La catégorie de lakehouse que nous avons créée est désormais reconnue par Gartner. Avec Lakebase, nous développons la prochaine génération de bases de données opérationnelles.
par Kaitlin Baumgardner, Kevin Balaji, Brianna Helm, Jonathan Keller et Susan Pierce
Pendant des décennies, les entreprises ont géré leurs données dans deux mondes séparés. Un data warehouse ou lakehouse gère l'analytique. Les bases de données OLTP traditionnelles exécutent des applications. Des pipelines déplacent les données entre elles, créant des copies, de la latence et une gouvernance séparée en chemin.
Cette configuration fonctionnait lorsque les tableaux de bord et les applications vivaient séparément. L'IA change la donne. Un agent qui répond à la question d'un client, approuve une transaction ou met à jour une prévision a besoin de données opérationnelles fraîches et d'un contexte analytique approfondi en même temps, et il doit souvent réécrire des données. Chaque pipeline supplémentaire ajoute de la latence, des coûts et des risques, de sorte que la frontière entre les deux systèmes est devenue un goulet d'étranglement.
Ces marchés sont évalués en grande partie de manière indépendante. Gartner vient de publier un Magic Quadrant pour les plateformes de data lakehouse et un Magic Quadrant pour les systèmes de gestion de bases de données relationnelles opérationnelles dans le cloud. Nous constatons cependant que les clients ont de plus en plus besoin que les deux systèmes fonctionnent comme un seul.
Lorsque nous avons introduit le lakehouse, l'idée était simple. Offrir à chaque charge de travail de données une fondation unique, ouverte et gouvernée, au lieu de maintenir des data lakes et des data warehouses comme des systèmes séparés. Aujourd'hui, des milliers d'organisations exécutent l'ingénierie des données, le data warehousing, le streaming, la BI et l'IA sur cette fondation.
Nous pensons que notre position de Leader dans le premier Magic Quadrant de Gartner pour les plateformes de data lakehouse, avec les scores les plus élevés en matière d'exécution, reflète ce sur quoi les clients comptent chaque jour :
Nous avons constaté l'impact auprès de nos clients. Airwallex et Volkswagen Brasil sont passés de Google BigQuery à Databricks Lakehouse, et ont constaté des délais d'obtention d'insights 3 à 4 fois plus rapides et une réduction du TCO de 25 % respectivement. Nubank, par exemple, exécute plus de 50 millions de requêtes par mois avec des performances de requête P90 multipliées par 7 et des coûts inférieurs de plus de 40 %.

Le lakehouse n'a pas commencé comme une catégorie, mais comme une autre façon de construire. Les clients l'ont adopté, l'écosystème s'est construit autour, et le marché a suivi. C'est la voie que nous empruntons à nouveau.
Le lakehouse a reconstruit l'analytique sur un stockage cloud ouvert et à faible coût. Un lakebase fait de même pour les bases de données opérationnelles. Nous pensons qu'il servira de système d'enregistrement pour toutes les applications : nouvelles charges de travail d'agents, applications modernes, ainsi que les systèmes transactionnels traditionnels.
Dans le Magic Quadrant de Gartner de 2026 pour les systèmes de gestion de bases de données relationnelles opérationnelles dans le cloud, Databricks est le seul fournisseur nommé Visionnaire, moins d'un an après la disponibilité générale de Lakebase Postgres. Nous y voyons le signe de la direction que prend la catégorie.
La plupart des bases de données opérationnelles utilisées aujourd'hui ont été conçues pour une autre époque. Le stockage et le calcul sont étroitement couplés, de sorte que la capacité est payée au pic. Les bases de données sont des actifs lourds que les équipes dupliquent rarement, et amener les données vers l'analytique ou l'IA implique de construire et de maintenir des pipelines. Elles n'ont pas été conçues pour les logiciels que les agents écrivent et exécutent.
Lakebase Postgres part de principes différents. C'est Postgres, de sorte que les développeurs conservent les outils qu'ils connaissent déjà, mais le calcul est séparé du stockage et les données résident sur le stockage d'objets cloud, la même fondation que le lakehouse. Le calcul est serverless et s'adapte à zéro. Les bases de données se ramifient instantanément, comme du code, de sorte que les développeurs et les agents peuvent créer des copies isolées en quelques secondes. Et parce que Lakebase Postgres est natif de la plateforme Databricks Data + AI Platform, ses données sont gouvernées dans Unity Catalog en même temps que tout le reste.
Les clients exécutent déjà des charges de travail de production sur un lakebase. PRADA Group l'utilise pour diffuser des milliers de KPI de confiance à travers ses marques sous forme d'API à faible latence, les fournissant environ 130 fois plus rapidement (d'environ 2 secondes à 15 millisecondes) tout en réduisant les coûts d'infrastructure d'environ 50 %.
