D’une année sur l’autre, le rapport de force entre ces quatre offre une évolution. AWS, notamment, a pris une longueur d’avance sur l’axe « exécution » du Quadrant. Et, à l’inverse, une de retard sur l’axe « vision ».
Le premier est centré sur la capacité à répondre efficacement à la demande (expérience client, performance avant-vente, qualité des produits/services…). Le second, prospectif, est centré sur les stratégies (sectorielle, géographique, commerciale, marketing, produit…).
Sur l’hache « vision »les fournisseurs se placent dans cet ordre :
| Fournisseur | Date de création | |
| 1 | Microsoft | 1975 |
| 2 | 1998 | |
| 3 | IBM | 1911 |
| 4 | AWS | 2012 |
| 5 | Oracle | 1977 |
| 6 | Baidu | 1999 |
| sept | H2O.ai | 2012 |
| 8 | Nuage d’Alibaba | 2009 |
| 9 | Tencent | 1998 |
| dix | Dataiku | 2013 |
| 11 | Aible | 2018 |
| 12 | Clarification | 2013 |
| 13 | Prévision.io | 2016 |
Sur l’hache « exécution » :
| Fournisseur | |
| 1 | AWS |
| 2 | Microsoft |
| 3 | |
| 4 | IBM |
| 5 | Nuage d’Alibaba |
| 6 | Baidu |
| sept | Tencent |
| 8 | Dataiku |
| 9 | H2O.ai |
| dix | Clarification |
| 11 | Oracle |
| 12 | Prévision.io |
| 13 | Aible |
Ayant recentré sa stratégie sur ses propres applications, Salesforce sort du Quadrant. Tandis qu’y entre Dataiku (“acteur de niche”), en conséquence de l’extension de son offre au-delà du public des scientifiques des données.
La capacité d’exécution des hyperscalers
Sous le prisme de Gartner, Alibaba Cloud est connu une évolution similaire à celle d’AWS. Il a accéléré sur l’exécution et rétrogradé sur la vision, passant de « visionnaire » à « challenger ». Parmi les autres changements de catégorie, on subira :
– Oracle, passé d’« acteur de niche » à « visionnaire »
– Aible et H2O.ai, passés de « visionnaires » à « acteurs de niche »
– Baidu et Tencent, passés d’« acteur de niche » à « challenger »
Cette année encore, un seul critère technologique obligatoire pour figurer au Quadrant : le apprentissage automatique automatisé (autoML). Le reflet d’une réflexion anglée sur les développeurs, public qui, estime Gartner, a peu d’expertise en science des données.
Par autoML, il faut entendre les caractéristiques suivantes :
– Préparation de données, ingénierie des fonctionnalités
– Développement, gestion, déploiement de modèles
– Détection des biais, explicabilité et interprétabilité
– MLOps
Les autres briques prises en considération sont « facultatives ». Elles se répartissent en deux catégories. D’un côté, les services de traitement du langage : interprétation et production, analyse de texte ou de sentiment, reconnaissance et synthèse vocales, traduction. De l’autre, ceux qui correspondent à la vision : reconnaissance et étiquetage d’images, analyse de vidéos, OCR.
Sur la partie autoML, un constat : l’innovation est toujours du côté des « petits » offresurs, mais les poids lourds du marché refont leur retard. Dans le domaine de la vision, les fournisseurs chinois se distinguent, même si la progression est générale.
Des portefeuilles exhaustifs, mais inégaux
Point souvent négatif dans les Magic Quadrants, le prix ne l’est ici pas chez les « leaders ». Avec une exception : IBMqui n’est pas non plus, selon Gartner, le plus prompt à répondre aux besoins du marché (manque de fonctionnalités de feature engineering, de capacités de crowdsourcingd’autoML pour l’analyse d’images et de vidéos…).
IBM est au contraire crédité d’un bon point pour l’exhaustivité de son portefeuille, en particulier sur le langage. Ainsi que sur la qualité de ses services de détection de biais, l’accessibilité de ses outils et les options de déploiement.
AWS, au contraire, apparaît comme « le seul leader sans vision multicloud et cloud hybride ». Il a par ailleurs du retard sur la question de l’IA responsable. Et manque de solutions sectorielles, même s’il le comble à renfort de plans.
AWS se distingue en revanche positivement sur sa capacité d’exécution (compréhension du marché, modèle économique…). Ainsi que, d’une part, avec ses zones de disponibilité, qui offre une couverture sans pareille sur ce marché. Et de l’autre, sur la mise en œuvre de ses solutions (diversité des instances, intégration des modèles avec SageMaker, optimisation d’outils Open source…).
Avec ou sans IA symbolique ?
Chez Google Cloud, les solutions sectorielles sont aussi un point faible. Elles offrent en tout cas « moins de verticales que chez les autres fournisseurs ». Autre point de vigilance : un support encore partiel des déploiements sur site ou en cloud privé. Et, côté offre, des efforts de R&D axés quasi exclusivement sur les réseaux de neurones, quand d’autres explorent les combinaisons potentielles avec l’IA symbolique.
Comme chez AWS, la compréhension du marché est un point positif chez Google Cloud. Gartner salue aussi son positionnement sur l’IA responsable et l’accessibilité de ses solutions pour les devs.
Microsoft un mauvais point sur la question de la couverture géographique : il n’y a qu’en Amérique qu’il propose l’intégralité de son catalogue. L’expérience client se révèle en outre moindre que chez les autres « leaders ». Et les produits ne sont pas toujours au niveau de la concurrence ; par exemple sur la prise en charge des plaques-formes hardware.
Le modèle économique, en revanche, est un point fort de Microsoft, qui opère « une différenciation claire entre développeurs professionnels et ‘citoyens’ ». La stratégie commerciale l’est aussi. En particulier avec la « gratuité » d’autoML (on paye calcul et stockage).
Photo d’illustration © immimagery – Adobe Stock
