Paris, le 4 décembre 2025 — Smartpoint, pure-player Data & Intelligence Artificielle fondé en 2006, annonce l’obtention de l’agrément Crédit Impôt Recherche (CIR) délivré par le Ministère de l’Enseignement Supérieur et de la Recherche. Cette reconnaissance atteste de la capacité de Smartpoint à mener des travaux de R&D dans les domaines de la data, de l’IA, des LLM, de la vectorisation, de l’automatisation avancée et de l’industrialisation de plateformes Data modernes via les pratiques DataOps et LLMOps.

Elle place Smartpoint parmi les rares ESN françaises reconnues comme organisme de recherche externalisé, habilité à mener des projets éligibles au dispositif CIR pour le compte de ses clients dans un cadre scientifique évalué et validé par l’État.

En savoir plus : Guide du Crédit Impôt Recherche 2025

Pourquoi l’agrément CIR de Smartpoint atteste de notre expertise Data & IA ?

L’agrément CIR atteste le fait que Smartpoint ne se limite pas à un rôle d’intégrateur ou de cabinet de conseil. Il reconnait la capacité de notre SmartLab à concevoir et à industrialiser des solutions data véritablement innovantes : architectures data modernes (Data Mesh, Data Fabric, Lakehouse, event-driven) conçues pour être cloud-native et AI-ready, plateformes scalables, pipelines automatisés, modèles sémantiques vectoriels, agents IA, copilotes métiers, gouvernance IA et privacy by design.

Le ministère a confirmé la solidité scientifique des travaux menés par Smartpoint, la maîtrise des méthodes expérimentales, la structuration documentaire et la capacité de Smartpoint à concevoir des solutions innovantes répondant à des problématiques techniques complexes. Les recherches engagées en data engineering, IA, optimisation des pipelines et sécurité des systèmes IA répondent aux critères du CIR.

Comment le Crédit Impôt Recherche réduit le budget de vos projets Data & IA ?

Les prestations délivrées par Smartpoint peuvent être intégrées dans la base de calcul du Crédit Impôt Recherche. Une entreprise cliente de Smartpoint peut récupérer jusqu’à 30 % du montant des dépenses de R&D sous-traitées, sous réserve d’un projet globalement éligible.

Ce mécanisme permet de réduire de manière importante les coûts relatifs aux phases d’exploration, de conception, de prototypage, d’optimisation ou de tests IA. Les entreprises peuvent ainsi multiplier les POCs, accélérer la construction de MVP et industrialiser plus rapidement leurs modèles tout en maîtrisant les budgets de la DSI.

En quoi l’expertise scientifique de Smartpoint est une valeur ajoutée pour vos travaux Data / IA ?

L’agrément reconnaît la qualité scientifique du SmartLab, laboratoire d’innovation dédié aux technologies Data & IA. Nos équipes travaillent sur l’IA générative et les modèles LLM, les pipelines DataOps et LLMOps, les architectures RAG appuyées sur des bases de données vectorielles, l’observabilité et la sécurité des systèmes IA ainsi que sur la conception d’agents autonomes. Nos clients bénéficient ainsi d’une capacité de R&D externalisée structurée, reproductible et documentée, répondant aux standards du CIR. Smartpoint accompagne également les organisations sur les volets méthodologiques et documentaires liés à la valorisation de leurs travaux.

Mehdi Gargouri, Directeur Général Smartpoint

Quels types de projets Data & IA sont finançables par le CIR ?

Un large spectre de travaux de R&D relatifs à l’exploitation et à l’ingénierie des technologies Data / IA peut être éligible au CIR, dès lors qu’ils visent à dépasser l’état de l’art et reposent sur une démarche expérimentale structurée. Smartpoint intervient dans le cadre CIR sur des projets de refonte innovante de pipelines data, de développement de services IA scalables, de vectorisation et d’enrichissement sémantique des données, de réduction de la dette technique data lorsqu’elle implique la mise au point de nouveaux procédés, de conception de frameworks IA souverains et multi‑cloud ou encore sur des travaux de recherche autour d’architectures data de nouvelle génération.

Pour exemple, nous recommandons des projets AI-Ready dès leur conception intégrant sécurité, observabilité, gouvernance, conformité au RGPD et à l’AI Act, ce qui favorise leur éligibilité car de véritables verrous technologiques existent bel et bien aujourd’hui.

Comment profiter de l’agrément CIR et optimiser les coûts de vos projets Data & IA innovants ?

