Blog Notre Histoire Demandez une Démo →

Nueva plantilla DPIA del EDPB: ¿qué ventaja para las arquitecturas data-at-source?

El 14 de abril de 2026, el Comité Europeo de Protección de Datos abrió a consulta su primera plantilla DPIA armonizada a escala de la UE. Detrás de la promesa de simplificación administrativa, un giro metodológico más silencioso: la separación entre los riesgos de diseño y los riesgos de incidente. Una distinción que redistribuye las cartas entre las plataformas que protegen los datos y las que conciben la ausencia de riesgo.

La armonización que los DPO esperaban desde 2018

El 14 de abril de 2026, el EDPB hizo pública su primera plantilla armonizada de Data Protection Impact Assessment, adoptada en versión 1.0 el 10 de marzo mediante procedimiento escrito. El documento está abierto a consulta pública hasta el 9 de junio de 2026. Después de esa fecha, todas las autoridades europeas (incluida la CNIL francesa) deberán adoptarla como modelo único, o como meta-modelo con el que sus plantillas nacionales deberán permanecer compatibles.

Para los DPO que gestionan tratamientos transfronterizos, es el fin de una fragmentación que duraba desde hace siete años. Hasta ahora, un DPIA estructurado según un enfoque nacional no era necesariamente reconocido por otra autoridad. La plantilla EDPB pone fin a esta asimetría.

Es la lectura consensuada del texto. Es acertada, pero pasa por alto lo esencial.

Dos riesgos, dos secciones, dos lógicas

La verdadera innovación de la plantilla 2026 no es formal. Es metodológica. Por primera vez en un documento oponible a escala europea, la plantilla distingue dos naturalezas de riesgos que la mayoría de las metodologías DPIA de primera generación mezclaban en una matriz única.

En la sección 3, el responsable documenta los riesgos inherentes al propio tratamiento. Los que existen incluso si todo funciona perfectamente, si ninguna configuración se descontrola, si ningún atacante entra en el sistema. Centralización de datos, duraciones de conservación prolongadas, identificadores persistentes, combinación de conjuntos heterogéneos. Estos riesgos son consecuencias de elecciones arquitectónicas, no de eventos.

En la sección 4, por separado, se documentan los riesgos operativos. Bugs, malas configuraciones, errores humanos, accesos abusivos, ataques externos. Son los riesgos de incidente.

Esta separación parece técnica. Es en realidad política. Obliga a plantear una pregunta que los DPIA de primera generación eludían con frecuencia: ¿es esta arquitectura compatible con los derechos y libertades de las personas, incluso cuando funciona como está previsto?

Dicho de otro modo, antes incluso de hablar de seguridad, ¿es el propio diseño el que plantea un problema? La respuesta a esta pregunta no se encuentra en la calidad de los cortafuegos. Se encuentra en el plano de arquitectura.

Cuando la seguridad no repara el diseño

La respuesta, para un gran número de arquitecturas actuales, es incómoda. Un data lake construido en torno a un almacenamiento centralizado de larga duración, incluso perfectamente operado, comporta riesgos estructurales que ahora se documentan en una sección aparte, sin que la adición de medidas operativas los responda.

El cifrado no transforma una retención de diez años en una ausencia de retención. El control de accesos no hace inocuo el hecho de concentrar en un único lugar los datos sensibles de millones de personas. La sección 3 de la plantilla obligará a documentar estas elecciones por sí mismas.

Las plataformas que han crecido sobre el modelo «recolectar ampliamente, almacenar duraderamente, proteger intensamente» tendrán que enfrentarse a este espejo. No es una acusación, es una constatación. La plantilla EDPB no inventa nada: hace explícito lo que el artículo 25 del RGPD pedía desde 2018. Pero lo hace explícito en una sección dedicada, trazable, comparable de un expediente a otro.

El otro espejo: las arquitecturas que no tienen nada que almacenar

El espejo devuelve una imagen muy diferente cuando se observan arquitecturas concebidas de otro modo.

Una plataforma que trata los datos durante su transporte, sin desplazarlos ni almacenarlos, comprime por diseño la sección 3 de la plantilla. No hay centralización que documentar, porque no hay centralización. No hay duración de retención que justificar, porque el tratamiento es in-transit. Los conjuntos combinados no dejan traza persistente, porque la combinación se disuelve con el contexto de uso. Los identificadores persistentes desaparecen, porque la plataforma no los fabrica.

Es el principio de la tecnología DataCell de iD4Connect: cada unidad de tratamiento actúa sobre el dato durante su tránsito y luego lo libera. Nada persiste del lado de la plataforma. DataGraph garantiza la inteligencia contextual, que se disuelve con el contexto de uso. La arquitectura no es una capa de protección añadida sobre una topología clásica. Es otra topología (ver la arquitectura completa).

¿Y la sección 4, sobre los incidentes? Hay que rellenarla, por supuesto. Ninguna arquitectura exime de analizar sus propios fallos. Pero cuando el activo que se debe defender no incluye ni data lake ni warehouse, la pregunta «qué ocurre si un atacante entra» cambia de naturaleza. No hay patrimonio que exfiltrar fuera de las fuentes, que permanecen dentro del perímetro del responsable original con sus propias medidas.

Una arquitectura que no tiene nada que perder no se defiende como una arquitectura que tiene todo que proteger.

Cinco preguntas para poner a prueba su DPIA actual

Antes de la finalización de la plantilla en junio, puede ser útil pasar su DPIA actual, o su última revisión, por el filtro de cinco preguntas. No sustituyen a un análisis de cumplimiento, pero dan una señal rápida.

