SAP, Oracle et Palantir font face à un problème gênant : l’intelligence d’entreprise n’a plus besoin de rester confinée au même système qui enregistre les transactions. Depuis des décennies, les grandes entreprises ont adopté une logique presque incontournable : si l’ERP gère la finance, les achats, les ressources humaines ou la logistique, il semble également raisonnable que la couche d’analyse avancée et d’automatisation dépende du même fournisseur.

Ce modèle est en train de changer. Databricks, Snowflake et d’autres acteurs de l’infrastructure de données poussent l’intelligence artificielle d’entreprise vers une couche distincte : celle des données gouvernées, des formats ouverts et des agents capables d’interroger, de raisonner et d’agir sur des informations qui ne résident pas nécessairement dans un seul ERP ou une plateforme de décision propriétaire. Ce mouvement ne supprime pas SAP, Oracle ou Palantir, mais remet en question l’endroit où la valeur ajoutée est la plus importante.

Pendant des années, le modèle classique a fonctionné avec un immense succès. Une entreprise déploie SAP ou Oracle pour enregistrer ses opérations critiques : factures, commandes, inventaires, contrats, paie et une grande partie du rythme quotidien de l’activité. Lorsqu’il s’agit d’appliquer de l’intelligence artificielle, d’automatiser des décisions ou de connecter des processus, le fournisseur naturel est généralement celui déjà en charge du système transactionnel.

L’ancien pouvoir de l’ERP commence à se dissocier des données

SAP et Oracle réagissent rapidement. SAP renforce Joule et sa stratégie d’IA commerciale avec des assistants et agents intégrés dans les processus métier, soutenus par des données, de la sécurité et une gouvernance d’entreprise. Oracle, de son côté, a repensé sa suite Fusion Cloud pour ce qu’il appelle les « applications agentiques », conçues pour que les utilisateurs demandent des résultats commerciaux plutôt que de simplement exécuter des tâches isolées dans le logiciel.

Cette réaction est logique. Si le logiciel d’entreprise se limite à une base de données transactionnelle avec une interface utilisateur, la valeur stratégique se déplace ailleurs. Les ERP resteront indispensables car une entreprise a besoin de systèmes fiables pour enregistrer achats, ventes, paies, impôts, fabrication ou chaîne d’approvisionnement. Cependant, la couche qui interprète ces données, les croise avec d’autres systèmes et propose des décisions commence à s’individualiser.

Palantir représente un autre modèle. Sa Ontology ne se limite pas à consulter des tableaux : elle tente de représenter des objets réels du business, comme des usines, véhicules, commandes, produits ou actifs, en les reliant à des actions, des permissions et des flux opérationnels. La documentation de Palantir décrit d’ailleurs l’Ontology comme une couche opérationnelle située au-dessus des actifs numériques intégrés dans Foundry, capable de connecter les données avec leurs équivalents du monde réel.

Le potentiel peut être très puissant, notamment dans les organisations complexes. Le coût stratégique en est évident : plus cette couche sémantique génère de valeur dans une plateforme spécifique, plus il devient difficile de s’en détacher. L’entreprise n’achète pas seulement un logiciel. Elle confie une partie de ses connaissances opérationnelles à une structure dépendant d’un fournisseur.

Databricks et Snowflake attaquent depuis la base

L’offensive de Databricks et Snowflake ne vient pas du côté de l’ERP, mais de l’infrastructure de données. Leur argumentation se distingue : l’intelligence d’entreprise doit se construire au-dessus des données de l’organisation, pas nécessairement dans l’application qui les a générées. Cela inclut les données ERP, mais aussi celles du point de vente, du commerce en ligne, du CRM, des capteurs, des feuilles internes, de la documentation, des campagnes marketing, de l’inventaire et des systèmes logistiques.

Databricks a franchi une étape supplémentaire avec Genie One, une nouvelle gamme d’agents IA destinés aux équipes opérations. Selon le Wall Street Journal, ce produit vise à permettre aux professionnels des départements finance, marketing ou ventes d’obtenir des réponses et de prendre des décisions à partir des données d’entreprise. La pièce centrale est Genie Ontology, une couche de contexte qui organise données, documents, applications et personnes pour que les agents puissent répondre avec plus de précision.

L’exemple d’Albertsons Companies illustre bien cette évolution. La chaîne de supermarchés américaine collabore avec Databricks pour l’intelligence du marchandisage et des prix. Lors du Data + AI Summit, Databricks explique qu’Albertsons traite 70 milliards de lignes de transactions dans son Lakehouse et modélise les relations entre produits et promotions avec des structures réutilisables. Cela permet d’afficher des effets de substitution, des ventes induites et de la cannibalisation entre produits.

