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, la logique semblait aller de soi — si l’ERP gère la finance, les achats, les RH ou la logistique, c’est aussi vers lui qu’on se tourne pour l’analyse et l’automatisation. Cette évidence commence à se fissurer.

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, raisonner et agir sur des informations qui ne résident pas nécessairement dans un seul ERP ou une plateforme propriétaire. Ce mouvement ne supprime pas SAP, Oracle ou Palantir, mais déplace l’endroit où la valeur ajoutée est la plus forte. Gartner évalue à 234 milliards de dollars les dépenses SaaS exposées à ce changement d’ici 2030.

Le modèle ERP commence à se dissocier de la couche d’intelligence

SAP et Oracle réagissent vite. 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 a revu sa suite Fusion Cloud pour ce qu’il appelle les « applications agentiques », conçues pour que les utilisateurs demandent des résultats commerciaux plutôt que d’exécuter des tâches isolées.

Cette réaction est logique. Si l’ERP se limite à une base de données transactionnelle avec une interface, la valeur stratégique se déplace ailleurs. Les ERP resteront indispensables — une entreprise a besoin de systèmes fiables pour enregistrer achats, ventes, paies, impôts ou chaîne d’approvisionnement. Mais 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. Son Ontology ne se contente pas de consulter des tableaux : elle tente de représenter des objets réels du business — usines, véhicules, commandes, actifs — en les reliant à des actions, des permissions et des flux opérationnels. C’est une couche opérationnelle à haute valeur ajoutée, mais son coût stratégique est clair : plus cette couche sémantique génère de valeur dans une plateforme propriétaire, plus il devient difficile de s’en détacher.

Databricks et Snowflake attaquent depuis l’infrastructure de données

L’offensive de Databricks et Snowflake ne vient pas du côté de l’ERP, mais de l’infrastructure de données. Leur argumentation : l’intelligence d’entreprise doit se construire sur les 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 CRM, des capteurs, de la documentation, des campagnes marketing et des systèmes logistiques.

Databricks a franchi une étape supplémentaire avec Genie One, une nouvelle gamme d’agents IA pour les équipes opérations. Selon le Wall Street Journal, ce produit vise à offrir aux professionnels de la finance, du marketing ou des ventes des réponses et des décisions directement tirées 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 répondent avec plus de précision.

L’exemple d’Albertsons Companies illustre ce virage. La chaîne de supermarchés américaine traite 70 milliards de lignes de transactions dans son Lakehouse et modélise les relations entre produits et promotions. Cela permet de calculer les effets de substitution, les ventes induites et la cannibalisation entre produits. La question ne se limite plus à « combien ce fromage s’est-il vendu la semaine dernière ? » La vraie question devient : si l’on lance une promotion agressive sur une marque, combien de ventes cela va-t-il annuler sur la marque blanche ? Quel espace en linéaire doit-on réajuster ? Avant, ce genre d’analyse pouvait prendre des semaines. Aujourd’hui, l’ambition est qu’un agent agisse sur une couche de données prête à répondre à ces décisions.

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

Le vrai enjeu : qui contrôle 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. C’est cette couche qui définit qu’un code produit appartient à une famille, qu’une promotion impacte une catégorie, 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 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. Ces trois visions sont incompatibles à long terme, et chaque organisation devra choisir où elle bâtit son intelligence opérationnelle.

Pour les directions, la question devient plus conflictuelle : il ne suffit plus 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 naturelle mais la dépendance est forte. Si elle s’appuie sur une plateforme fermée d’intelligence opérationnelle, le retour sur investissement peut être rapide mais la sortie compliquée. S’appuyer sur des données ouvertes et gouvernées demande plus de discipline technique, mais donne plus de liberté.

Créer de la valeur avec l’IA d’entreprise exige bien plus que choisir le bon modèle : l’infrastructure de données, leur gouvernance et la clarté des processus déterminent si les agents peuvent vraiment agir ou s’ils restent confinés à des démos convaincantes.

L’ERP ne disparaîtra pas. SAP et Oracle continueront d’occuper une position forte car ils enregistrent des processus que l’improvisation ne peut pas gérer. Palantir conserve aussi sa pertinence pour les organisations qui ont besoin d’une connexion entre décisions, opérations et sécurité dans des environnements très complexes. Mais le centre de gravité bouge.

L’entreprise qui traite ses données comme un sous-produit de l’ERP risque de devoir acheter de l’intelligence plusieurs fois : auprès du fournisseur transactionnel, via l’analytique, puis par les agents IA, et enfin auprès du 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 toute son architecture à chaque changement de fournisseur.

Questions fréquentes

SAP et Oracle vont-ils perdre en importance ?

Pas nécessairement. Leurs systèmes resteront indispensables 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 et fortement intégrée qui représente objets, décisions et actions métier. Databricks et Snowflake s’appuient sur l’infrastructure de données ouverte, pour que les agents travaillent sur des données gouvernées et réutilisables.

Pourquoi les formats ouverts sont-ils importants en IA d’entreprise ?

Ils réduisent la dépendance à un fournisseur unique et permettent à différents outils de consulter les mêmes données via des règles communes. En IA, cela assure aussi la cohérence des informations manipulées par les agents.

Quel est le principal risque pour les entreprises ?

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 définir où le savoir opérationnel de l’entreprise sera stocké et gouverné.