Databricks a annoncé le 14 octobre 2026 sur son blog officiel la version bêta de Predictive AI Functions : quatre nouvelles fonctions natives SQL d'un coup, et un ai_forecast renforcé par un modèle de fondation de séries temporelles plus puissant. Les problèmes visés sont concrets : à quoi ressembleront les ventes du prochain trimestre, pourquoi un indicateur a bougé, quels jours d'une série semblent anormaux. Ces questions faisaient autrefois la queue devant une équipe de data science ; les analystes peuvent désormais les poser directement dans l'éditeur SQL et les tableaux de bord, et les utilisateurs métier interrogent Genie en langage courant, qui appelle la fonction appropriée.
Cinq fonctions, une par type de question
Le découpage suit la question métier. ai_forecast projette une série temporelle dans le futur. ai_top_drivers identifie les segments qui ont le plus contribué à la variation d'un indicateur. ai_detect_anomalies signale les lignes aberrantes dans les données temporelles. ai_predict_value et ai_predict_class complètent respectivement des valeurs continues et des résultats catégoriels. Toutes sont des fonctions SQL natives, capables de traiter des centaines de millions de lignes et d'alimenter directement requêtes et pipelines existants. Côté disponibilité, ai_top_drivers est déjà utilisable dans Genie, les quatre autres y sont annoncées comme prochaines et s'emploient pour l'instant surtout depuis SQL et les tableaux de bord.
Pourquoi l'argument du zéro réglage
Le nouvel ai_forecast repose sur un modèle de fondation de séries temporelles de type Transformer, pré-entraîné sur une vaste collection diversifiée de séries. L'idée est qu'il apprenne des motifs comme la saisonnalité et les tendances à la manière dont un modèle de langage apprend le texte, puis produise des prévisions sur les données de l'entreprise sans réglage. La nouvelle version gère aussi les variables qui comptent en pratique : les effets de jours fériés sont intégrés, comme les creux de Noël ou les pics de rentrée, et des covariables externes permettent d'injecter des facteurs tels que les changements de prix ou les dépenses marketing. Sur le benchmark fev-bench, Databricks affirme que le nouvel ai_forecast dépasse la fonction comparable d'un entrepôt de données cloud de premier plan ainsi que sa propre version précédente en taux de victoire par tâche ; c'est une comparaison rapportée par l'éditeur, et tout choix sérieux suppose un test sur l'historique de l'équipe. La même semaine, le traitement documentaire est lui aussi passé en disponibilité générale, voir les API Document Intelligence de Databricks en disponibilité générale ; les deux lignes transforment un travail qui attendait des spécialistes en fonctions par défaut de la plateforme.
Garder l'étiquette bêta en tête
Les limites sont tout aussi nettes. Ces fonctions restent en bêta et les modèles sont maintenus de façon centralisée par Databricks. On y gagne des résultats cohérents entre tableaux de bord, SQL et Genie et l'absence d'infrastructure à gérer, au prix d'aucun choix de modèle ni réglage maison, et d'une capacité réduite à disséquer une mauvaise prévision comme on le ferait avec son propre modèle. L'usage pertinent est l'exploration et l'analyse opérationnelle courante : décider vite ce qui mérite d'être creusé, puis construire des modèles dédiés pour les indicateurs qui comptent vraiment. Pour les équipes déjà sur Databricks, le coût d'essai est réellement faible, une seule requête SQL. Pour celles dont les données vivent ailleurs, cette annonce ne suffit pas à justifier une migration.
