurs, le Data Agent Kit (disponible dès aujourd’hui) intègre le Model Context Protocol dans les IDE tels que VS Code, Claude Code et Antigravity, permettant de définir une intention métier en texte libre et de laisser les agents créer, affiner et tester les pipelines associés. Au niveau de l’infrastructure, Google propose des améliorations pour les interactions à haute concurrence : AlloyDB Express offre un provisionnement en moins de deux secondes, tandis que la version PostgreSQL pour agents supporte trois millions de requêtes par seconde. Enfin, BigQuery Graph passe en disponibilité générale, apportant une analyse de graphes à l’échelle du pétaoctet sans étape ETL, complétée par les modèles de prévision TimesFM 3.0 et d’analyse prédictive TabFM en preview.
Analyse des performances et limites
Les caches borderless réduisent les coûts d’egress et la latence perçue, mais introduisent un risque de données obsolètes si les rafraîchissements ne sont pas correctement orchestrés. La dépendance à Apache Iceberg assure une interopérabilité open‑source, mais requiert que les environnements clients adoptent le même format de métadonnées. Le Knowledge Catalog, bien que prometteur, reste en preview ; son efficacité dépend de la qualité du texte scanné et de la capacité à maintenir à jour les modèles de contexte. Les capacités de haute concurrence (AlloyDB Express, PostgreSQL agents) sont annoncées avec des chiffres de provisionnement et de débit, mais aucune mesure de latence moyenne n’est fournie, ce qui complique l’évaluation de la charge réelle en production. Enfin, l’intégration étroite de Gemini avec le catalog et BigQuery simplifie la génération de rapports, mais crée une dépendance supplémentaire à l’écosystème Google, limitant la portabilité des solutions vers d’autres clouds.
