Databricks détaille trois voies d’adoption des outils d’OpenAI en entreprise

Le 13 novembre 2026, Databricks a publié un aperçu de l’adoption en entreprise, décrivant trois façons d’utiliser les outils d’OpenAI avec les données d’entreprise régies : les analyses ChatGPT via Genie, les déploiements de Codex contrôlés de manière centralisée et les agents personnalisés hébergés sous forme d’applications Databricks.

Ce guide s’inscrit dans la continuité d’un partenariat pluriannuel annoncé le 25 septembre 2025. L’annonce initiale évaluait ce partenariat à 100 millions de dollars et indiquait que les modèles natifs d’OpenAI seraient accessibles à plus de 20 000 clients Databricks dans différents environnements cloud. Greg Brockman, cofondateur et président d’OpenAI, a décrit ainsi l’IA privée des données de l’entreprise : « C’est comme embaucher quelqu’un qui a 20 doctorats et ne jamais l’inviter à une réunion. »

Dans l’architecture conjointe, OpenAI fournit les modèles GPT, ChatGPT, Codex et son SDK Agents. Databricks apporte le lakehouse, qui stocke les données d’entreprise régies, ainsi que les définitions métier, les règles d’accès, le routage des requêtes aux modèles et l’infrastructure applicative. Genie Ontology ajoute un contexte propre à l’entreprise.

Genie applique les définitions de l’entreprise dans ChatGPT

La voie destinée aux utilisateurs métier s’adresse aux employés qui ont besoin de chiffres, mais ne savent pas rédiger de requêtes SQL pour interroger des bases de données. Grâce au plug-in Databricks Genie, un utilisateur de ChatGPT peut poser une question en langage naturel ; Genie repère les données pertinentes, applique les définitions de mesures approuvées, exécute la requête dans Databricks et renvoie des graphiques ou des diagrammes. Genie Ontology consigne les mesures, les définitions métier et les relations entre les données de l’entreprise, afin qu’une mesure comme le chiffre d’affaires corresponde à la définition propre à l’entreprise.

L’accès reste limité aux données que l’utilisateur est déjà autorisé à consulter, et chaque réponse renvoie aux sources Databricks correspondantes. ChatGPT Work peut également recommander les prochaines étapes et les personnes à associer, partager les résultats sur Slack ou par e-mail, et effectuer des actions approuvées par l’utilisateur au moyen d’outils connectés.

La fiche du plug-in d’OpenAI présente également la génération de code SQL, la synthèse de tableaux de bord ou de résultats de Genie, ainsi que la préparation des résultats pour les équipes. La disponibilité dépend du plug-in, de l’offre d’abonnement et des paramètres de l’espace de travail ; certaines connexions nécessitent une configuration ou une approbation par un administrateur.

Unity Gateway centralise la gouvernance de Codex

Pour les équipes d’ingénierie, Codex achemine les requêtes via Unity Gateway au lieu de contacter directement OpenAI. Les développeurs conservent leur flux de travail habituel et s’authentifient avec un identifiant Databricks, tandis que la clé API OpenAI reste dans la passerelle. Chaque requête est consignée, et les responsables de l’ingénierie peuvent définir des budgets par équipe, examiner les dépenses de chaque équipe et choisir le modèle GPT utilisé pour chaque tâche.

La configuration recommandée consiste à installer l’outil en ligne de commande Unity Gateway et à exécuter ug codex. La documentation de configuration de Databricks couvre également la configuration manuelle et l’exécution de Codex sur les ressources de calcul Databricks. Les abonnements ChatGPT Go, Plus, Pro et Enterprise admissibles peuvent se connecter via un service de fournisseur de modèles configuré par un administrateur ; les requêtes sont alors facturées sur l’abonnement ChatGPT. Unity Gateway est généralement disponible ; les outils SQL, de bac à sable et de recherche Web documentés, ainsi que les compétences Unity Gateway, restent en version bêta.

Les agents personnalisés utilisent des données régies et des contrôles partagés

La troisième voie concerne les agents personnalisés destinés aux processus métier qui utilisent des données soumises à des règles strictes de sécurité et de gouvernance. Databricks Model Serving exécute les modèles d’OpenAI à proximité de ces données régies, et aucune clé API externe n’est nécessaire lorsque Databricks sert le modèle. Les équipes peuvent créer et évaluer des agents dans Agent Bricks, ou utiliser le SDK OpenAI Agents, puis déployer le résultat sous forme d’application Databricks.

Le modèle officiel d’application fournit une API REST conversationnelle, une interface de clavardage interactive et du code d’évaluation MLflow. MLflow AgentServer gère le routage des requêtes, la journalisation et la gestion des erreurs, avec des fonctions intégrées de traçage et d’observabilité. Une ResponsesAgent interface assure la compatibilité avec les outils d’évaluation et de déploiement Databricks, tandis que le protocole Model Context connecte l’agent aux outils et aux sources de données.

Dans l’ensemble de ces scénarios, Unity Catalog gère les autorisations, Unity Gateway assure le routage des requêtes et le contrôle des coûts, et Lakebase fournit un stockage Postgres géré pour la mémoire et l’état des agents. Databricks prévoit de publier des articles de suivi sur l’architecture, la configuration et les enseignements tirés par les clients pour chacun de ces scénarios.

Cette architecture commune applique aux requêtes métier, aux demandes de programmation et aux agents personnalisés un même cadre d’autorisations et de contrôle des coûts, faisant de la gouvernance un socle partagé à mesure que l’utilisation d’OpenAI se développe dans l’entreprise.