Qlik AI Reality Tour Paris 2026 : ce que les entreprises data-driven ont en commun
Le 23 juin 2026, Qlik réunissait décideurs Business et IT au Cercle d'Aumale, à Paris, pour une demi-journée dense autour d'une conviction : l'IA agentique n'est plus un horizon, c'est une réalité opérationnelle, à condition d'avoir les bonnes fondations data.
Keyrus était présent. Voici ce qu'il faut en retenir.
L'IA tient ses promesses… mais pas sans prérequis
Le point de départ de la keynote Qlik est sans détour : le budget IA des entreprises a explosé, les POC se multiplient, et pourtant Gartner estime que 60 % des projets d'IA sont abandonnés faute de données réellement prêtes. Uber a consommé son budget IA sur des coûts de tokens non maîtrisés. Les dirigeants ne veulent plus de projets pilotes, ils veulent un avantage concurrentiel mesurable.
C'est dans ce contexte que le Qlik AI Reality Tour a structuré sa journée autour d'un triptyque : contexte, confiance, liberté.
Les trois piliers d'une IA d'entreprise qui fonctionne
1. Le contexte : pour que l'IA comprenne votre activité
Le moteur d'analyse Qlik, trente ans de R&D, préserve les relations entre les données et ancre l'IA dans la logique réelle de l'entreprise. C'est ce contexte qui permet à Qlik Answers, l'assistant IA natif, de répondre avec précision en combinant données structurées, contenus non structurés et connaissances des grands modèles de langage.
2. La confiance : pour que les résultats soient exploitables
Les agents ne valent que par la qualité des données qu'ils consomment. Qlik structure cette confiance autour des data products : des assets réutilisables, gouvernés, accompagnés d'un AI Trust Score qui indique à un agent quand utiliser les données, quand les remettre en question, et même quand s'abstenir d'agir. Le principe est simple et puissant : rendre la confiance visible et opérationnelle, pas seulement déclarée.
3. La liberté : pour évoluer sans être enfermé
L'IA évolue rapidement. Les réglementations aussi. Qlik a fait le choix des standards ouverts (Apache Iceberg pour l'Open Lakehouse, Open Semantic Interchange pour la portabilité des métadonnées) et de l'interopérabilité avec Snowflake, Databricks, AWS, Spark. La souveraineté de l'IA est une priorité architecturale, avec des data centers régionaux et des options de déploiement auto-hébergé pour les organisations aux exigences les plus strictes.
MCP Server Qlik : la démonstration qui change la donne
Le moment fort de la keynote ? Une démonstration live du Model Context Protocol (MCP) avec Claude. En direct : Claude accède au moteur d'analyse Qlik, interroge une application hospitalière, croise des données internes avec des indicateurs sectoriels externes, puis crée une nouvelle feuille interactive directement dans l'application, sans développeur, sans ticket.
Ce n'est pas un scénario de laboratoire. Le MCP Server Qlik expose aujourd'hui 53 endpoints, et d'ici fin 2026, jusqu'à 100 endpoints. Qlik se positionne ainsi comme l'une des solutions d'analytics les plus profondément intégrées dans les écosystèmes IA d'entreprise.
Chez Keyrus, nous exploitons activement cette capacité pour connecter des modèles comme Claude, ChatGPT ou Gemini à la logique métier construite par les équipes data de nos clients. L'interface devient secondaire. La gouvernance et le contexte deviennent le vrai différenciateur.
Quatre nouveaux agents Qlik pour passer à l'action
Qlik a présenté quatre nouvelles capacités agentiques directement opérationnelles :
Agent de découverte surveille en continu toutes vos données, identifie les pics, baisses et changements de tendance, sans que vos équipes aient à garder l'œil rivé sur des tableaux de bord.
Agent de prédiction permet à n'importe quel analyste de lancer un modèle de machine learning en langage naturel, avec des explications sur les facteurs déterminants (valeurs SHAP, simulations). Pas de code. Pas de data scientist requis pour chaque question.
Agent d'automatisation déclenche des actions concrètes dans plus de 60 outils (ServiceNow, Jira, Salesforce) depuis un simple prompt conversationnel. L'insight ne reste plus dans la fenêtre de chat : il devient une action dans les systèmes déjà en place.
