Databricks lance Genie Code, un agent IA pour les projets data

Databricks lance Genie Code, un agent IA pour les projets data

L’entreprise américaine Databricks vous présente Genie Code. Une nouvelle fonctionnalité IA destinée à assister les professionnels de la donnée dans différentes étapes du développement et de l’exploitation de projets analytiques.

Genie Code s’inscrit dans l’écosystème Genie de Databricks. Une solution qui permet déjà aux utilisateurs d’interroger leurs données et d’obtenir des réponses, grâce au contexte et aux informations stockées dans Unity Catalog.

Avec la nouvelle fonction, l’objectif est d’étendre cette approche aux ingénieurs et aux data scientists, qui doivent gérer des tâches techniques plus complexes avant la mise en production de projets liés aux données.

Que vaut Genie Code exactement ?

Dans de nombreux outils actuels, l’IA sert principalement d’assistant. Elle génère du code ou propose des corrections. Cependant, les équipes humaines restent responsables de la planification, de la validation et de la maintenance.

Genie Code adopte une approche légèrement différente. L’agent peut :

• Analyser un problème
• Proposer une stratégie en plusieurs étapes
• Écrire du code
• Effectuer certaines vérifications avant le déploiement

Il est également à même d’automatiser certaines tâches techniques. Par exemple, la création de pipelines de données, le débogage de code, le déploiement de tableaux de bord ou encore la maintenance de systèmes utilisés en production.

L’outil est conçu pour fonctionner avec les données stockées dans la plateforme Databricks. Il peut notamment tenir compte d’éléments contextuels comme l’origine des données, leur usage dans l’entreprise ou certaines règles de gouvernance. Ces informations sont utilisées pour limiter les erreurs et respecter les contrôles d’accès déjà en place.

Genie Code est également présenté comme capable de gérer différentes étapes d’un projet de machine learning. L’agent peut par exemple préparer des expériences, déployer des modèles ou enregistrer les résultats dans MLflow, une plateforme open source utilisée pour suivre les expérimentations liées à l’apprentissage automatique.

Selon Databricks, des essais ont été réalisés sur des cas de science des données. L’utilisation de Genie Code a permis d’augmenter le taux de réussite de certains agents de codage, passant de 32,1 % à 77,1 %.

Un éventuel lien avec le rachat de Quotient AI ?

Dans cette même annonce, Databricks a également indiqué avoir acquis la startup Quotient AI. Cette jeune entreprise est spécialisée dans l’évaluation des systèmes d’IA et dans les techniques d’apprentissage par renforcement appliquées aux agents.

Ses technologies permettent de mesurer la qualité des réponses produites par un agent, mais aussi de repérer des régressions et d’identifier des situations où les résultats deviennent moins fiables. Ces informations peuvent ensuite être utilisées dans des boucles d’apprentissage par renforcement, ce qui permet d’améliorer progressivement le comportement des agents.

C’est le but de Databricks : intégrer ses outils pour suivre en continu les performances des agents d’intelligence artificielle utilisés dans la plateforme. Genie Code ne fera sans doute pas exception, bien qu’il soit un nouveau venu.

D’autant que les fondateurs de Quotient AI possèdent déjà une expérience dans l’évaluation de systèmes de génération de code, notamment dans le cadre d’améliorations liées à GitHub Copilot.

Encore faut-il que Databricks gagne la confiance des entreprises

Pour Databricks, le véritable défi ne se situe peut-être pas dans la technologie elle-même, mais dans la confiance que les entreprises accepteront de lui accorder.

Les annonces autour des agents d’IA impressionnent souvent par leurs capacités. Pour autant, les professionnels du domaine restent prudents. L’étude State of Code Developer Survey 2026 de Sonar le prouve.

Cette enquête a été menée auprès de plus de 1100 développeurs et montre que 96 % d’entre eux ne font pas totalement confiance au code généré par l’IA, même si celui-ci est de plus en plus utilisé dans les projets logiciels.

Confier à une IA la création ou la modification de code est une décision sensible, surtout lorsque ce code manipule des données stratégiques. Dans de nombreuses entreprises, les pipelines de données alimentent des tableaux de bord financiers, des outils de pilotage ou des modèles utilisés pour prendre des décisions importantes.

Une modification incorrecte peut donc produire des résultats trompeurs ou provoquer des dysfonctionnements coûteux. C’est pour cette raison que les équipes techniques appliquent généralement des processus très stricts avant tout déploiement en production.

Le succès de Genie Code reposera ainsi surtout sur son aptitude à inspirer confiance aux organisations. Et ce ne sera certainement pas une mince affaire, connaissant les questions sans réponses que cette technologie soulève.

Parmi ces interrogations figure : les responsables techniques pourront-ils comprendre et vérifier les décisions prises par l’IA ? Ou encore, qui sera tenu responsable si une erreur se glisse dans le processus ?

Ces questions dépassent largement la simple performance technique des modèles. Elles touchent à la gouvernance des systèmes d’information et à la responsabilité des équipes. Les entreprises devront mettre en place des mécanismes d’audit, de traçabilité et de validation humaine pour garder le contrôle.