Ce qu'on adopte, ce qu'on évite.
Nos positions sur les technologies et les pratiques, tirées de missions en production : ferroviaire, paris en ligne, défense, retail… Quatre quadrants, quatre anneaux, et une étiquette data pour suivre ce qui touche à la donnée.
Tous les points
Techniques
Adopt — Choix par défaut, éprouvé en production.
- 1. Extreme Programming
Pair et mob programming, rétrospectives, revues en binôme, petites livraisons fréquentes. Toujours le cadre le plus efficace pour livrer du logiciel qui dure, et un multiplicateur quand on y ajoute l'IA.
En production · adtech, télécom, retail
- 2. Test-first
On écrit l'attente avant l'implémentation. Avec un assistant IA, les tests deviennent le contrat qui borne ce qu'il génère : plus le code va vite, plus ce contrat compte.
- 3. Pair programming IA-humain
L'IA propose, critique et refactore ; l'ingénieur décide et reste responsable du résultat. Un pair infatigable, pas un sous-traitant : on garde la revue, les tests et le jugement.
- 4. Streaming-first, batch minimal data
Concevoir les flux comme des événements dès le départ, et réserver le batch aux recalculs. La donnée arrive à jour, et un seul modèle sert le temps réel comme le reporting.
En production · adtech, ferroviaire
- 5. Ontologies pour catalogue de données data
Modéliser le catalogue sur des ontologies établies (SOSA/SSN du W3C pour les capteurs et observations) plutôt que sur des conventions maison. Les métadonnées deviennent interrogeables, alignables et durables.
En production · défense
- 6. Qualité des données pilotée par agents IA data
Des agents qui lisent les schémas et le SQL, proposent les règles de qualité et les ajustent à partir des anomalies observées. Avec des sorties typées et validées, l'humain arbitre au lieu d'écrire chaque contrôle à la main.
En production · paris en ligne
Trial — À utiliser sur un projet où le risque est maîtrisé.
- 7. Inférence de schémas depuis le code data
Dériver les schémas (Protobuf, Parquet) directement du code C, C++ ou Python qui produit la donnée, par analyse et spécialisation, plutôt que de les maintenir à la main. Puissant sur des sources hétérogènes, encore exigeant à outiller.
En production · défense
Assess — À explorer pour comprendre ce que ça change.
- 8. Mutation testing
Mesurer la qualité des tests en injectant des mutations dans le code. Avec du code de plus en plus généré, c'est un bon garde-fou contre les tests complaisants ; reste à le rendre assez rapide pour la CI.
- 9. Apprentissage par renforcement en production data
Boucler décisions et mesures en production (tarification, allocation, priorisation). Le potentiel est réel, mais l'observabilité, la sécurité des politiques et le coût d'exploration doivent être maîtrisés avant d'en faire un réflexe.
Hold — À éviter pour un nouveau projet.
- 10. Code généré par IA sans tests
Accepter du code généré sans tests ni revue revient à transférer la dette à plus tard, en plus vite. Alternative : test-first et pair programming IA-humain, où les tests bornent ce que l'IA produit.
Outils
Adopt — Choix par défaut, éprouvé en production.
- 11. Pulumi
L'infrastructure as code dans un vrai langage (TypeScript, Python) : typage, fonctions, tests. Cloudflare, AWS et Koyeb déclarés au même endroit que le reste du code.
En production · location courte durée, SaaS
- 12. Temporal
Des workflows durables écrits comme du code ordinaire : reprises, timeouts et compensations sans échafaudage maison. Le bon outil dès qu'un traitement dure plus qu'une requête.
En production · location courte durée
- 13. Claude Code
Assistant de développement agentique dans le terminal : il lit le dépôt, exécute les tests et propose des changements complets. Notre pair IA au quotidien, toujours encadré par les tests et la revue.
- 14. Typst
Composition de documents programmable, compilée en millisecondes et embarquable comme bibliothèque. Remplace LaTeX pour générer PDF, SVG et HTML depuis des données typées.
- 15. Model Context Protocol (MCP)
Le protocole standard pour brancher des agents IA sur des outils et des données. Un serveur MCP rend un système utilisable par Claude, Cursor et les autres sans intégration spécifique.
Trial — À utiliser sur un projet où le risque est maîtrisé.
- 16. DataHub data
Catalogue de métadonnées open source, extensible et piloté par API. Solide dès qu'on y modélise un vrai vocabulaire métier ; l'exploitation demande encore de l'investissement.
En production · défense
Hold — À éviter pour un nouveau projet.
- 17. Azkaban data
Ordonnanceur de jobs de l'ère Hadoop, peu maintenu, sans notion de données ni de reprise fine. Alternative : Temporal pour les workflows applicatifs, un orchestrateur moderne pour les pipelines data.
En production · retail
Plateformes
Adopt — Choix par défaut, éprouvé en production.