Agent d'analyse permet aux développeurs de créer des graphiques et des feuilles complètes en décrivant ce qu'ils veulent dans leurs propres mots. Qlik construit. Les équipes se concentrent sur la vision.
Côté ingénierie des données, Qlik annonce également : les pipelines déclaratifs, un assistant IA intégré dans Talend Studio, et des agents dédiés au catalogue, au glossaire et à la gestion des data products.
Ce que PMU et SNCF Connect & Tech ont dit
La table ronde animée avec Nicolas Ortiz, CDO de PMU, et Johan Maussion, Directeur Web & Business Analytics de SNCF Connect & Tech, a eu le mérite de la franchise.
PMU : productivité d'abord, données ensuite
PMU a pris le train IA par la productivité des développeurs : 300 collaborateurs équipés d'assistants de code en premier, puis les usages bureautiques. La prochaine étape : permettre à 100 % des collaborateurs d'interagir avec le patrimoine data en langage naturel.
Mais avec une condition non négociable : s'assurer que ce qui sort est fiable. Sinon, la confiance ne se reconstruira pas. PMU mesure des gains de productivité sur le cycle de développement logiciel de l'ordre de 4 à 5 %, significatifs à l'échelle de plusieurs centaines de développeurs.
SNCF Connect & Tech : un ROI concret, déjà mesurable
SNCF Connect & Tech, a témoigné d'un cas de ROI direct : un gain équivalent à deux jours par semaine dans l'équipe data, grâce à la génération automatique de la première version des commentaires de reporting. Les analystes ne rédigent plus le descriptif, ils se concentrent sur ce que l'IA ne peut pas encore faire seule.
Sur le temps réel, l'enjeu est considérable : 200 collaborateurs surveillent simultanément les dashboards pour détecter les anomalies lors des ouvertures de ventes de billets. Une intelligence collective humaine que les agents Qlik pourraient bientôt démultiplier.
PMU et SNCF Connect & Tech ont convergé sur le même point de friction : la documentation, le glossaire, le catalogue
Ces couches sémantiques qui permettent à un agent de savoir ce que signifie "volume d'affaires" ou "nombre de plages TGV vendues". Elles existent souvent en partie, dispersées dans des fichiers Excel et dans la tête des experts. Le travail de les consolider n'est pas technique au sens traditionnel : il est organisationnel, et il est urgent.
AWS : deux tendances de fond
Baptiste, représentant AWS, a identifié deux signaux forts chez ses clients : le "Talk to My Data" (s'affranchir des silos IT pour donner la parole aux métiers) et le développeur augmenté. AWS a annoncé AWS Context, un service visant à construire un graphe de métadonnées métier et techniques pour alimenter humains et agents. Ainsi que FinOps Agents, pour monitorer et remédier aux dérives de coûts IA directement dans AWS.
La gouvernance : le prérequis qu'on ne peut plus reporter
Une part significative des échanges a porté sur la gouvernance, pas comme concept abstrait, mais comme condition opérationnelle de l'IA à grande échelle.
La gouvernance data a plusieurs facettes : qualité, documentation, sécurité, cycle de vie, conformité RGPD. Ce qui a changé, c'est son périmètre. Historiquement, on gouvernait des données structurées dans des tables. Aujourd'hui, il faut aussi ranger la bibliothèque documentaire de l'entreprise : les présentations, les rapports, les définitions métier éparpillées.
Un point d'ownership a émergé : les équipes data sont des bibliothécaires. Elles rangent les livres. Mais ce sont les métiers qui les ont écrits, et qui en sont propriétaires. Les sujets "Talk to Data" remettent en évidence ce rôle des métiers dans la définition, la documentation, la validation des concepts. C'est un changement organisationnel autant que technologique.
La sécurité, elle, doit hériter des couches existantes. Le modèle défendu par PMU est clair : les outils finaux (agents, interfaces LLM) doivent hériter des règles d'accès déjà en place dans Qlik et dans les plateformes data. Le contrôle granulaire ne se reconstruit pas de zéro à chaque nouveau cas d'usage.