  1. ¿Distingue claramente su sección sobre los riesgos los que provienen del diseño del tratamiento de los que provienen de incidentes operativos, o se tratan ambos en una matriz única?
  2. Cuando describe sus medidas en el marco del artículo 25 (data protection by design), ¿se trata de parámetros añadidos sobre una arquitectura existente, o de propiedades intrínsecas de la propia arquitectura?
  3. Si una autoridad le pidiera mañana: «¿qué ocurriría para las personas afectadas si toda la arquitectura funcionara perfectamente, sin incidente alguno?», ¿sería su respuesta corta o larga?
  4. ¿Incluye su inventario de activos (sección 1.3 de la plantilla) componentes de almacenamiento de larga duración que existen principalmente por razones históricas, y cuyo valor de negocio sería difícil defender hoy?
  5. Si recomenzara la arquitectura desde cero, con los estándares de 2026 en mente, ¿elegiría la misma topología de datos, u otra?

Estas preguntas no se planteaban en los mismos términos hace un año. Se plantearán en estos términos durante los cinco próximos.

Según su rol, lo que esto cambia

Para un DPO: a misión igual, el volumen de documentación necesario depende ahora del tipo de arquitectura. Defender un DPIA ante la autoridad se vuelve mecánicamente más sencillo cuando la arquitectura subyacente no obliga a justificar cada riesgo estructural mediante una medida compensatoria.

Para un CISO: un nuevo tipo de herramienta entra en la conversación. No un producto de seguridad adicional, sino una arquitectura de datos que reduce mecánicamente la superficie que defender. «Un dato que no se puede robar no necesita ser defendido» deja de ser un aforismo para convertirse en una categoría documental.

Para un CIO o un CTO: un arbitraje económico se formaliza. Las plataformas de analítica centralizada tienen un coste de operación y un coste de cumplimiento. Hasta ahora, el segundo permanecía difuso, desigual, difícil de cuantificar. La plantilla EDPB lo hace visible sección por sección. En los sectores regulados (finanzas y banca, salud, energía, sector público), donde cada DPIA es documentado, auditado y revisado, este arbitraje deja de ser teórico.

Para una autoridad de regulación: un criterio de diferenciación gana en legibilidad. Las arquitecturas que encarnan el artículo 25 por diseño y no por parámetro disponen ahora de un lenguaje común para demostrarlo, y las autoridades disponen de un lenguaje común para reconocerlo.

Contribuir a la consulta mientras está abierta

La consulta EDPB está abierta hasta el 9 de junio. Toda contribución será publicada en el sitio de la autoridad.

Creemos que la plantilla ganaría si reconociera explícitamente, en su sección sobre data protection by design, la categoría de las arquitecturas data-at-source y stateless. No porque fueran mejores en sí mismas (ese juicio corresponde a los responsables y a sus autoridades), sino porque transforman cualitativamente, y no cuantitativamente, el perfil de riesgo de un tratamiento.

Por eso invitamos a los DPO, juristas, integradores y editores que tienen experiencia concreta de estas arquitecturas a participar en la consulta. Una consulta pública solo es útil si quienes hacen el trabajo se toman la molestia de escribir.

Dentro de seis semanas, la plantilla estará finalizada. En unos meses, será la referencia oponible a todos los editores de plataformas de datos presentes en Europa. Dos preguntas se plantean en ese momento, una técnica y una estratégica. La primera, acabamos de plantearla.

La segunda es más simple: ¿y si recomenzara la arquitectura mañana, elegiría la misma?

La plantilla DPIA del EDPB no crea ninguna obligación nueva. Simplemente hace legible lo que el artículo 25 del RGPD pedía desde 2018: separar lo que corresponde al diseño del tratamiento y lo que corresponde al incidente. En esta rejilla de lectura, las arquitecturas que no almacenan los datos no tienen que compensar su diseño con medidas: reducen mecánicamente el perímetro que documentar. De aquí a junio, ya no será una intuición. Será un formato oponible.

Descubra cómo iD4Connect aborda estos desafíos →

New EDPB DPIA template: what advantage for data-at-source architectures?

On 14 April 2026, the European Data Protection Board opened its first EU-wide harmonised DPIA template for public consultation. Behind the promise of administrative simplification, a quieter methodological shift: the separation between design risks and incident risks. A distinction that redistributes the cards between platforms that protect data, and those that engineer the absence of risk.

The harmonisation DPOs have been waiting for since 2018

On 14 April 2026, the EDPB released its first harmonised Data Protection Impact Assessment template, adopted as version 1.0 on 10 March through written procedure. The document is open for public consultation until 9 June 2026. After that date, all European authorities (including France’s CNIL) will have to adopt it as their sole standard, or as a meta-template with which their national templates must remain compatible.

For DPOs handling cross-border processing, this ends a fragmentation that has lasted seven years. Until now, a DPIA structured according to one national approach was not necessarily recognised by another authority. The EDPB template puts an end to this asymmetry.

That is the consensus reading of the text. It is accurate, but it misses the essential point.

Two risks, two sections, two logics

The real innovation of the 2026 template is not formal. It is methodological. For the first time in a document enforceable across Europe, the template distinguishes two natures of risks that most first-generation DPIA methodologies mixed into a single matrix.

In section 3, the controller documents the risks inherent to the processing itself. Those that exist even if everything works perfectly, if no configuration goes wrong, if no attacker enters the system. Data centralisation, extended retention periods, persistent identifiers, combination of heterogeneous datasets. These risks are consequences of architectural choices, not events.

In section 4, separately, operational risks are documented. Bugs, misconfigurations, human errors, abusive access, external attacks. These are incident risks.

This separation seems technical. It is in fact political. It forces a question that first-generation DPIAs regularly sidestepped: is this architecture compatible with people’s rights and freedoms, even when it operates as intended?

In other words, before even talking about security, does the design itself pose a problem? The answer to this question is not found in the quality of firewalls. It is found in the architecture blueprint.