La question n’est plus seulement “combien ce fromage s’est-il vendu la semaine dernière ?” La question essentielle devient : si l’on lance une promotion agressive sur une marque précise, combien de ventes cela va-t-il annuler sur la marque blanche ? Quel sera l’impact sur les produits liés ? Et quel espace en linéaire doit-on réajuster ? Avant, ce genre d’analyse pouvait prendre des semaines d’extraction, de conciliations et de analyses entre ERP, logistique, points de vente et outils d’intelligence d’affaires. Aujourd’hui, l’ambition est qu’un agent puisse agir sur une couche de données prête à répondre à ce type de décisions.

Accenture cite aussi Albertsons comme exemple d’adoption de solutions agentiques sur Databricks pour l’intelligence des prix, avec analyse historique, prévision et explicabilité ciblée pour les responsables de catégorie.

Snowflake suit une logique similaire. La société mise sur des architectures ouvertes, des données gouvernées et une interopérabilité afin que les agents puissent travailler sur des définitions fiables, sans se confier à des interprétations improvisées. Ses annonces récentes concernant les formats ouverts et Iceberg visent précisément à rendre les données accessibles par différents outils, sans rester bloquées dans une seule couche propriétaire.

Le vrai enjeu se joue dans la couche sémantique

Le débat principal ne porte pas sur le remplacement de l’ERP par des agents d’IA. Il concerne qui contrôle la couche sémantique de l’entreprise. Autrement dit, qui définit qu’un code produit appartient à une famille, qu’une promotion impacte une catégorie, qu’un magasin a un comportement comparable à un autre, qu’un retard logistique modifie une prévision de marge ou qu’une décision commerciale impacte inventaire, achats et trésorerie.

Pendant longtemps, cette intelligence était répartie entre consultants, rapports, processus internes et modules propriétaires. Palantir en a fait une couche opérationnelle à haute valeur ajoutée. SAP et Oracle tentent de l’intégrer dans leurs suites. Databricks et Snowflake veulent qu’elle repose sur la plateforme de données.

Pour un conseil d’administration, la question devient plus conflictuelle. Il ne suffit pas de décider quelle solution d’IA acheter. Il faut définir où construire l’intelligence opérationnelle de l’entreprise et selon quelles règles. Si elle se construit dans l’ERP, l’intégration est plus naturelle, mais aussi plus dépendante. Si elle s’établit dans une plateforme fermée d’intelligence opérationnelle, le retour sur investissement peut être rapide, mais la sortie plus compliquée. S’appuyer sur des données ouvertes, gouvernées et réutilisables demande plus de discipline technique, mais donne plus de marge de manœuvre.

L’ERP ne disparaîtra pas. SAP et Oracle continueront d’occuper une position forte car ils enregistrent des processus que l’improvisation ne permet pas. Palantir conserve également sa pertinence, même avec l’émergence d’agents sur lakehouses ; sa proposition reste attractive pour les organisations nécessitant une connexion entre décisions, opérations et sécurité dans des environnements très complexes. Mais le centre de gravité est en train de bouger.

L’entreprise qui traite ses données comme un sous-produit de l’ERP risque de devoir acheter de l’intelligence plusieurs fois : une fois auprès du fournisseur transactionnel, une autre via l’analytique, encore par les agents IA, et enfin par le consultant qui assemble tout. En revanche, une entreprise qui organise ses données comme un actif propre aura plus de liberté pour choisir modèles, agents et applications, sans devoir reconstruire chaque fois toute son architecture.

L’intelligence artificielle d’entreprise ne consiste pas uniquement à séparer les tâches humaines des tâches automatisées. Elle consiste à séparer le système qui enregistre le business de celui qui le comprend. Cette division pourrait bien devenir la grande bataille technologique de la prochaine décennie.

Questions fréquentes

Est-ce que cela signifie que SAP et Oracle vont perdre en importance ?
Pas nécessairement. Leurs systèmes resteront fondamentaux pour l’enregistrement des opérations critiques. Ce qui change, c’est que l’intelligence et l’automatisation peuvent désormais s’établir en dehors de l’ERP, sur une couche de données plus étendue.

Qu’est-ce qui différencie Palantir de Databricks ou Snowflake ?
Palantir propose une couche opérationnelle fermée, fortement intégrée, qui représente objets, décisions et actions métiers. Databricks et Snowflake, eux, construisent davantage sur l’infrastructure des données, pour que les agents puissent travailler sur des données gouvernées et réutilisables.

Pourquoi les formats ouverts sont-ils importants en IA d’entreprise ?
Parce qu’ils réduisent la dépendance à un fournisseur unique et permettent à différentes outils de consulter les mêmes données via des règles communes. En IA, cela facilite aussi la cohérence des informations manipulées par les agents.

Quel est le principal risque pour les entreprises ?
Le danger principal est de créer une nouvelle dépendance technologique au moment même où elles cherchent à se moderniser avec l’IA. La décision clé n’est pas seulement d’acheter un agent, mais de savoir où le savoir opérationnel de l’entreprise sera stocké et gouverné.