Trois convictions que Keyrus retient de cette journée
Les fondations ne sont pas la partie chiante du projet IA. Elles sont le projet. Un dirigeant qui obtient une réponse approximative ne comprend pas que les agents ont trahi, il comprend que les données sous-jacentes n'étaient pas au carré. C'est le moment de clarté que l'IA crée, et que les équipes data peuvent saisir pour investir là où ça compte.
Le MCP n'est pas une fonctionnalité. C'est une couche d'architecture. Connecter Claude, Gemini ou ChatGPT au moteur Qlik, c'est permettre à n'importe quel assistant d'accéder à la logique métier construite sur des années. L'interface devient secondaire. La gouvernance et le contexte deviennent le différenciateur.
La valeur de l'agentique se réalise quand les agents s'appuient sur ce qui existe déjà. Les applications Qlik. Les pipelines de données. Les data products. Vous n'avez pas besoin de tout reconstruire — vous avez besoin d'activer ce que vous avez déjà.
L'IA ne transforme pas les entreprises. L'intelligence architecturée, si.
Le Qlik AI Reality Tour est une série d'événements organisés par Qlik à destination des décideurs Business et IT. L'édition parisienne du 23 juin 2026 s'est tenue au Cercle d'Aumale (Paris 9e) et a réuni des entreprises autour de l'IA agentique appliquée à la data et à l'analytics.
Le MCP (Model Context Protocol) Server de Qlik est une couche d'intégration qui permet à des modèles d'IA générative — comme Claude d'Anthropic, ChatGPT ou Gemini, d'accéder directement au moteur analytique de Qlik. Concrètement, un assistant IA peut interroger vos données, appliquer la logique métier que vos équipes ont construit, et même générer des feuilles ou graphiques dans vos applications Qlik. Il expose aujourd'hui 53 endpoints, avec une roadmap à 100 endpoints d'ici fin 2026.
Selon les données citées lors de la keynote Qlik, 60 % des projets d'IA sont abandonnés parce que les données ne sont pas réellement prêtes : elles manquent de gouvernance, de documentation sémantique (glossaire, catalogue), ou de qualité suffisante pour alimenter des agents de façon fiable. Sans fondations data solides, l'IA reste du potentiel non transformé.
Qlik a présenté quatre nouvelles capacités agentiques : l'Agent de découverte (surveillance continue des anomalies), l'Agent de prédiction (machine learning en langage naturel), l'Agent d'automatisation (actions dans ServiceNow, Jira, Salesforce depuis un prompt) et l'Agent d'analyse (génération de dashboards et graphiques par description en langage naturel).
SNCF Connect & Tech a partagé un gain équivalent à deux jours par semaine dans son équipe data, grâce à la génération automatique des commentaires de reporting via l'IA. PMU mesure quant à lui des gains de productivité de 4 à 5 % sur ses cycles de développement logiciel depuis le déploiement d'assistants de code auprès de ses 300 développeurs.
En tant que partenaire Qlik, Keyrus exploite activement le MCP Server pour connecter des modèles d'IA générative aux environnements analytiques de ses clients. Notre conviction est qu'opérationnaliser l'IA ne consiste pas à connecter un modèle, mais à orchestrer un écosystème data fiable, gouverné et durable. Nous accompagnons nos clients sur toute la chaîne : gouvernance des données, data products, intégration des agents Qlik et pilotage du ROI.
L'AI Trust Score est un indicateur associé aux data products dans la plateforme Qlik. Il indique à un agent IA quand utiliser les données disponibles, quand les remettre en question, et même quand s'abstenir d'agir. L'objectif est de rendre la confiance visible et opérationnelle, pas seulement déclarée, pour que les résultats produits par les agents soient réellement exploitables.
Un data product est un asset de données réutilisable, gouverné et documenté, conçu pour être consommé de façon fiable par des équipes, des applications ou des agents IA. Contrairement à un simple dataset, il embarque une logique métier, une documentation sémantique, des règles de qualité et de contrôle d'accès. C'est la brique fondamentale d'une architecture data prête pour l'IA agentique.