When security does not repair design

The answer, for a large number of current architectures, is uncomfortable. A data lake built around centralised long-duration storage, even perfectly operated, carries structural risks that will now be documented in a separate section, without operational measures answering them.

Encryption does not turn a ten-year retention into an absence of retention. Access control does not make it harmless to concentrate in a single place the sensitive data of millions of people. Section 3 of the template will require documenting these choices for what they are.

Platforms that grew on the « collect broadly, store durably, protect intensively » model will have to face this mirror. This is not an accusation, it is an observation. The EDPB template invents nothing: it makes explicit what Article 25 of the GDPR has required since 2018. But it makes it explicit in a dedicated, traceable, comparable section from one file to another.

The other mirror: architectures that have nothing to store

The mirror returns a very different image when we look at architectures designed differently.

A platform that processes data during its transport, without moving or storing it, compresses section 3 of the template by design. There is no centralisation to document, because there is no centralisation. There is no retention period to justify, because processing is in-transit. Combined datasets leave no persistent trace, because the combination dissolves with the usage context. Persistent identifiers disappear, because the platform does not manufacture any.

This is the principle of iD4Connect’s DataCell technology: each processing unit acts on the data during its transit, then releases it. Nothing persists on the platform side. DataGraph provides contextual intelligence, which dissolves with the usage context. The architecture is not a protection layer added on top of a classic topology. It is a different topology (see the full architecture).

And section 4, on incidents? It still needs to be filled in, of course. No architecture exempts one from analysing its own failures. But when the asset to defend includes neither a data lake nor a warehouse, the question « what happens if an attacker gets in » changes in nature. There is no estate to exfiltrate outside the sources, which remain within the original controller’s perimeter with their own measures.

An architecture that has nothing to lose is not defended like one that has everything to protect.

Five questions to test your current DPIA

Before the template is finalised in June, it may be useful to run your current DPIA, or your latest review, through five questions. They do not replace a compliance analysis, but they give a quick signal.

  1. Does your risk section clearly distinguish risks coming from the design of the processing from those coming from operational incidents, or are both treated in a single matrix?
  2. When you describe your measures under Article 25 (data protection by design), are they parameters added on top of an existing architecture, or intrinsic properties of the architecture itself?
  3. If an authority asked you tomorrow: « what would happen to data subjects if the entire architecture worked perfectly, without any incident », would your answer be short or long?
  4. Does your asset inventory (section 1.3 of the template) include long-duration storage components that exist mainly for historical reasons, and whose business value would be hard to defend today?
  5. If you started the architecture from scratch, with 2026 standards in mind, would you choose the same data topology, or a different one?

These questions were not asked in these terms a year ago. They will be asked in these terms for the next five.

What it changes depending on your role

For a DPO: at equal scope, the volume of documentation required now depends on the type of architecture. Defending a DPIA before an authority becomes mechanically simpler when the underlying architecture does not require justifying each structural risk with a compensatory measure.

For a CISO: a new type of tool enters the conversation. Not an additional security product, but a data architecture that mechanically reduces the surface to defend. « Data that cannot be stolen does not need to be defended » stops being an aphorism and becomes a documentary category.

For a CIO or CTO: an economic trade-off becomes formal. Centralised analytics platforms carry both an operational cost and a compliance cost. Until now, the latter remained diffuse, uneven, hard to quantify. The EDPB template makes it visible section by section. In regulated sectors (finance & banking, healthcare, energy, public sector), where every DPIA is documented, audited and reviewed, this trade-off stops being theoretical.

For a regulatory authority: a differentiation criterion gains legibility. Architectures that embody Article 25 by design rather than by parameter now have a common language to demonstrate it, and authorities have a common language to recognise it.

Contributing to the consultation while it is open

The EDPB consultation is open until 9 June. Every contribution will be published on the authority’s website.

We believe the template would benefit from explicitly recognising, in its section on data protection by design, the category of data-at-source and stateless architectures. Not because they would be better in themselves (that judgment belongs to controllers and their authorities), but because they transform qualitatively, and not quantitatively, the risk profile of a processing operation.

That is why we invite DPOs, lawyers, integrators and vendors with concrete experience of these architectures to participate in the consultation. A public consultation is only useful if those who do the work take the time to write.

In six weeks, the template will be finalised. In a few months, it will be the benchmark applicable to every data platform vendor operating in Europe. Two questions arise at that point, one technical and one strategic. We have just asked the first.

The second is simpler: if you were starting the architecture tomorrow, would you choose the same one?

The EDPB DPIA template creates no new obligation. It simply makes legible what Article 25 of the GDPR has required since 2018: to separate what relates to the design of processing from what relates to incidents. Within this reading grid, architectures that do not store data have no need to compensate for their design with measures: they mechanically reduce the perimeter to document. By June, it will no longer be an intuition. It will be an enforceable format.

Discover how iD4Connect addresses these challenges →

Nouveau template DPIA de l’EDPB : quel avantage pour les architectures data-at-source ?

Le 14 avril 2026, le Comité européen de la protection des données a ouvert à consultation son premier template DPIA harmonisé à l’échelle de l’UE. Derrière la promesse de simplification administrative, une bascule méthodologique plus silencieuse : la séparation entre les risques de conception et les risques d’incident. Une distinction qui redistribue les cartes entre les plateformes qui protègent les données, et celles qui conçoivent l’absence de risque.

L’harmonisation que les DPO attendaient depuis 2018

Le 14 avril 2026, l’EDPB a rendu public son premier template harmonisé de Data Protection Impact Assessment, adopté en version 1.0 dès le 10 mars par procédure écrite. Le document est ouvert à consultation publique jusqu’au 9 juin 2026. Après cette date, toutes les autorités européennes (CNIL incluse) devront l’adopter comme modèle unique, ou comme méta-modèle avec lequel leurs templates nationaux devront rester compatibles.