Smartpoint est reconnue comme une ESN pure-player Data & IA capable de mener des travaux de recherche complexes, de transformer des problématiques technologiques en solutions concrètes et sécurisées ; et de déployer ces innovations à l’échelle. Pour les entreprises qui souhaitent accélérer leur stratégie Data & IA, collaborer avec Smartpoint, c’est conjuguer innovation, optimisation des coûts et sécurisation des investissements R&D.

Choisir un prestataire agréé CIR vous permet de financer des projets hautement technologiques, qu’il s’agisse de moderniser des pipelines, d’explorer de nouveaux modèles IA, de concevoir une architecture data IA-ready ou d’industrialiser des agents intelligents.

Avec plus de 350 consultants et experts spécialisés en architecture data, IA / ML, modernisation de plateforme Data, BI, data engineering DataOps LLMOps et gouvernance ; Smartpoint est un partenaire de référence pour les organisations qui souhaitent structurer, accélérer ou industrialiser leurs initiatives Data & IA. L’agrément CIR vient consolider cette position et offrir un cadre financier avantageux pour les projets les plus ambitieux.

Vous envisagez de lancer ou d’accélérer un projet Data ou IA ?

Smartpoint vous accompagne dans la structuration, la recherche, l’expérimentation et l’industrialisation de vos solutions tout en optimisant vos investissements grâce au CIR. Contactez-nous pour évaluer l’éligibilité de vos projets et bâtir une stratégie Data & IA innovante, performante et financièrement optimisée.

Chez Smartpoint, nous avons connus les DataWarehouses pour la BI, les DataLakes puis les architectures hybrides comme le DataMesh. Repenser l’architecture de votre plateforme de données ne peut pas de faire sans intégrer les nouvelles technonogies apportées par l’IA agentique.

Dans ce modèle d’architecture de données, on utilise des agents logiciels autonomes qui sont en capacités d’intégrer leur environnement, de prendre des décisions et d’agir ensemble. Cette architecture est encore anecdotique, certes mais les entreprises commencent à les intégrer dans leur réflexion de modernisation de leurs plateformes de données.

Au sein de notre Practice Architecture Data, nos DataOps ne se contentent plus de collecter, stocker et gouverner les données. Il s’agit maintenant de concevoir des systèmes capables de s’auto-orchestrer, de s’adapter aux contextes métiers et d’assurer une gouvernance des données optimale avec une supervision humaine réduite à son strict minimum.

Modularité, orchestration intelligente, autonomie, adaptabilité, mémoire contextuelle : l’architecture d’IA agentique ouvre la voie à une nouvelle génération de plateformes de données. Nul doute que cela va impacter la conception des systèmes data de demain, qu’ils reposent sur un DataLake, un DataMesh ou une plateforme de données intégrée.

Qu’est-ce qu’une architecture agentique ?

Une architecture agentique est la transposition dans le SI Data des principes des systèmes distribués. Elle s’appuie sur des agents IA autonomes ayant chacun un rôle bien défini : collecte, validation, transformation, gouvernance ou restitution. Les agents IA collaborent ensemble via un orchestrateur central. Contrairement à une architecture data classique où chaque brique est statique, l’agentic AI introduit des boucles de décision et d’adaptation continues.

1. Une des problématiques centrale est la gestion de l’état et de la mémoire. Une plateforme de données traditionnelle s’appuie sur un DataLake ou un DataWarehouse comme socle unique alors qu’une architecture agentique requiert différents types de mémoire : court terme (contexte d’une requête), long terme (bases vectorielles pour la recherche sémantique) et mémoire épisodique (historique d’exécutions). C’est ce qui permet au système de contextualiser ses actions et d’apprendre au fil du temps.
2. La deuxième concerne l’orchestration intelligente. Dans un pipeline DataOps classique, un scheduler (Airflow, Dagster) exécute une suite de tâches déterminées. Dans une architecture agentique, l’orchestrateur fonctionne comme un graphe décisionnel capable d’adapter le plan d’exécution en fonction des résultats intermédiaires, de déclencher des validations, d’escalader vers un humain ou de basculer sur un plan alternatif en cas d’échec.
3. Enfin, l’architecture agentique impacte aussi la gouvernance des données. Alors que les règles de qualité, de conformité RGPD ou de data catalogs étaient statiques, les agents IA peuvent appliquer ces politiques de façon dynamique, effectuer des contrôles en temps réel et tracer chaque action de bout en bout. L’objectif n’est pas de remplacer les référentiels existants mais de renforcer la fiabilité et la traçabilité d’un système de plus en plus distribué.