« Lakebase nous a permis de passer d'une distribution traditionnelle de KPI basée sur des requêtes à une couche de service à faible latence où chaque métrique est exposée sous forme d'API en quelques millisecondes. »- Michele Piunti, Data Platform Manager, PRADA Group

Amener les données opérationnelles dans l'analytique a toujours signifié les copier. Une requête analytique lourde ne peut pas s'exécuter sur la même machine que des transactions sensibles à la latence sans causer de perturbations, les équipes ajoutent donc des réplicas en lecture ou construisent des pipelines CDC dans un data warehouse. Elles paient pour des copies supplémentaires, attendent sur des pipelines fragiles et finissent par gouverner deux versions des mêmes données dont les permissions divergent. C'est une grande raison pour laquelle les bases de données opérationnelles et les plateformes d'analytique ont longtemps été achetées, exécutées et évaluées comme des marchés séparés.
L'architecture Lake Transactional/Analytical Processing (LTAP) , rendue possible par le lakebase, unifie les deux au niveau de la couche de stockage au lieu de forcer un moteur à faire les deux tâches. Lakebase Postgres gère les transactions avec des garanties ACID complètes, et les moteurs du lakehouse gèrent l'analytique. Les deux lisent une copie unique et durable des données dans des formats ouverts comme Delta Lake et Apache Iceberg, gouvernés dans Unity Catalog. Il n'y a pas de pipeline à construire ni de tables à mettre en miroir, et les requêtes analytiques ne ralentissent jamais l'application. L'analytique lit instantanément les données fraîches que l'application vient d'écrire, sans aucun délai. C'est ainsi que les données opérationnelles et analytiques fonctionnent sur une seule fondation.
Nous voyons déjà des clients tirer de la valeur de cette unification. Posti exécute déjà ses analyses sur Databricks Lakehouse et prévoit d'utiliser Lakebase Postgres pour alimenter le SIG et la planification opérationnelle sur la même plateforme gouvernée, de sorte que les applications opérationnelles et l'analytique ne vivent plus dans des piles séparées.
Pour un aperçu plus approfondi du fonctionnement de LTAP, lisez notre article de blog.
Il y a quelques années, le lakehouse était une idée que nous devions expliquer. Aujourd'hui, c'est une catégorie de marché, et nous pensons que le lakebase est au début de la même transition. Les applications ne sont plus les seules à écrire dans les bases de données. Les agents créent, ramifient et interrogent désormais des bases de données à une vitesse et à une échelle pour lesquelles les systèmes traditionnels n'ont pas été conçus, et ils ont besoin du contexte analytique qui réside dans le lakehouse.
Nous construisons une fondation ouverte et gouvernée où chaque charge de travail, opérationnelle ou analytique, construite par des humains ou par des agents, s'exécute sur les mêmes données. Nous avons construit le lakehouse avec nos clients, et nous construisons le lakebase de la même manière.
Gartner, Magic Quadrant for Data Lakehouse Platforms, Aaron Rosenbaum, Michael Gonzales, Masud Miraz, Ramke Ramakrishan, Xingyu Gu, Robin Schumacher, Prasad Pore, November 4, 2026.
Gartner, Magic Quadrant for Cloud Operational Database Management Systems, Masud Miraz, Aaron Rosenbaum, Ramke Ramakrishan, Xingyu Gu, Michael Gonzales, Prasad Pore, Robin Schumacher, November 12 2026.
Gartner ne soutient aucun fournisseur, produit ou service présenté dans ses publications de recherche et ne conseille pas aux utilisateurs de technologies de choisir uniquement les fournisseurs les mieux notés. Les publications de recherche de Gartner reflètent les avis de l'organisation Research & Advisory de Gartner et ne doivent pas être interprétées comme des déclarations de fait. Gartner décline toute garantie, expresse ou implicite, concernant cette recherche, y compris toute garantie de qualité marchande ou d'adéquation à un usage particulier.
GARTNER et MAGIC QUADRANT sont des marques déposées de Gartner, Inc. et/ou de ses sociétés affiliées aux États-Unis et à l'international, et sont utilisées ici avec leur autorisation. Tous droits réservés.
Ce graphique a été publié par Gartner, Inc. dans le cadre d'un document de recherche plus large et doit être évalué dans le contexte de l'ensemble du document. Le document de Gartner est disponible sur demande auprès de Databricks.
(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original
Abonnez-vous à notre blog et recevez les derniers articles directement dans votre boîte mail.