Pour les DPO qui gèrent des traitements transfrontaliers, c’est la fin d’une fragmentation qui durait depuis sept ans. Jusqu’ici, une DPIA structurée selon une approche nationale n’était pas nécessairement reconnue par une autre autorité. Le template EDPB met fin à cette asymétrie.

C’est la lecture consensuelle du texte. Elle est juste, mais elle passe à côté de l’essentiel.

Deux risques, deux sections, deux logiques

La vraie innovation du template 2026 n’est pas formelle. Elle est méthodologique. Pour la première fois dans un document opposable à l’échelle européenne, le template distingue deux natures de risques que la plupart des méthodologies DPIA de la première génération mélangeaient dans une matrice unique.

Dans la section 3, le contrôleur documente les risques inhérents au traitement lui-même. Ceux qui existent même si tout fonctionne parfaitement, si aucune configuration ne dérape, si aucun attaquant n’entre dans le système. Centralisation des données, durées de conservation étendues, identifiants persistants, combinaison de jeux hétérogènes. Ces risques sont des conséquences de choix architecturaux, pas d’événements.

Dans la section 4, séparément, on documente les risques opérationnels. Bugs, mauvaises configurations, erreurs humaines, accès abusifs, attaques externes. Ce sont les risques d’incident.

Cette séparation paraît technique. Elle est en réalité politique. Elle force une question que les DPIA de la première génération éludaient régulièrement : cette architecture est-elle compatible avec les droits et libertés des personnes, même quand elle fonctionne comme prévu ?

Autrement dit, avant même de parler de sécurité, est-ce que le design lui-même pose problème ? La réponse à cette question ne se trouve pas dans la qualité des pare-feux. Elle se trouve dans le plan d’architecture.

Quand la sécurité ne répare pas la conception

La réponse, pour un grand nombre d’architectures actuelles, est inconfortable. Un data lake construit autour d’un stockage centralisé long-durée, même parfaitement opéré, porte des risques structurels qui se documentent désormais dans une section à part, sans que l’ajout de mesures opérationnelles n’y réponde.

Le chiffrement ne transforme pas une rétention de dix ans en une absence de rétention. Le contrôle d’accès ne rend pas anodin le fait de concentrer en un endroit unique les données sensibles de millions de personnes. La section 3 du template obligera à documenter ces choix pour eux-mêmes.

Les plateformes qui ont grandi sur le modèle « collecter largement, stocker durablement, protéger intensivement » vont devoir affronter ce miroir. Ce n’est pas une accusation, c’est un constat. Le template EDPB n’invente rien : il rend explicite ce que l’article 25 du RGPD demandait depuis 2018. Mais il le rend explicite dans une section dédiée, traçable, comparable d’un dossier à l’autre.

L’autre miroir : les architectures qui n’ont rien à stocker

Le miroir renvoie une image très différente quand on regarde des architectures conçues autrement.

Une plateforme qui traite les données pendant leur transport, sans les déplacer ni les stocker, compresse par conception la section 3 du template. Il n’y a pas de centralisation à documenter, parce qu’il n’y a pas de centralisation. Il n’y a pas de durée de rétention à justifier, parce que le traitement est in-transit. Les jeux combinés ne laissent pas de trace persistante, parce que la combinaison se dissout avec le contexte d’usage. Les identifiants persistants disparaissent, parce que la plateforme n’en fabrique pas.

C’est le principe de la technologie DataCell d’iD4Connect : chaque unité de traitement agit sur la donnée pendant son transit, puis la libère. Rien ne persiste côté plateforme. DataGraph assure l’intelligence contextuelle, qui se dissout avec le contexte d’usage. L’architecture n’est pas une couche de protection ajoutée sur une topologie classique. C’est une autre topologie (voir l’architecture complète).

Et la section 4, sur les incidents ? Elle reste à remplir, bien sûr. Aucune architecture ne dispense d’analyser ses propres défaillances. Mais quand l’actif à défendre n’inclut ni data lake ni warehouse, la question « que se passe-t-il si un attaquant entre » change de nature. Il n’y a pas de patrimoine à exfiltrer hors des sources, qui restent dans le périmètre du contrôleur d’origine avec leurs propres mesures.

Une architecture qui n’a rien à perdre ne se défend pas comme une architecture qui a tout à protéger.

Cinq questions pour tester votre DPIA actuelle

Avant la finalisation du template en juin, il peut être utile de passer votre DPIA actuelle, ou votre dernière revue, au filtre de cinq questions. Elles ne remplacent pas une analyse de conformité, mais elles donnent un signal rapide.

  1. Votre section sur les risques distingue-t-elle clairement ceux qui viennent de la conception du traitement et ceux qui viennent d’incidents opérationnels, ou les deux sont-ils traités dans une matrice unique ?
  2. Quand vous décrivez vos mesures au titre de l’article 25 (data protection by design), s’agit-il de paramétrages ajoutés sur une architecture existante, ou de propriétés intrinsèques de l’architecture elle-même ?
  3. Si une autorité vous demandait demain : « que se passerait-il pour les personnes concernées si toute l’architecture fonctionnait parfaitement, sans incident aucun », votre réponse serait-elle courte ou longue ?
  4. Votre inventaire d’actifs (section 1.3 du template) comprend-il des composants de stockage long-durée qui existent principalement pour des raisons d’historique, et dont la valeur métier serait dure à défendre aujourd’hui ?
  5. Si vous recommenciez l’architecture à zéro, avec les standards 2026 en tête, choisiriez-vous la même topologie de données, ou une autre ?

Ces questions ne se posaient pas dans les mêmes termes il y a un an. Elles vont se poser dans ces termes pendant les cinq prochaines.