L’architecture agentique ne remplace pas les fondations Data existantes (DataLake, DataMesh, plateformes BI), elle les augmente !  Elle apporte une nouvelle couche décisionnelle et adaptative qui transforme une simple plateforme de données en un écosystème data intelligent capable de s’auto-gérer, d’optimiser ses propres flux et d’intégrer de nouvelles contraintes métiers sans refonte complète.

Les principes fondamentaux de l’architecture agentique

Autonomie : Chaque agent IA a un objectif bien précis : fiabilité de l’ingestion, validation de la qualité, conformité RGPD, restitution analytique, etc. Il prend des décisions seul pour atteindre son objectif sans avoir besoin d’une supervision constante. Cette capacité à gérer un objectif métier différencie un agent IA d’une simple tâche automatisée.

Modularité et spécialisation.
L’autonomie ne signifie pas en silos ! Comme dans une organisation DataOps, chaque agent a un rôle spécifique : collecte, transformation, gouvernance ou data visualisation. Cette spécialisation permet de renforcer le système Data et de tracer facilement l’origine d’une décision ou d’une action.

Orchestration intelligente.
L’orchestrateur central est comme le cerveau collectif des agents IA. Contrairement à un scheduler, il n’exécute pas une simple séquence prédéfinie. Il adapte le plan en fonction des résultats intermédiaires, déclenche des validations en temps réel et escalade vers un humain ou propose un chemin alternatif.

Apprentissage et adaptabilité.
L’architecture agentique est auto-apprenante. Les agents IA affinent les règles de détection d’anomalies, améliorent la qualité des pipelines et adaptent les contrôles de gouvernance aux nouvelles contraintes. Le système est évolutif par nature et progresse en continu.

Mémoire contextuelle et connectivité.
L’efficacité d’une architecture agentique repose sur la capacité à accéder aux bonnes sources de données et à conserver la mémoire du contexte. Les agents sont en capacités d’exploiter les données d’un DataLake, d’intéragir avec les domaines d’un DataMesh, de consommer des APIs tierces et de mobiliser différents types de mémoire.

Autonomie, modularité, orchestration, apprentissage et mémoire, l’architecture agentique repense la conception des plateformes de données. On passe d’un système statique à un écosystème intelligent, capable de s’adapter en continu aux besoins métiers et aux contraintes de gouvernance.

La valeur ajoutée pour l’architecture Data ?

L’intérêt de l’IA agentique réside dans sa capacité à rendre l’architecture des données plus flexible et évolutive. Alors qu’un DataLake centralise l’information et que le DataMesh distribue la responsabilité par domaines ; l’architecture agentique apporte l’autonomie. Les agents IA peuvent être déployés, retirés ou reconfigurés rapidement pour absorber de nouveaux besoins métiers ou gérer des volumes croissants. Cela permet de renforcer la résilience de la plateforme Data face aux évolutions du SI et aux pics de charge.

Elle répond également aux enjeux accrus de gouvernance et de conformité. En attribuant des rôles précis aux agents, chaque action (ingestion, transformation, validation ou restitution) devient traçable et explicable. Les entreprises ont ainsi un système transparent, compliant (RGPD, PCI-DSS) et auditable.

l’IA agentique permet aussi d’améliorer la performance collaborative entre les « Systèmes » et les « Hommes » DataOps. Les agents IA prennent en charge les tâches répétitives (surveillance de la qualité, monitoring, application des règles de gouvernance) et permettent de libérer du temps aux ingénieurs pour des missions à plus forte valeur ajoutée. Cette nouvelle collaboration humain–machine accélère la MEP, réduit les erreurs et améliore la fiabilité globale des plateformes de données. Et on imagine aussi potentiellement les économies financières !

Avec l’architecture agentique, l’IA ne se contente plus d’analyser les données, mais participe activement à leur pilotage et à leur valorisation. 

Luc Doladille, Directeur Conseil, Smartpoint

L’architecture agentique, c’est pour quand en entreprise ?

Très bientôt ! Chez Smartpoint, nous pensons que l’architecture agentique ouvre un nouveau champ des possibles ! Nos métiers évoluent. Notre rôle d’ESN spécialisée Data évolue et ne se résume plus qu’à la conception des pipelines de données performant (enfin si, cela reste la base ;-). Nous sommes désormais amenés à imaginer des écosystèmes de données autonomes.

Nos consultants DataOps sont augmentés par l’IA, ils peuvent déléguer des tâches aux agents.

