Amit Sharma, PDG et fondateur de CData – Série d’entretiens

Amit Sharma, PDG et fondateur de CData Software, est un dirigeant de l’industrie technologique qui a guidé CData depuis ses débuts en tant que startup jusqu’à devenir un leader mondial de la connectivité et de l’intégration de données. Avec une carrière qui comprend des rôles d’ingénieur logiciel chez Infosys et Elixar, d’architecte technique chez /n Software, et plus tard de directeur technique chez CData, il a développé une expertise approfondie en matière d’accès aux données d’entreprise et d’infrastructure. Depuis qu’il est devenu PDG en 2014, il a dirigé la mission de CData pour simplifier la façon dont les organisations se connectent, intègrent et utilisent les données à travers les systèmes, aidant ainsi à positionner l’entreprise comme une couche fondamentale du mouvement de données modernes.

CData Software est un fournisseur leader de solutions d’accès et de connectivité de données. Ses produits de données en libre-service et ses plateformes de connectivité offrent un accès universel aux données en temps réel à travers des centaines d’applications sur site et dans le cloud. Des millions d’utilisateurs dans le monde entier comptent sur CData pour soutenir l’analyse avancée, accélérer l’adoption du cloud et construire des organisations plus connectées et axées sur les données. Conçus pour être utilisés par n’importe quel utilisateur, accessibles dans n’importe quelle application et évolutifs pour les entreprises de toutes tailles, CData redéfinit la façon dont les entreprises accèdent et utilisent les données.

Vous avez commencé votre carrière en Inde chez Infosys et avez ensuite fait la transition vers les logiciels d’entreprise américains. Quelle leçon de cette période influence encore votre façon de diriger aujourd’hui ?

Mon temps chez Infosys m’a donné une exposition précoce aux exigences de la technologie d’entreprise à grande échelle — la complexité, le besoin de fiabilité et la façon dont les grandes organisations abordent les problèmes techniques. Cela a façonné un profond respect pour la structure et la qualité d’entreprise. Mais lorsque j’ai fait la transition vers une startup américaine, j’ai découvert que je prospérais sur la vitesse, l’agilité et la capacité d’avoir un impact direct. Aujourd’hui, ce double passé guide la façon dont je dirige CData Software : j’insiste sur les normes et la robustesse d’entreprise, tout en favorisant une culture lean et rapide qui valorise la simplicité, l’utilisabilité et l’exécution rapide.

Après plus d’une décennie en tant que PDG de CData, quel changement de mentalité ou d’approche a été le plus important pour faire évoluer l’entreprise de ses débuts en tant que startup vers une entreprise mondiale ?

Le plus grand changement pour moi a été de passer d’une mentalité de constructeur de technologie à une mentalité de constructeur d’organisation. Au début, mon attention était presque entièrement axée sur le produit ; je devais m’assurer qu’il était élégant, fiable et résolvait de vrais problèmes. À mesure que CData a grandi, j’ai dû apprendre que de bons logiciels ne suffisent pas ; il faut de bonnes personnes, de solides dirigeants et des processus qui peuvent évoluer sans ralentir. Cela a signifié investir plus tôt dans le recrutement, l’autonomisation des équipes et la création de systèmes répétitifs dans les ventes, le support et les opérations, tout en préservant notre culture d’ingénierie. Le changement de mentalité a été de réaliser que mon travail n’était pas seulement de créer de bonne technologie, mais de créer un environnement dans lequel une bonne technologie pouvait être construite de manière cohérente par une équipe mondiale en croissance.

CData s’est longtemps concentrée sur la « simplification de l’accès à n’importe quelle donnée, n’importe où ». Comment cette mission a-t-elle évolué à mesure que l’industrie s’enfonce dans les applications natives AI ?

Dès le début, notre mission chez CData a été de rendre les données universellement accessibles en utilisant des interfaces standardisées, car nous croyions que le plus grand goulet d’étranglement pour l’innovation n’était pas le stockage ou le calcul, mais l’accès. Cette idée fondamentale n’a pas changé, mais le contexte a évolué. À mesure que les organisations sont passées de l’analyse au cloud et maintenant à l’IA, le coût d’un accès aux données fragmenté et incohérent n’a fait que croître. Ce qui a évolué, c’est notre responsabilité : il ne s’agit plus seulement de connecter les applications aux données, mais de s’assurer que les données sont fiables, en temps réel et utilisables dans des environnements de plus en plus complexes et distribués. À l’ère de l’IA, l’accès seul ne suffit pas. Les données doivent être immédiatement utilisables sans semaines d’ingénierie personnalisée.