Selon votre rôle, ce que cela change

Pour un DPO : à mission égale, le volume de documentation nécessaire dépend désormais du type d’architecture. Défendre une DPIA devant l’autorité devient mécaniquement plus simple quand l’architecture sous-jacente n’oblige pas à justifier chaque risque structurel par une mesure compensatoire.

Pour un RSSI : un nouveau type d’outil entre dans la conversation. Non pas un produit de sécurité additionnel, mais une architecture de données qui réduit mécaniquement la surface à défendre. « Une donnée qu’on ne peut pas voler n’a pas besoin d’être défendue » cesse d’être un aphorisme pour devenir une catégorie documentaire.

Pour un DSI ou un CTO : un arbitrage économique se formalise. Les plateformes d’analytique centralisée ont un coût d’opération et un coût de conformité. Jusqu’ici, le second restait diffus, inégal, difficile à chiffrer. Le template EDPB le rend visible section par section. Dans les secteurs régulés (finance & banque, santé, énergie, secteur public), où chaque DPIA est documentée, auditée et revue, cet arbitrage cesse d’être théorique.

Pour une autorité de régulation : un critère de différenciation gagne en lisibilité. Les architectures qui incarnent l’article 25 par conception et non par paramétrage ont désormais un langage commun pour le démontrer, et un langage pour les autorités pour le reconnaître.

Contribuer à la consultation, pendant qu’elle est ouverte

La consultation EDPB est ouverte jusqu’au 9 juin. Toute contribution sera publiée sur le site de l’autorité.

Nous pensons que le template gagnerait à reconnaître explicitement, dans sa section sur le data protection by design, la catégorie des architectures data-at-source et stateless. Non pas parce qu’elles seraient meilleures en soi (ce jugement appartient aux contrôleurs et à leurs autorités), mais parce qu’elles transforment qualitativement, et non quantitativement, le profil de risque d’un traitement.

C’est pourquoi nous invitons les DPO, juristes, intégrateurs et éditeurs qui ont une expérience concrète de ces architectures à participer à la consultation. Une consultation publique n’est utile que si ceux qui font le travail prennent la peine d’écrire.

Dans six semaines, le template sera finalisé. Dans quelques mois, il sera la référence opposable à tous les éditeurs de plateformes de données présents en Europe. Deux questions se posent à ce moment-là, une technique et une stratégique. La première, nous venons de la poser.

La seconde est plus simple : et si vous recommenciez l’architecture demain, choisiriez-vous la même ?

Le template DPIA de l’EDPB n’invente aucune obligation nouvelle. Il rend simplement lisible ce que l’article 25 du RGPD demandait depuis 2018 : séparer ce qui relève de la conception du traitement et ce qui relève de l’incident. Dans cette grille de lecture, les architectures qui ne stockent pas les données n’ont pas à compenser leur design par des mesures : elles réduisent mécaniquement le périmètre à documenter. D’ici juin, ce ne sera plus une intuition. Ce sera un format opposable.

Découvrez comment iD4Connect adresse ces enjeux →

El 95 % de los proyectos de IA fracasan. Y no es un problema de tecnología.

Las empresas invirtieron 40.000 millones de dólares en IA en 2025. Resultado: el 95 % de ellas no tiene ningún retorno de inversión medible. El culpable no son los modelos, ni las GPU, ni los proveedores. Es el dato en sí mismo: su calidad, su gobernanza, su frescura. Mientras las empresas alimenten sus motores de IA con datos fragmentados, duplicados y no gobernados, la inteligencia artificial seguirá siendo una promesa costosa.

La paradoja de los 40.000 millones

La cifra es brutal. Según los datos recopilados por HPCWire y confirmados por varios analistas, el 95 % de las organizaciones no tiene retorno de inversión medible en sus proyectos piloto de IA (fuente: MIT, The GenAI Divide: State of AI in Business 2025). No «insuficiente». No «en proceso de medición». No medible.

Paralelamente, McKinsey estima el coste de la infraestructura IA mundial en 7 billones de dólares para 2030 (fuente: McKinsey). Siete billones. Para proyectos cuya práctica totalidad no genera hoy ningún valor demostrable.

La pregunta ya no es «se debe invertir en IA?». Ahora es: ¿por qué la IA no funciona cuando los datos que la alimentan son deficientes?

El verdadero cuello de botella: el dato, no el modelo

Los análisis convergen en un diagnóstico preciso. El bloqueo principal de los proyectos de IA no es tecnológico. Es un déficit de calidad y gobernanza de los datos.

Tres cifras ilustran esta realidad mejor que cualquier discurso:

89 % de los directivos declaran confiar en la IA solo si los datos subyacentes están verificados y son fiables (fuente: BigDATAwire / Harris Poll). La confianza en el dato se ha convertido en el primer criterio de adopción de la IA en la empresa.

79 % de los equipos de seguridad tienen dificultades para clasificar los datos sensibles en los proyectos de IA (fuente: Bedrock Security, 2025 Enterprise Data Security Confidence Index). Es decir, cuatro de cada cinco equipos de seguridad ni siquiera saben dónde se encuentran los datos críticos antes de inyectarlos en un modelo.

55 % de los equipos se ven obligados a corregir manualmente los resultados de la IA (fuente: BigDATAwire / Harris Poll). Más de la mitad del trabajo producido por la inteligencia artificial debe rehacerse a mano, lo que anula la ganancia de productividad prometida.

El esquema es el mismo en todos los sectores: las empresas compran un modelo de IA potente, lo conectan a datos fragmentados, obsoletos o no gobernados, y luego se sorprenden de que los resultados sean inutilizables. La IA no está averiada. Está hambrienta.

Por qué las arquitecturas tradicionales fracasan

Para entender el fracaso sistémico, hay que observar cómo llegan hoy los datos a los modelos de IA en la mayoría de las organizaciones.

