L'application Sports d'Apple n'est presque pas un produit de données, et c'est voulu

Le marché de la technologie sportive se vend comme un problème de données. Les gros titres récents parlent de suivi de performance, d'analyse de billetterie et d'IA dans le sport. Toujours plus de pipelines, toujours plus de modèles. L'un des produits sportifs les plus utilisés des deux dernières années va dans l'autre sens.

Slate a testé l'application Sports d'Apple en juin, sous un titre affirmant qu'elle « ne fait presque rien ». L'article décrit une application sans titres d'actualité, sans guides de diffusion et sans éléments de design destinés à retenir les utilisateurs à l'intérieur. Elle propose des noms d'équipes et des logos, des bilans, des horaires de matchs et les scores des rencontres en cours ou terminées, plus une page de classements. C'est le produit.

Le coût se situe dans la requête, pas dans l'index

Le contraste est net avec la manière dont les éditeurs d'outils analytiques posent le problème. Un article publié en août par Cassis, une société d'outillage de données, expose un cadre simple pour situer le coût humain d'une question de données. Il répartit ce coût entre l'indexation, le travail initial de structuration de l'information pour qu'elle soit retrouvable plus tard, et la requête, l'effort au moment où quelqu'un a réellement besoin d'une réponse. L'article emprunte une analogie de garde-robe à Hrishi Olickel : le schema-on-write consiste à ranger directement les vêtements dans une armoire, triés par fonction, tandis que le schema-on-read revient à fouiller un tas en désordre quand on cherche quelque chose.

L'application d'Apple est un pari d'indexation extrême. Il a fallu décider quelles ligues comptent, comment les classements sont structurés, comment les feuilles de match sont disposées et à quelle vitesse un score se propage jusqu'à l'écran verrouillé. L'utilisateur ne paie presque rien au moment de la requête. Le critique de Slate note que l'application faisait remonter à plusieurs reprises des informations sur les Pittsburgh Penguins pendant les séries éliminatoires de la Coupe Stanley, avant que la diffusion en streaming ne suive, au point qu'il a fallu désactiver les mises à jour automatiques.

« Nous avons créé Apple Sports pour donner aux fans de sport ce qu'ils veulent, une application qui offre un accès extrêmement rapide aux scores et aux statistiques. »

Cette citation d'un dirigeant d'Apple, reprise dans l'article de Slate, constitue tout l'argumentaire. Aucune promesse d'agentivité ou autre. Le critique indique que la couverture de l'application comprend les matchs de Coupe du monde, la MLS, la NWSL et une trentaine d'autres ligues, avec la Serie A équatorienne et la deuxième division allemande, aux côtés du tennis masculin et féminin et du circuit LPGA.

Les agents déplacent le coût, ils ne le suppriment pas

L'essentiel de la poussée actuelle dans l'analyse sportive suppose le compromis inverse : accepter un produit plus lourd et obtenir davantage en retour. Cette hypothèse est mise à l'épreuve dans l'outillage de données en général. L'article de Cassis soutient que les agents d'IA ne suppriment pas le coût humain de rendre les données utiles, ils le redistribuent, et que cette redistribution passe facilement inaperçue. Un responsable de données cité dans l'article décrit une rotation hebdomadaire où une personne est dédiée aux questions ad hoc, ce qui consomme environ 20 % d'une équipe de cinq ou six personnes, en permanence.

Starburst a publié sa propre analyse de l'analyse de données agentique en septembre, et elle aboutit à un constat similaire par un autre chemin. L'entreprise décrit une option qu'elle appelle délibérément « option 0 » : extraire les données brutes des systèmes sources et les envoyer à un agent sous forme de fichiers ou par un tuyau direct. L'objection de Starburst porte sur le coût : envoyer des téraoctets de données à un agent peut devenir prohibitif si l'agent facture à l'élément traité. Son option préférée consiste à donner à l'agent des identifiants pour la base de données et à le laisser écrire son propre SQL, afin que le moteur de base de données fasse le travail pour lequel il est conçu.

Starburst signale aussi le risque opérationnel de cette approche. Les agents, écrit l'entreprise, peuvent être bien plus exigeants que des humains et submerger une base de données de requêtes spéculatives au fil de leurs itérations. Elle présente cela comme un problème de charge de travail sur lequel l'industrie des bases de données travaille activement, et non comme un problème résolu.

Petits outils, petites surfaces

Le même réflexe est visible dans des publications open source plus modestes. Adaca Analytics, un projet de tableau de bord auto-hébergé pour Google Analytics 4 publié sur GitHub en septembre, tourne sur Cloudflare Workers avec des agrégations quotidiennes issues de l'API GA4 Data ou d'un export BigQuery atterrissant dans une base D1 que l'opérateur possède. Le temps réel reste chez Google. Le dépôt annonce six tableaux de bord prêts à l'emploi, un constructeur en quatre étapes et des pages de détail précalculées pour qu'un clic sur un chiffre revienne en un seul aller-retour. La licence est MIT.

DataZen, présenté sur Hacker News fin août, adopte une ligne comparable sur le périmètre pour le travail sur base de données : un client de bureau de moins de 15 Mo, en GPLv3, sans compte, avec des identifiants chiffrés en AES-256-GCM dans le trousseau du système et des requêtes d'IA envoyées uniquement au fournisseur configuré par l'utilisateur. Plainoldanalytics, publié en septembre, est un middleware Go qui monte un tableau de bord sur un routeur HTTP existant et écrit le trafic sur disque environ une fois par seconde.

Aucun de ces produits ne promet de répondre à la question du directeur financier sur les clients entreprise qui ont renouvelé. Ils promettent que la réponse, une fois que quelqu'un l'a définie, coûte peu à récupérer. Cassis énonce clairement la part non budgétée : amener quatre équipes à s'accorder sur ce que signifie « client actif » est un travail d'indexation, et il ne disparaît pas parce qu'un agent écrit désormais le SQL.

Pour les produits sportifs, l'analogie tient avec une différence. Les fans sont déjà d'accord sur ce qu'est un score. Le débat de définition qui engloutit les budgets analytiques n'existe pas, ce qui explique peut-être exactement pourquoi ne presque rien faire fonctionne.