L'app Sports d'Apple prouve qu'on peut faire une seule chose, quand les outils d'analyse empilent les fonctions

Slate a publié le 10 juin 2026 un article affirmant que l'app Sports d'Apple compte parmi les meilleurs produits technologiques grand public des deux dernières années, précisément parce qu'elle ne fait presque rien. Pas de titres d'actualité, pas de guides de diffusion. Elle affiche les noms et les logos des équipes, les bilans, les horaires et les scores, avec une page de classements en dessous.

Cette retenue est tout l'intérêt.

« Nous avons créé Apple Sports pour donner aux fans ce qu'ils veulent, une app qui offre un accès extrêmement rapide aux scores et aux statistiques », a déclaré un dirigeant d'Apple lors de l'annonce de l'app à l'hiver 2024, selon Slate. L'article oppose ce discours au vocabulaire habituel des lancements, fait d'expériences agentiques et de rapprochement des fans de l'action. Le chroniqueur de Slate raconte que l'app est assez rapide pour que les mises à jour automatiques des Pittsburgh Penguins pendant les séries éliminatoires de la Coupe Stanley arrivent avant la diffusion en streaming. Le problème s'est répété avec des matchs de NFL, de football universitaire et de basket universitaire.

Cet article se lit utilement à côté de l'état actuel des outils d'analyse sportive, car les deux vont en sens inverse. Apple dépouille le produit, les outils de données d'entreprise empilent les capacités aussi vite que les éditeurs peuvent les livrer.

Prenons un article publié par Starburst le 11 septembre 2026, qui examine deux architectures pour l'analyse de données agentique. L'auteur déroule un exemple d'épicerie. Déterminer si la promotion sur les œufs de la semaine dernière a été rentable suppose de savoir si l'opération a attiré des clients qui ne seraient pas venus autrement, si ces clients sont revenus, ce qui a été acheté dans la même transaction et quelle est la rentabilité de ces articles. Ces questions de suivi sont exactement le genre de travail qu'un agent peut absorber, soutient l'article, à condition qu'il puisse accéder aux données de transaction et de fidélité sous-jacentes, qui se trouvent souvent dans des bases distinctes.

L'analyse de Starburst expose les options pour amener ces données à un agent. La première consiste à extraire les tables et à transmettre les fichiers bruts, ce que l'auteur appelle « option 0 » et écarte hors circonstances inhabituelles, car envoyer des téraoctets à un modèle coûte cher et ralentit tout. L'alternative pratique est de donner à l'agent un accès direct à la base pour qu'il écrive son propre SQL et itère, en laissant le moteur de base de données faire le traitement. L'article note que les agents peuvent être bien plus exigeants que des utilisateurs humains et submerger un système de requêtes spéculatives. Il précise aussi que les éditeurs de bases de données travaillent à prendre en charge les charges de travail agentiques.

Ailleurs, les outils affichent des partis pris de plus en plus nets sur l'emplacement des données.

DataZen, présenté sur Hacker News le 29 août 2026, est un client de bureau local-first pour le travail inter-bases. Il gère PostgreSQL, MySQL, SQLite et Redis par défaut, avec des pilotes optionnels pour MongoDB, ClickHouse, DuckDB et SQL Server. Il embarque un serveur MCP pour que des agents comme Claude et Cursor interrogent directement les bases, et fonctionne aussi comme client MCP. La page du projet indique que les identifiants sont chiffrés en AES-256-GCM et conservés dans le trousseau du système d'exploitation, que seuls le schéma et le contexte de requête sont envoyés au fournisseur d'IA, et qu'aucun service de base de données cloud n'est exploité. Le tout sous licence GPLv3.

Deux projets auto-hébergés plus modestes complètent le tableau. Adaca Analytics, publié sur GitHub le 8 septembre 2026, reconstruit les tableaux de bord de Google Analytics sur Cloudflare Workers. Il tire des agrégats quotidiens depuis la GA4 Data API ou un export BigQuery vers une base D1 que l'opérateur contrôle, les données temps réel restant chez Google. Plainoldanalytics, présenté le 13 septembre 2026, est un paquet d'analyse greffé aux applications Go, indépendant du stockage par conception, avec des adaptateurs pour gin et chi.

Le fil conducteur n'est pas qu'une approche l'emporte. C'est que les apps sportives qu'on ouvre le samedi et les pipelines qui alimentent l'analyse d'entreprise ont le même défaut : ajouter de la surface jusqu'à ce que la tâche d'origine devienne plus lente. L'app d'Apple, d'après le récit de Slate, est le rare produit qui a refusé.