El pipeline clásico sigue una secuencia bien conocida: extracción de datos de los sistemas fuente, carga en un almacén o un data lake, transformación por lotes y luego exposición a las herramientas analíticas o a los modelos de IA. Cada etapa introduce latencia, duplicación y riesgos de degradación de la calidad.

Este modelo plantea cuatro problemas estructurales que la tecnología IA no puede compensar.

La latencia. Los datos procesados en batch llevan varias horas, incluso varios días de retraso. Un modelo de detección de fraude alimentado con datos de la víspera es estructuralmente ciego ante los ataques en curso.

La duplicación. Cada copia de datos crea una deriva potencial. Cuando el mismo cliente existe en tres versiones diferentes entre el CRM, el ERP y el data lake, el modelo de IA trabaja sobre una realidad ficticia.

La gobernanza post-hoc. Las reglas de calidad y cumplimiento se aplican después del almacenamiento, no durante el tránsito. Los datos incorrectos ya están en el pipeline cuando se descubre el problema.

La superficie de exposición. Cada zona de staging, cada copia intermedia multiplica los puntos de acceso potenciales para un atacante o una auditoría regulatoria no conforme. En un contexto RGPD/DORA/NIS2, cada copia es un riesgo jurídico.

El sistema SYNAPS-I del Departamento de Energía de Estados Unidos demostró recientemente que otro enfoque es posible (fuente: Argonne National Laboratory / DOE): una IA integrada en bucle cerrado con los instrumentos de medición, tomando decisiones durante el propio experimento, y no en posprocesamiento. Este cambio de paradigma, procesar los datos en tiempo real sin almacenamiento intermedio, valida una intuición que la industria comienza a integrar.

La gobernanza by design: resolver el problema en origen

Si el problema es la calidad de los datos aguas arriba de los modelos, la solución no es añadir una capa de validación a posteriori. Es gobernar los datos durante su tránsito, antes de que alcancen el modelo.

Esto es precisamente lo que permite una arquitectura stateless de orquestación de datos. El principio: los datos nunca se almacenan en una zona intermedia. Se procesan, transforman, validan y enriquecen durante su tránsito, y luego se entregan directamente a los consumidores: herramientas BI, modelos de IA, cuadros de mando, alertas. Es el enfoque que iD4Connect defiende desde su origen.

Este enfoque resuelve estructuralmente los cuatro obstáculos identificados.

Latencia eliminada. El procesamiento se realiza en tiempo real, durante el movimiento del dato, no después de su aterrizaje en un almacén.

Cero duplicación. Ninguna copia intermedia, ninguna zona de staging. El dato permanece en su fuente, los insights se producen en tránsito por las DataCells.

Gobernanza nativa. Las reglas de calidad, de cumplimiento RGPD/DORA/NIS2, de anonimización y de trazabilidad se aplican durante el tránsito, no después.

Superficie de exposición reducida a cero. Sin almacenamiento no hay datos que robar, ni copias que auditar, ni riesgo jurídico ligado a una materialización no conforme.

La IA recibe entonces datos frescos, contextualizados y conformes. Exactamente lo que necesita para producir resultados fiables. La gobernanza no es un freno para la IA. Es su condición de funcionamiento.

Lo que hacen los grandes actores, y lo que no pueden hacer

Snowflake y Databricks han comprendido perfectamente lo que está en juego. Las dos plataformas convergen a gran velocidad hacia soluciones integradas datos + IA + gobernanza.

Snowflake acaba de lanzar Project SnowWork (fuente: Snowflake), un plano de control agéntico para coordinar inteligencia, datos y acciones entre aplicaciones SaaS. Databricks ha adquirido dos startups especializadas en seguridad de datos y lanza Lakewatch, un SIEM agéntico sobre lakehouse (fuente: Constellation Research). Ambos actores han puesto simultáneamente Apache Iceberg v3 en disponibilidad general, confirmando la convergencia del mercado hacia formatos abiertos.

Pero esta carrera hacia el «todo en uno» choca con un límite arquitectónico fundamental: estas plataformas se basan en el almacenamiento centralizado de datos. El data lake, el data warehouse, el lakehouse: cualquiera que sea el nombre, el principio es el mismo. Los datos se mueven, se copian y se almacenan antes de ser procesados (ver el posicionamiento de iD4Connect).

Este modelo plantea tres problemas que la sofisticación del software no resuelve.

Residencia de datos. Los datos abandonan su fuente para centralizarse en un cloud, a menudo americano, sometido al Cloud Act. Incluso con regiones europeas, la jurisdicción del operador prevalece.

Latencia estructural. Los casos de uso en tiempo real crítico (detección de fraude, pilotaje industrial, alertas de seguridad) requieren tiempos de respuesta inferiores a 100 ms. El viaje de ida y vuelta a un cloud centralizado no lo permite.

Coste de infraestructura. Almacenar, indexar y gobernar copias de datos es caro. Con una inversión mundial proyectada en 7 billones de dólares, los decisores van a optar por soluciones menos exigentes en infraestructura.

Dato revelador: Snowflake acaba de lanzar una funcionalidad llamada «Resharing», la transformación al vuelo de datos compartidos sin materialización local, presentándola como una innovación. Es precisamente lo que hace nativamente una arquitectura stateless desde su origen.

El contexto regulatorio acelera la urgencia

La presión regulatoria europea no hace sino reforzar esta constatación. En abril de 2026, la CNIL ya ha recibido 739 denuncias relacionadas con las elecciones municipales e iniciado 4 controles con procedimiento sancionador (fuente: CNIL). Los controles prioritarios de 2026 se centran en la contratación, los datos electorales, las federaciones deportivas y la ciberseguridad.

