Les agents IA imposent une refonte des fondations de données

Contexte et enjeux

Lors du KubeCon + CloudNativeCon NA, les organisateurs ont introduit une piste dédiée à l’inférence IA et aux agents, soulignant l’intérêt croissant de ces technologies dans les environnements cloud‑native. Sanjeev Mohan, principal chez SanjMo et auteur du livre Designing the AI‑Driven Data Foundations publié en juin 2026, explique que les modèles d’IA ne peuvent réussir que si la couche de données sous‑jacente est observable et transparente. Il affirme que l’absence d’observabilité rend tout développement ultérieur inefficace, même avec des modèles avancés.

Fonctionnement des agents IA et bases de données éphémères

Contrairement aux pipelines traditionnels où les données sont extraites, transformées et chargées avant d’être consommées, les agents IA accèdent directement aux bases de données et créent des instances temporaires pour tester plusieurs scénarios. Mohan décrit que chaque agent peut « spiner » une base de données courte durée, copier les données nécessaires et exécuter différentes chaînes de raisonnement avant de choisir une action. L’exemple d’un agent évaluant une demande de prêt illustre ce processus : il interroge des registres de recensement et des réseaux sociaux, puis décide d’approuver ou de refuser, le tout en temps réel.

Implications pour l’observabilité et la gouvernance

Cette capacité à manipuler les données à la volée impose que l’observabilité devienne une composante architecturale, et non un module ajouté après coup. Mohan indique que la gouvernance doit désormais couvrir non seulement la conformité des données stockées, mais aussi la traçabilité des décisions prises par les agents en cours d’exécution. Le besoin de sauvegarder l’état et de construire le contexte à la volée conduit à l’émergence de nouveaux types de bases de données capables de gérer simultanément des données structurées et non structurées. Selon lui, les plateformes futures devront intégrer ces exigences dès la conception pour éviter des écarts entre les exigences réglementaires et les pratiques opérationnelles.