Databricks affirme avoir franchi une étape importante dans l’infrastructure de données avec le lancement de LTAP et de Lakehouse//RT, deux briques pensées pour réduire la dépendance des entreprises aux pipelines ETL, aux répliques de bases et aux couches de synchronisation.
L’objectif est clair : donner aux agents IA un accès plus rapide, plus fiable et plus gouverné aux données opérationnelles et analytiques.
Le sujet est stratégique, car les agents autonomes perdent une partie de leur valeur lorsqu’ils raisonnent sur des données anciennes, fragmentées ou copiées dans plusieurs systèmes.
LTAP : une architecture pour rapprocher transactions et analytique
Le 16 juin 2026, Databricks a présenté LTAP, pour Lake Transactional/Analytical Processing, comme une architecture destinée à réunir transactions, analytique, streaming et données opérationnelles sur une seule copie de stockage dans le lakehouse.
Dans son communiqué officiel, l’entreprise explique que LTAP vise à éliminer les flux ETL, les bases répliquées et les pipelines de synchronisation historiquement nécessaires entre systèmes OLTP et OLAP.
La promesse est ambitieuse : permettre aux applications, tableaux de bord et agents IA de lire, analyser et agir sur une même source de vérité gouvernée.
Databricks indique que Lakebase, sa base Postgres serverless sur stockage objet ouvert, constitue le socle transactionnel de cette approche.
L’entreprise affirme aussi que Lakebase sert déjà des milliers de clients et gère 12 millions de lancements de bases de données par jour sur sa plateforme.
Ces chiffres doivent être lus comme des données communiquées par Databricks, et non comme une validation indépendante de performance.
Lakehouse//RT cible la latence des agents IA
Databricks a également annoncé Lakehouse//RT, une couche d’analyse en temps réel directement intégrée au lakehouse.
D’après le communiqué de l’entreprise, Lakehouse//RT atteint une latence inférieure à 100 millisecondes sur des benchmarks analytiques standards, avec 12 000 requêtes par seconde.
Databricks affirme aussi que certains clients ont observé jusqu’à 16 fois de meilleures performances que leurs piles de serving temps réel spécialisées existantes.
Pour l’IA agentique, cette latence est centrale.
Un agent qui doit vérifier un stock, ajuster une recommandation, lire une transaction ou déclencher une action métier ne peut pas dépendre d’une donnée rafraîchie avec plusieurs minutes ou heures de retard.
La thèse de Databricks est donc que la performance des agents ne dépend pas seulement des modèles, mais aussi de la fraîcheur, de la gouvernance et de l’unification des données.
Un enjeu concurrentiel pour l’infrastructure data
Cette annonce s’inscrit dans la bataille plus large des plateformes de données pour devenir le socle de production de l’IA d’entreprise.
Databricks cherche à réduire la fragmentation entre data warehouse, data lake, bases transactionnelles, streaming et outils d’orchestration.
Dans un autre billet officiel consacré à Lakeflow, l’entreprise insiste sur l’unification de l’ingestion, de la transformation et de l’orchestration sous Unity Catalog, afin de fournir aux agents IA un contexte fiable et gouverné.
Le pari est puissant, mais il reste à confirmer en conditions réelles, notamment sur les coûts, la migration depuis les architectures existantes et l’adoption par les grandes entreprises.
Si Databricks tient sa promesse, le marché pourrait voir émerger une nouvelle norme : des agents IA connectés à des données vivantes, gouvernées et directement actionnables.
Dans le cas contraire, LTAP restera une évolution importante, mais pas encore la rupture définitive avec des décennies de pipelines complexes.