Paralelamente, el AI Act entra en fase de acompañamiento operativo, Gaia-X pasa a la fase operativa con los espacios de datos soberanos, y la DGFiP generó 2.800 millones de euros mediante la exploración de datos y la IA en 2025 (fuente: economie.gouv.fr), ilustrando el auge de los usos de datos en el sector público.

El mensaje para las empresas es claro: el cumplimiento ya no es un coste, es un criterio de selección tecnológica. Las soluciones cuyo cumplimiento es nativo, porque nunca almacenan los datos fuera de su fuente, tienen una ventaja estructural que las plataformas cloud centralizadas no pueden reproducir, ni siquiera añadiendo capas de gobernanza a posteriori (ver la arquitectura de iD4Connect).

Cuatro preguntas para su próximo proyecto de IA

Antes de lanzar o continuar una inversión en IA, cuatro preguntas merecen ser planteadas.

1. ¿Cuál es la frescura real de los datos que alimentan su modelo?

Si sus datos tienen más de unos minutos de retraso, su modelo trabaja sobre una realidad caducada. El tiempo real no es un lujo. Es la condición mínima para que la IA produzca resultados explotables.

2. ¿Cuántas copias de sus datos críticos existen en su pipeline?

Cada copia es una fuente de divergencia, un coste de infraestructura y un riesgo RGPD. Si la respuesta es «más de una», su arquitectura genera incoherencia por construcción.

3. ¿Su gobernanza es nativa o añadida?

Un cumplimiento implementado tras el despliegue depende de la buena voluntad del proveedor. Una gobernanza by design es una propiedad de la propia arquitectura. No puede ser retirada, eludida ni olvidada.

4. ¿Su equipo corrige los resultados de la IA a mano?

Si es así, el problema no es el modelo. Es el dato de entrada. Invertir en un modelo más potente no resolverá nada. Garbage in, garbage out, independientemente del tamaño de la GPU.

El retorno de inversión de la IA no depende del modelo elegido. Depende de la capacidad de alimentar ese modelo con datos frescos, gobernados y conformes, en tiempo real, sin moverlos ni duplicarlos. El 95 % de fracaso no es una fatalidad. Es el síntoma de una arquitectura obsoleta. La solución existe. Se llama orquestación stateless.

Descubra cómo iD4Connect aborda estos desafíos →

95% of AI projects fail. And it’s not a technology problem.

Businesses invested $40 billion in AI in 2025. The result: 95% of them have no measurable return on investment. The culprit is not the models, the GPUs, or the vendors. It is the data itself: its quality, its governance, its freshness. As long as businesses feed their AI engines with fragmented, duplicated and ungoverned data, artificial intelligence will remain an expensive promise.

The $40 billion paradox

The figure is stark. According to data compiled by HPCWire and confirmed by multiple analysts, 95% of organizations have no measurable return on investment on their AI pilot projects (source: MIT, The GenAI Divide: State of AI in Business 2025). Not « insufficient. » Not « being measured. » Not measurable.

Meanwhile, McKinsey estimates the cost of global AI infrastructure at $7 trillion by 2030 (source: McKinsey). Seven trillion dollars. For projects that almost universally generate no demonstrable value today.

The question is no longer « should we invest in AI? » It is now: why does AI fail when the data feeding it is broken?

The real bottleneck: data, not the model

Analyses converge on a precise diagnosis. The main blocker for AI projects is not technological. It is a deficit in data quality and governance.

Three figures illustrate this reality better than any speech:

89% of executives say they only trust AI if the underlying data is verified and reliable (source: BigDATAwire / Harris Poll). Trust in data has become the number one criterion for AI adoption in the enterprise.

79% of security teams struggle to classify sensitive data for AI projects (source: Bedrock Security, 2025 Enterprise Data Security Confidence Index). In other words, four out of five security teams do not even know where critical data resides before injecting it into a model.

55% of teams are forced to manually correct AI outputs (source: BigDATAwire / Harris Poll). More than half of the work produced by artificial intelligence has to be redone by hand, which cancels out the promised productivity gains.

The pattern is the same across all industries: businesses buy a powerful AI model, connect it to fragmented, outdated or ungoverned data, then wonder why the results are unusable. AI is not broken. It is starving.

Why traditional architectures fail

To understand the systemic failure, you need to look at how data reaches AI models today in most organizations.

The classic pipeline follows a well-known sequence: extract data from source systems, load it into a warehouse or data lake, transform it in batches, then expose it to analytics tools or AI models. Each step introduces latency, duplication and quality degradation risks.

This model creates four structural problems that AI technology cannot compensate for.

Latency. Batch-processed data is hours or even days behind. A fraud detection model fed with yesterday’s data is structurally blind to ongoing attacks.

Duplication. Every data copy creates potential drift. When the same customer exists in three different versions across CRM, ERP and data lake, the AI model works on a fictional reality.

Post-hoc governance. Quality and compliance rules are applied after storage, not during transit. Incorrect data is already in the pipeline when the problem is discovered.

Exposure surface. Every staging zone, every intermediate copy multiplies potential access points for an attacker or a non-compliant regulatory audit. In a GDPR/DORA/NIS2 context, every copy is a legal risk.

The SYNAPS-I system from the U.S. Department of Energy recently demonstrated that another approach is possible (source: Argonne National Laboratory / DOE): AI integrated in a closed loop with measurement instruments, making decisions during the experiment itself, not in post-processing. This paradigm shift, processing data in real time without intermediate storage, validates an intuition that industry is beginning to adopt.

Governance by design: solving the problem at the source

If the problem is data quality upstream of models, the solution is not to add a validation layer after the fact. It is to govern data during transit, before it reaches the model.