- 18. Cloudflare Workers / R2
Du calcul à l'edge sans serveur à gérer, et un stockage objet compatible S3 sans frais de sortie. Une API migrée de Rails vers Rust sur Workers peut passer à un coût d'hébergement quasi nul.
En production · environnement
- 19. Redpanda data
Le protocole Kafka sans la complexité de Kafka : un seul binaire C++, sans JVM ni coordination externe, avec une latence plus faible. Clients, connecteurs et outillage Kafka fonctionnent sans changement.
- 20. BigQuery data
L'entrepôt analytique serverless de référence : aucune infrastructure à dimensionner, du SQL standard et une facturation à l'usage qui récompense une bonne modélisation.
En production · retail, luxe, adtech
- 21. Kubernetes
Le socle commun pour opérer des services et des workers hétérogènes, avec Kustomize pour garder des manifestes lisibles. À réserver aux charges qui ne tiennent pas dans du serverless.
En production · retail, SaaS, adtech
Trial — À utiliser sur un projet où le risque est maîtrisé.
- 22. NATS data
Messagerie légère, rapide et simple à opérer, avec persistance via JetStream. Excellente pour l'IoT et la communication entre services ; à confronter à Redpanda dès qu'il faut rejouer de gros historiques.
En production · ferroviaire
- 23. AWS Bedrock
Accès aux grands modèles dans le périmètre AWS du client : données qui restent dans le compte, IAM et facturation existants. Le bon point d'entrée quand la conformité prime.
En production · paris en ligne, location courte durée
Assess — À explorer pour comprendre ce que ça change.
- 24. Cloudflare D1 / Vectorize
SQLite et base vectorielle à l'edge, au plus près des Workers. Prometteur pour des applications IA à coût minimal ; limites de volumétrie et de requêtes à éprouver.
Hold — À éviter pour un nouveau projet.
- 25. Apache Kafka data
Le protocole Kafka reste le standard du streaming, mais pas son implémentation de référence : JVM, coordination et coût d'exploitation n'apportent plus rien sur un nouveau projet. Alternative : Redpanda, compatible au niveau de l'API.
En production · ferroviaire, paris en ligne, retail
- 26. Databricks data
Puissant mais coûteux, et chaque brique (Lakeflow, Unity Catalog) lie un peu plus données et traitements à la plateforme. Alternative : formats ouverts (Parquet), catalogue indépendant et traitements portables avec Polars et SqlGlot.
En production · ferroviaire
- 27. Hadoop on-premise data
Cloudera, Hive, Impala, Sqoop : un empilement lourd à opérer, à faire évoluer et à recruter. Alternative : stockage objet, formats ouverts et moteurs serverless ou single-node.
En production · adtech
Langages & frameworks
Adopt — Choix par défaut, éprouvé en production.
- 28. Rust
Performance, sûreté mémoire et un système de types qui rend les refactorings sereins. Notre choix par défaut pour les services, l'edge et les outils data exigeants.
En production · environnement, défense
- 29. Python
La langue commune de la data et de l'IA. Avec du typage strict et des modèles validés, il tient la route en production ; on bascule vers Rust là où la performance compte.
En production · paris en ligne, défense
- 30. TypeScript
Typage strict de bout en bout pour les interfaces et l'edge. Ce site en est la démonstration : Astro, îlots React et Workers, tout en TypeScript.
En production · location courte durée
- 31. Pydantic / Pydantic AI
Des modèles de données validés, et des agents IA dont les entrées et sorties sont typées. La façon la plus fiable de brancher un LLM sur du code de production.
En production · paris en ligne
- 32. Polars data
DataFrames en Rust, exécution paresseuse et parallèle : la plupart des volumes « big data » tiennent sur une seule machine. Une fraction du coût d'un cluster, et testable comme du code ordinaire.
- 33. SqlGlot data
Analyse, optimisation et traduction de SQL entre dialectes. Indispensable pour auditer des requêtes, extraire le lignage ou migrer d'un moteur à l'autre sans réécriture manuelle.
En production · paris en ligne
Hold — À éviter pour un nouveau projet.
- 34. Scala 3
Un excellent langage dont l'écosystème ne suit plus : migration 2 → 3 coûteuse, frameworks phares en perte d'élan, vivier de développeurs qui se réduit. Alternative : Rust pour le typage fort et la performance, Python pour la data et l'IA ; Scala reste pertinent pour l'existant et l'enseignement.
En production · retail, enseignement
- 35. Apache Spark data
La plupart des volumes réels n'ont plus besoin d'un cluster distribué, ni de sa complexité d'exploitation et de test. Alternative : Polars et SqlGlot sur du Parquet ; Spark reste justifié à très grande échelle.
En production · paris en ligne, adtech
- 36. Akka
Passé sous licence commerciale (BSL) en 2022 : un risque juridique et budgétaire pour tout nouveau projet. Alternative : Apache Pekko pour l'existant, des modèles plus simples (Temporal, Rust async) pour le neuf.
En production · adtech, SaaS