Acquisitions

L’acquisition de Firebolt dote MongoDB d’un moteur à faible latence pour les agents d’IA

Evan Mercer
Ajouter Unite.AI à vos sources préférées sur Google
Points clésMongoDB vise à éliminer la taxe de déplacement des données qui sépare les données…
Voir plus
  • MongoDB vise à éliminer la taxe de déplacement des données qui sépare les données opérationnelles en direct des décisions applicatives rapides.
  • Le moteur de Firebolt gère déjà l'analytique destinée aux clients sur plus d'un billion de lignes à l'échelle du pétaoctet.
  • La synchronisation automatique entre MongoDB et Firebolt reste un travail d'intégration inachevé avant le déploiement prévu.

MongoDB a annoncé le 17 novembre 2026 avoir acquis Firebolt, ajoutant ainsi un moteur d’analyse en temps réel à sa plateforme Intelligent Data pour les applications et les agents d’IA qui doivent agir à partir de données opérationnelles en direct.

Cette acquisition associe la plateforme de données opérationnelles de MongoDB à la base de données analytique de Firebolt, conçue pour les requêtes à faible latence et les applications à forte concurrence. MongoDB prévoit d’exécuter le moteur de Firebolt aux côtés de sa base de données et de synchroniser automatiquement les deux systèmes, afin que les clients n’aient pas à créer ni à gérer un pipeline distinct pour cette intégration.

Le moteur Firebolt et son utilisation en production

MongoDB indique que Similarweb utilise Firebolt pour réaliser des analyses complexes destinées à ses clients, portant sur plus de mille milliards de lignes à l’échelle du pétaoctet. Les requêtes dynamiques fournissent des résultats en moins d’une seconde sans préagrégation poussée. Ce déploiement illustre en production les charges de travail à forte concurrence destinées aux clients que vise l’acquisition.

Le directeur technique de Firebolt, Mosha Pasumansky, a déclaré que la décomposition automatique en colonnes préserve « les avantages du stockage en colonnes et du traitement vectorisé » dans le cas de schémas complexes et flexibles, notamment ceux que le modèle documentaire de MongoDB prend en charge nativement. Le moteur a également été conçu pour effectuer des analyses à faible latence et à haut débit de requêtes sur des données qui évoluent rapidement et sont stockées dans un stockage objet.

L’analyse en temps réel viendra enrichir une plateforme Intelligent Data qui réunit déjà des données opérationnelles, la recherche et la recherche vectorielle, les modèles de Voyage AI, le traitement de flux ainsi que des outils pour créer et exécuter des agents en production. MongoDB prévoit également de permettre, à terme, aux clients d’analyser des données provenant d’autres sources et formats en parallèle de leurs données MongoDB.

Données opérationnelles et charges de travail des agents d’IA

La stratégie de MongoDB s’attaque à une séparation de longue date entre les bases de données opérationnelles, qui exécutent les applications, et les entrepôts de données, qui analysent l’activité passée. Les analyses destinées aux applications répondent à des exigences différentes : des requêtes complexes sur de grands ensembles de données, des données à jour, des réponses en moins d’une seconde et une capacité suffisante pour prendre en charge des services en direct.

MongoDB indique que les agents d’IA renforcent ces exigences, car ils agissent en continu, peuvent générer des milliers de requêtes simultanées et ont besoin de réponses rapides fondées sur des données à jour. Les décisions applicatives visées consistent notamment à réacheminer une expédition pour contourner un retard, à réapprovisionner les stocks avant que les rayons ne se vident et à signaler une activité de paiement inhabituelle avant la validation d’une transaction.

Transférer des données opérationnelles vers un système d’analyse distinct peut obliger les organisations à créer des pipelines, à maintenir la synchronisation des systèmes et à exploiter une plateforme supplémentaire. MongoDB qualifie de « taxe liée au déplacement des données » les coûts, la complexité et le risque de réponses obsolètes qui en résultent, et qui augmentent à mesure que les agents prennent davantage de décisions.

Déploiement et continuité pour les clients

Firebolt et l’analyse en temps réel ne remplacent ni les entrepôts de données traditionnels ni les lacs de données. Selon la FAQ de MongoDB, ces systèmes restent adaptés à la veille stratégique interne, à la production de rapports et à la science des données, tandis que la nouvelle fonctionnalité répond aux besoins d’analyse des applications.

MongoDB indique qu’environ 75 % des entreprises du Fortune 100 lui font confiance pour des applications nécessitant un niveau élevé de sécurité, de durabilité et de disponibilité, et qu’elle entend appliquer la même approche opérationnelle à l’analyse en temps réel. Pour ces charges de travail, une panne peut perturber l’expérience client ou interrompre un agent en pleine prise de décision, au lieu de simplement retarder un rapport.

Selon la FAQ de MongoDB, les clients actuels de Firebolt pourront continuer à utiliser le produit avec le même niveau d’assistance et de service. Les équipes des deux entreprises travaillent déjà ensemble à l’intégration.

MongoDB prévoit que les clients pourront activer l’analyse en temps réel de leurs données MongoDB dans les prochains mois. Les personnes intéressées peuvent s’inscrire sur une liste d’attente pour faire partie des premières à essayer cette fonctionnalité.

Pour les clients de MongoDB, l’importance de l’opération tient à l’architecture : elle réduit le nombre de systèmes entre une modification des données opérationnelles et une décision prise par une application ou un agent. Firebolt prend déjà en charge un déploiement de grande ampleur en production, mais la synchronisation automatique avec MongoDB nécessaire à cette combinaison reste à réaliser dans le cadre de l’intégration, avant le déploiement prévu.

Evan Mercer est un agent de recherche généré par IA chez Unite.AI, couvrant les startups IA, le capital-risque et les dynamiques de financement qui façonnent la prochaine génération d'entreprises technologiques. Son reportage se concentre sur l'innovation en phase de démarrage, les flux de capitaux et les décisions stratégiques que les fondateurs et les investisseurs prennent lorsque les entreprises IA passent du concept à un impact mondial.

Avec une perspective stratégique et analytique, Evan examine les tours de financement, le positionnement sur le marché et les tendances émergentes dans l'écosystème des startups IA. Il suit comment le capital-risque, les investissements d'entreprise et les marchés financiers cotés se croisent avec les percées en intelligence artificielle, en séparant les signaux durables du battage médiatique à court terme.

Les articles rédigés par Evan Mercer sont générés par IA et revus par l'équipe éditoriale de Unite.AI afin d'assurer précision, contexte et couverture responsable du paysage mondial des investissements en IA