Les architectes data deviennent concepteurs d’agents, responsables de leur rôle, de leurs règles et de leur intégration au sein des plateformes existantes.

Les plateformes de données (DataLake, DataMesh ou BI) deviennent de véritables écosystèmes Data autonomes, capables de s’auto-orchestrer, de s’adapter aux contraintes réglementaires et de répondre plus vite aux besoins métiers.

Au cœur de cette mutation, la gouvernance des données reste un pilier stratégique. Plus les agents gagnent en autonomie, plus la transparence, la traçabilité et la conformité doivent être garanties.

Quels outils Data à suivre pour votre architecture IA agentique ?

• Les incontournables (AWS, Azure, Google) posent les standards en matière de sécurité, gouvernance et intégration aux SI existants.
• Les frameworks open source (LangChain, LangGraph, CrewAI) permettent d’expérimenter rapidement et d’itérer sur des cas d’usage.
• Les pépites françaises (Mistral, H Company, Delos, Klark) apportent une dimension souveraine et innovante, pour éviter une dépendance totale aux GAFAM.

Le futur des architectures Data est déjà là : il est agentique, autonome et souverain. Êtes-vous prêt ? Parlons-en.

Pour aller plus loin

• Journal du Net https://www.journaldunet.com/intelligence-artificielle/1543747-repenser-l-architecture-des-donnees-a-l-ere-de-l-ia-agentique
• Snowflake https://www.snowflake.com/fr/blog/agentic-ai-data-management-deloitte-snowflake/
• Agentic AI Architecture: A Practical, Production-Ready Guide : https://medium.com/agenticai-the-autonomous-intelligence/agentic-ai-architecture-a-practical-production-ready-guide-2b2aa6d16118

SMARTDAY IA – LES INSIGHTS

📍 Date & Lieu : 13 février 2025, George V – Paris

Entre nécessaires innovations, adaptation organisationnelle, conduite du changement, quête de retours sur investissement tangibles et anticipation des réglementations, cet événement a mis en lumière des leviers clés pour tirer parti de l’IA tout en garantissant une adoption responsable, éthique et souveraine

Remerciements

• Guillaume Bizet, Head of Cloud Migration Factory & AI enthusiast, Société Générale
• Aldrick Zappellini, Directeur Data & IA et Chief Data Officer, Groupe Crédit Agricole
• Aurélien Barthe, Chief Data Officer, Direction Data et IA, MGEN
• Anne Gradvohl, Head of Innovation, Groupe Vyv
• Aurélie Vanheuverzwyn, Directrice exécutive – Data et Méthodes, Médiamétrie
• Matthieu Gourvès, Directeur Practice IA, Smartpoint

TRANSFORMATION DES DONNÉES EN SAVOIRS ACTIONNABLES

L’IA est présentée comme un outil crucial pour transformer de grandes quantités de données en informations exploitables, ce qui est un enjeu majeur pour les entreprises. Il a été question également de stack technologique dont les LLM et les RAG, expliquant leur rôle dans le traitement et l’analyse des données.

IMPACT DE L’IA GÉNÉRATIVE

L’arrivée de l’IA générative a été décrite comme une “déflagration” qui a accéléré les processus d’adoption technologique. L’IA bouleverse les équilibres organisationnels, nécessitant une réévaluation des processus et une attention particulière à la souveraineté des données.

RÉORGANISATION ET ADAPTATION

Les entreprises ont dû s’adapter rapidement à l’IA générative, impliquant divers départements (RSSI, DPO, DSI, RH) pour aborder des sujets comme l’éthique, la sécurité et l’alignement stratégique. Cela a nécessité une collaboration interdisciplinaire pour gérer les impacts notamment sur les processus métiers.

STRATÉGIE D’ADOPTION MAÎTRISÉE

Une approche prudente et réfléchie est nécessaire pour intégrer l’IA, en s’assurant que l’adoption est maîtrisée et alignée avec les objectifs stratégiques de l’entreprise.

FORMATION ET CONDUITE DU CHANGEMENT

L’importance de la formation et de l’accompagnement des équipes est soulignée, notamment pour les managers et les différents métiers.

La conduite du changement est cruciale pour intégrer l’IA de manière efficace et pour gérer les impacts culturels et organisationnels. D’ailleurs, un intervenant a expliqué qu’une académie Data/IA a été créée pour développer les compétences avec déjà une première promotion. Il est à noter que des modules de formation adaptés aux différents niveaux et métiers sont en cours de développement.