À mesure que les applications natives AI deviennent la norme, notre mission s’est élargie pour inclure la préparation des données par défaut. Cela signifie permettre une sémantique cohérente, une connectivité haute performance, un accès conscient de la gouvernance et une intégration en temps réel à travers des sources de données structurées et SaaS, afin que les modèles et les agents puissent travailler avec des informations fraîches et fiables, et non avec des intégrations ponctuelles fragiles ou des copies obsolètes. Dans les faits, nous nous concentrons sur l’élimination du frottement entre l’endroit où vivent les données et l’endroit où opèrent les systèmes d’IA, afin que les équipes puissent passer de l’expérimentation à la production plus rapidement. Nous nous voyons non pas seulement comme un fournisseur de connectivité, mais comme une couche de données fondamentale pour les entreprises axées sur l’IA, alimentant discrètement les systèmes qui rendent les applications intelligentes possibles.

Avec l’accélération de l’IA générative, qu’est-ce que « les données prêtes pour l’IA » signifient vraiment pour vous, et où les organisations interprètent-elles le plus mal cette idée ?

Pour moi, « les données prêtes pour l’IA » signifient des données qui sont accessibles, fiables, actuelles et compréhensibles à la fois par les humains et les machines sans couches de plomberie personnalisée. Il ne s’agit pas seulement de déplacer les données dans un lac ou des entrepôts. Il s’agit de s’assurer que les systèmes, les modèles et les agents peuvent accéder de manière cohérente aux bonnes données au bon moment via des interfaces standard et gérées. La préparation pour l’IA dépend moins de l’endroit où les données sont stockées et plus de la possibilité d’accéder, de découvrir, d’interroger, de faire confiance et d’intégrer les données en temps réel. Sans cette fondation, même les modèles les plus avancés finissent par fonctionner avec des informations incomplètes ou obsolètes.

Je vois les organisations interpréter mal ce concept en supposant que la centralisation équivaut automatiquement à la préparation. Les équipes pensent souvent que dès que les données sont consolidées dans une seule plateforme, elles sont « prêtes pour l’IA », alors qu’en réalité, elles ont créé un nouveau silo. D’autres surinvestissent dans les outils sans aborder la qualité des données, la sémantique et la connectivité, les problèmes peu glamoureux qui font ou défont les systèmes d’IA du monde réel. L’IA ne rate pas à cause des modèles ; elle rate à cause de données désorganisées, inaccessibles ou obsolètes. Les organisations qui gagneront sont celles qui traitent la préparation des données comme une discipline opérationnelle, et non comme un projet de migration unique.

Votre nouvelle recherche, L’état de la connectivité des données d’IA : Perspectives 2026, montre que seulement 6 % des dirigeants d’IA pensent que leur infrastructure de données est entièrement prête pour l’IA. Pourquoi pensez-vous que l’écart de préparation est si grand, et que cela nous dit-il sur la trajectoire actuelle de l’industrie ?

L’écart est si grand parce que la plupart des organisations ont investi dans la collecte et le stockage de données longtemps avant d’investir dans leur utilisation pour l’IA. Au cours de la dernière décennie, les entreprises ont construit des lacs, des entrepôts et des pipelines, mais elles n’ont rarement construit une couche d’accès cohérente qui garantit que les données sont cohérentes, en temps réel et disponibles à travers les systèmes. Par conséquent, les dirigeants découvrent que lorsqu’ils commencent à déployer l’IA dans les flux de travail réels, leur infrastructure sous-jacente ne peut pas supporter la vitesse, l’échelle ou la fiabilité que l’IA exige. Le chiffre de 6 % ne reflète pas un manque d’ambition, mais plutôt la réalité que l’IA expose les faiblesses qui étaient toujours là mais n’avaient pas autant d’importance dans l’analyse traditionnelle.

