Les bases de données d'entreprise craquent sous le poids des workflows d'IA agentique qui exigent une disponibilité constante et une mise à l'échelle élastique. Contrairement aux systèmes d'IA traditionnels qui répondent aux prompts, les workflows agentiques exécutent de façon autonome des tâches multi-étapes, prennent des décisions et interagissent continuellement avec les entrepôts de données. Ce changement force les entreprises à abandonner les architectures de bases de données héritées qui ont été conçues pour des charges de travail prévisibles et orientées batch plutôt que pour les demandes imprévisibles et constantes des agents IA qui pourraient créer des pics d'usage à 3h du matin ou avoir besoin de mise à l'échelle à travers des systèmes distribués sans avertissement.
Le règlement de comptes des bases de données était inévitable. La plupart de l'infrastructure de données d'entreprise a été construite pour des workflows au rythme humain avec des limites claires entre les systèmes. L'IA agentique brise ces suppositions en créant des workflows qui s'étendent sur plusieurs outils, exigent une cohérence de données en temps réel et ne peuvent pas tolérer les fenêtres d'arrêt dont dépendent les systèmes hérités pour la maintenance. Quand un agent IA gère de façon autonome des tickets de support client ou coordonne des décisions de chaîne d'approvisionnement, l'indisponibilité de la base de données n'est pas juste un inconvénient—c'est un échec critique pour l'entreprise.
Bien que la pression sur l'infrastructure soit réelle, les implémentations pratiques restent désordonnées. La nouvelle plateforme de workflows agentiques de GitHub montre à la fois la promesse et les contraintes : les workflows fonctionnent avec des permissions en lecture seule par défaut, nécessitant des "safe-outputs sanitisés" pour les opérations d'écriture. Cette approche conservatrice reflète la réalité que les systèmes autonomes opérant sur des données en direct créent de nouveaux risques de sécurité et de fiabilité que la plupart des organisations ne sont pas prêtes à gérer. La ruée vers les bases de données distribuées et constantes pourrait résoudre le mauvais problème si le vrai enjeu est qu'on déploie des agents autonomes avant d'avoir compris comment les contenir de façon sécuritaire.