DESIGN STRATÉGIQUE

Tout comme la formation à l’IA générative doit infuser dans les métiers, il est crucial de mettre l’utilisateur au cœur de chaque projet et de penser en termes de besoins plutôt que de solutions. Le design stratégique doit être intégré dans les directions offres et marketing et toutes les directions qui développent des offres, des services ; et pas seulement restée cantonnée dans les directions data ou digitales. C’est absolument nécessaire pour développer au sein des projets des expériences utilisateurs positives.

ENVIRONNEMENT ET FRUGALITÉ

Les impacts environnementaux de l’IA, et en particulier de l’IA générative, sont également au cœur des préoccupations. Même s’il est impossible d’avoir des informations précises sur les coûts environnementaux d’entraînement et d’utilisation des LLM, des initiatives se développent : la mise en place de calculettes carbone, les démarches Green IT et FinOps pour superviser et optimiser les ressources, le Green Code pour minimiser l’impact environnemental dans les pratiques de développement, le choix d’instances cloud localisées dans des pays ayant un mix énergétique moins carboné. En effet, même au sein de l’UE, toutes les zones ne sont pas équivalentes en intensité carbone. La France dispose d’un mix énergétique de 5 à 10 fois moins carboné que l’Irlande ou l’Allemagne (source : Electricity Maps), mais AWS privilégie Francfort pour le déploiement initial de ses modèles, obligeant certaines entreprises à patienter pour une alternative moins carbonée.

RETOUR SUR INVESTISSEMENT DE L’IA (ROI)

Avant de déployer l’IA à grande échelle, il est essentiel de comprendre les besoins et de quantifier le retour sur investissement potentiel, bien que la littérature sur le sujet soit encore limitée.

L’importance du cadrage de projets liés à l’IA a été soulignée dans plusieurs interventions.

1. Durée et approfondissement du cadrage : Il est mentionné que dans de grandes organisations – comme une banque – un cadrage efficace ne peut pas être réalisé en une semaine. Un cadrage approfondi peut prendre deux à trois mois, mais il est crucial pour bien comprendre et exprimer les attentes métiers. Cela permet de s’assurer que l’IA générative est réellement nécessaire et que le problème à résoudre est bien identifié.
2. Introspection et questionnement : Il est important d’intégrer un questionnement vaste et profond dès le début du projet. Cela implique de ne pas se précipiter dans l’utilisation de l’IA sans avoir bien compris les besoins réels et les contraintes organisationnelles.
3. Méthodologie et suivi : Le cadrage doit inclure une méthodologie claire pour évaluer la valeur des projets, en tenant compte des aspects qualitatifs et quantitatifs. Il est essentiel de vérifier après la mise en production si les estimations faites lors du cadrage se réalisent en termes de productivité ou de bénéfices.
4. Accompagnement des Chefs de Projet : Les chefs de projet doivent être équipés et accompagnés tout au long des phases du projet, de l’identification du cas d’usage au suivi post-industrialisation. Cela inclut l’utilisation de méthodes et d’outils adaptés à l’impact du projet.
5. Conduite du changement : La conduite du changement est particulièrement importante pour les projets d’IA générative, en raison de leurs impacts sur les outils, l’organisation, la culture et les compétences. Un bon cadrage doit prévoir ces aspects pour assurer le succès du projet.

IA ACT

Enfin, l’AI Act été mentionné dans le contexte de la préparation et de l’adaptation des entreprises aux exigences réglementaires liées à l’intelligence artificielle. Les intervenants ont échangé sur la manière dont leurs organisations anticipent les exigences de l’AI Act, en mettant en place des démarches et des structures internes avant même l’arrivée des textes réglementaires, comme la création de Design Authorities pour la data et l’IA. Il a été question de la transcription des exigences de l’AI Act, avec une réflexion sur la manière de les intégrer dans un cadre normatif interne. Les intervenants ont souligné l’importance de ne pas simplement se conformer aux exigences minimales, mais d’ajouter leur propre vision pour un cadre plus robuste. Un point a été soulevé concernant la gestion des risques, notamment les risques élevés, où l’AI Act ne fournit que peu de directives. Les organisations ont donc pris l’initiative d’aller au-delà des exigences minimales pour assurer une meilleure gestion des risques.

POUR CONCLURE

L’IA générative s’impose comme un levier de transformation majeur dans toutes les entreprises, mais son adoption doit être encadrée par une gouvernance stricte, une approche éthique et une optimisation des ressources. La clé du succès réside dans une intégration progressive, sécurisée et alignée avec les besoins métiers.