Ce que les données nous disent sur l’industrie, c’est que nous sommes tôt dans la courbe d’adoption de l’IA, et non en fin de parcours. Les organisations expérimentent agressivement à la couche des applications, mais elles réalisent maintenant que le succès dépend de la modernisation de leur fondation de données sous-jacente. Nous entrons dans une phase corrective où l’attention se déplace des pilotes spectaculaires vers la préparation opérationnelle — accès standardisé, intégration gérée et connectivité en temps réel. Les gagnants ne seront pas les entreprises qui construisent le plus de preuves de concept, mais celles qui modernisent leur infrastructure de données suffisamment rapidement pour passer ces expérimentations à l’échelle de production.

Les résultats montrent également que 71 % des équipes d’IA consacrent plus d’un quart de leur temps à la plomberie des données. Quelle partie de ce travail est vraiment stratégique et non juste une dette technique ?

Certaine quantité de « plomberie des données » est absolument stratégique lorsqu’il s’agit de créer un accès durable aux données via des interfaces standard et de concevoir pour l’évolutivité et la gouvernance dès le départ. Investir dans la connectivité cohérente, les services de données partagés et les modèles d’intégration fiables est un travail fondamental qui paie des dividendes à travers chaque application et chaque modèle qui suit. Le problème est que la plupart des équipes ne font pas ce type de plomberie. Elles reconstruisent des pipelines uniques, écrivent des connecteurs fragiles et patchent des intégrations qui ne résolvent un problème qu’une seule fois. C’est de la dette technique déguisée en progrès.

Ce qui est stratégique, c’est tout ce qui réduit les frictions futures : éliminer le code personnalisé en faveur des normes, construire des services de données réutilisables et connecter les systèmes de manière à évoluer à travers les équipes et les cas d’utilisation. Lorsque la plomberie devient invisible et répétitive, elle cesse d’être une taxe sur les équipes d’IA et devient un facilitateur. L’objectif réel n’est pas de passer moins de temps sur les données. C’est d’arrêter de passer du temps sur les mêmes problèmes de données à plusieurs reprises.

Un point de données frappant dans le rapport est que 46 % des entreprises nécessitent désormais un accès en temps réel à six sources de données ou plus pour un seul cas d’utilisation d’IA. Est-ce que cela reflète ce que vous voyez avec les clients, et qu’est-ce qui rend ce niveau de connectivité si difficile ?

Oui, cela correspond étroitement à ce que nous voyons avec les clients. Les cas d’utilisation d’IA modernes, qu’il s’agisse d’analyse prédictive, de moteurs de recommandation ou de flux de travail autonomes, ne s’appuient rarement sur un seul système. Les entreprises ont souvent besoin de combiner ERP, CRM, applications SaaS, plateformes de streaming et bases de données legacy pour générer des informations significatives. Le défi n’est pas seulement le nombre de sources ; c’est la variété, les différents protocoles, formats et fréquences de mise à jour, et l’attente que ces données soient disponibles en temps réel pour les modèles d’IA.

Ce qui rend ce niveau de connectivité difficile, c’est que les approches d’intégration traditionnelles n’ont jamais été conçues pour la vitesse, l’échelle et la fiabilité que l’IA exige. Les connecteurs uniques et les pipelines par lots ne peuvent simplement pas suivre. Un accès en temps réel réel nécessite des interfaces standard et gérées, une sémantique cohérente à travers les systèmes et un suivi pour garantir la qualité et la disponibilité des données. Sans cette fondation, les équipes passent plus de temps à combattre les pipelines que à construire des solutions d’IA, ce qui ralentit l’innovation et introduit des risques. Les organisations qui réussissent sont celles qui traitent la connectivité comme une capacité stratégique, et non comme une corvée technique.

Le rapport met l’accent sur la cohérence sémantique, le contexte et la connectivité comme caractéristiques définissant l’infrastructure de données d’IA mature. Comment les organisations devraient-elles penser à la séquence de ces priorités ?

Lorsque l’on pense à la séquence, les organisations devraient commencer par la connectivité. Si les données ne sont pas accessibles de manière fiable à travers les systèmes, tout le reste devient irrelevant. Les modèles d’IA ne peuvent pas apprendre à partir de ce qu’ils ne peuvent pas atteindre. Établir des connexions standard et gérées à travers toutes les sources de données critiques pose les fondements de tout ce qui suit. Sans cette couche, les équipes finissent par construire des pipelines fragiles et uniques qui créent plus de travail à venir.

Une fois la connectivité en place, la cohérence sémantique devient la prochaine priorité. Les données ont besoin d’un langage commun pour que les informations provenant de multiples sources puissent être interprétées correctement et combinées de manière significative. Le contexte suit naturellement : comprendre non seulement les valeurs mais leur signification dans le processus commercial, le timing et les relations garantit que les modèles d’IA peuvent faire des prédictions précises et des recommandations actionnables. Traiter ces éléments comme une séquence structurée — connectivité d’abord, sémantique ensuite, contexte troisièmement — permet aux organisations de construire une infrastructure de données prête pour l’IA qui évolue et soutient une intelligence fiable et prête pour la production.

Les fournisseurs de logiciels natifs AI nécessitent maintenant environ trois fois plus d’intégrations externes que les fournisseurs traditionnels. Qu’est-ce qui pousse cet écart croissant, et qu’est-ce que cela révèle sur la direction que prend le logiciel ?

L’écart croissant est dû à la nature même de l’IA : les applications natives AI prospèrent sur des données diverses et en temps réel provenant de multiples sources. Contrairement aux logiciels traditionnels, qui opèrent souvent dans un seul système ou une seule suite, les modèles d’IA ont besoin d’ingérer, de corréler et d’analyser des informations à travers des systèmes ERP, des plateformes CRM, des applications SaaS, des sources de streaming et plus encore. Chaque intégration est essentielle pour donner à l’IA un contexte et une couverture suffisants pour générer des prédictions, des recommandations ou des actions automatisées précises.

Ce trend révèle que le logiciel se déplace des applications isolées vers des écosystèmes intelligents et interconnectés. Les gagnants ne seront pas les produits qui fonctionnent bien seuls. Ils seront les plateformes qui peuvent accéder et intégrer les données où qu’elles vivent de manière transparente. Dans les faits, cela signifie que la connectivité, la standardisation et l’intégration en temps réel ne sont plus des fonctionnalités agréables à avoir, mais des capacités fondamentales pour que les logiciels natifs AI puissent livrer une valeur réelle.

En regardant cinq ans en avant, quelle sera, selon vous, la principale goulotine pour le succès de l’IA — la connectivité, les pipelines en temps réel, la modélisation sémantique, la gouvernance ou autre chose ?

En regardant en avant, je pense que la gouvernance et la sécurité deviendront la principale goulotine pour le succès de l’IA. Alors que la connectivité et les pipelines en temps réel restent fondamentaux — les modèles d’IA ne peuvent être aussi efficaces que les données auxquelles ils peuvent accéder —, les organisations réalisent rapidement que l’IA non réglementée est insoutenable et potentiellement dangereuse. À mesure que l’IA passe de l’expérimentation à la production et commence à influencer les décisions commerciales critiques, les risques de biais, de non-conformité, de fuite de données et d’erreurs opérationnelles se multiplient de manière exponentielle.

Le défi n’est plus seulement de déplacer les données, mais de déplacer les bonnes données, avec les bonnes contrôles, vers les bonnes systèmes, de manière traçable et auditable. Les organisations qui ne parviennent pas à intégrer de solides cadres de gouvernance et des protocoles de sécurité dès le départ feront face à une pression réglementaire croissante, à des risques de réputation et, en fin de compte, à des systèmes d’IA qu’elles ne peuvent pas faire confiance ou évoluer. Nous voyons déjà les premiers signes : les entreprises hésitent à déployer l’IA parce qu’elles ne peuvent pas garantir la traçabilité des données, les contrôles d’accès ou la conformité avec les réglementations en évolution.

Les organisations les plus réussies dans cinq ans seront celles qui traitent la gouvernance et la sécurité non comme des après-pensées, mais comme des facilitateurs essentiels de l’IA. Oui, vous avez besoin de connectivité et de pipelines en temps réel pour que les données circulent — mais sans gouvernance et sécurité en place, ces données deviennent une responsabilité plutôt qu’un atout. L’avenir de l’IA n’est pas seulement une question de vitesse ou d’échelle ; c’est une question de confiance, de responsabilité et de déploiement responsable à chaque couche de la pile de données.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter CData Software.