This is precisely what a stateless data orchestration architecture enables. The principle: data is never stored in an intermediate zone. It is processed, transformed, validated and enriched during transit, then delivered directly to consumers: BI tools, AI models, dashboards, alerts. This is the approach that iD4Connect has championed from the start.

This approach structurally resolves the four obstacles identified.

Latency eliminated. Processing happens in real time, during data movement, not after it lands in a warehouse.

Zero duplication. No intermediate copies, no staging zones. Data stays at its source, insights are produced in transit by DataCells.

Native governance. Quality rules, GDPR/DORA/NIS2 compliance, anonymization and traceability are applied during transit, not after.

Exposure surface reduced to zero. No storage means no data to steal, no copies to audit, no legal risk tied to non-compliant materialization.

AI then receives fresh, contextualized and compliant data. Exactly what it needs to produce reliable results. Governance is not a brake on AI. It is its operating condition.

What the major players are doing, and what they cannot do

Snowflake and Databricks have clearly understood the stakes. Both platforms are converging rapidly toward integrated data + AI + governance solutions.

Snowflake has just launched Project SnowWork (source: Snowflake), an agentic control plane designed to coordinate intelligence, data and actions across SaaS applications. Databricks has acquired two startups specializing in data security and launched Lakewatch, an agentic SIEM on lakehouse (source: Constellation Research). Both players have simultaneously made Apache Iceberg v3 generally available, confirming the market’s convergence toward open formats.

But this race to « all-in-one » hits a fundamental architectural limit: these platforms rely on centralized data storage. The data lake, the data warehouse, the lakehouse: whatever the name, the principle is the same. Data is moved, copied and stored before being processed (see iD4Connect’s positioning).

This model creates three problems that software sophistication cannot solve.

Data residency. Data leaves its source to be centralized in a cloud, often American, subject to the Cloud Act. Even with European regions, the operator’s jurisdiction prevails.

Structural latency. Critical real-time use cases (fraud detection, industrial control, security alerts) require response times below 100 ms. The round trip to a centralized cloud does not allow this.

Infrastructure cost. Storing, indexing and governing data copies is expensive. With a global investment projected at $7 trillion, decision-makers will favor solutions that are less infrastructure-intensive.

A revealing fact: Snowflake has just launched a feature called « Resharing, » the on-the-fly transformation of shared data without local materialization, presenting it as an innovation. This is precisely what a stateless architecture has done natively since its inception.

The regulatory context accelerates urgency

European regulatory pressure only reinforces this observation. In April 2026, the CNIL has already received 739 reports related to municipal elections and initiated 4 investigations with sanction procedures (source: CNIL). Priority controls for 2026 target recruitment, electoral data, sports federations and cybersecurity.

Meanwhile, the AI Act is entering its operational support phase, Gaia-X is moving to its operational phase with sovereign data spaces, and the DGFiP generated 2.8 billion euros through data exploration and AI in 2025 (source: economie.gouv.fr), illustrating the rise of data use in the public sector.

The message for businesses is clear: compliance is no longer a cost, it is a technology selection criterion. Solutions whose compliance is native, because they never store data outside its source, have a structural advantage that centralized cloud platforms cannot replicate, even by adding governance layers after the fact (see iD4Connect architecture).

Four questions to ask about your next AI project

Before launching or continuing an AI investment, four questions are worth asking.

1. How fresh is the data feeding your model?

If your data is more than a few minutes behind, your model is working on an outdated reality. Real time is not a luxury. It is the minimum condition for AI to produce usable results.

2. How many copies of your critical data exist in your pipeline?

Every copy is a source of divergence, an infrastructure cost and a GDPR risk. If the answer is « more than one, » your architecture generates inconsistency by construction.

3. Is your governance native or bolted on?

Compliance implemented after deployment depends on the vendor’s goodwill. Governance by design is a property of the architecture itself. It cannot be removed, bypassed or forgotten.

4. Does your team manually correct AI outputs?

If so, the problem is not the model. It is the input data. Investing in a more powerful model will solve nothing. Garbage in, garbage out, regardless of GPU size.

The return on investment of AI does not depend on the model chosen. It depends on the ability to feed that model with fresh, governed and compliant data, in real time, without moving or duplicating it. The 95% failure rate is not inevitable. It is the symptom of an obsolete architecture. The solution exists. It is called stateless orchestration.

Discover how iD4Connect addresses these challenges →

95 % des projets IA échouent. Et ce n’est pas un problème de technologie.

Les entreprises ont investi 40 milliards de dollars dans l’IA en 2025. Résultat : 95 % d’entre elles n’ont aucun retour sur investissement mesurable. Le coupable n’est ni les modèles, ni les GPU, ni les éditeurs. C’est la donnée elle-même : sa qualité, sa gouvernance, sa fraîcheur. Tant que les entreprises alimenteront leurs moteurs d’IA avec des données fragmentées, dupliquées et non gouvernées, l’intelligence artificielle restera une promesse coûteuse.

Le paradoxe des 40 milliards

Le chiffre est brutal. Selon les données compilées par HPCWire et confirmées par plusieurs analystes, 95 % des organisations n’ont pas de retour sur investissement mesurable sur leurs projets pilotes d’IA (source : MIT, The GenAI Divide: State of AI in Business 2025). Pas « insuffisant ». Pas « en cours de mesure ». Pas mesurable.

Parallèlement, McKinsey estime le coût de l’infrastructure IA mondiale à 7 000 milliards de dollars d’ici 2030 (source : McKinsey). Sept mille milliards. Pour des projets dont la quasi-totalité ne génère aujourd’hui aucune valeur démontrable.

La question n’est plus « faut-il investir dans l’IA ? ». Elle est désormais : pourquoi l’IA ne fonctionne pas quand les données qui l’alimentent sont défaillantes ?

Le vrai goulot d’étranglement : la donnée, pas le modèle

Les analyses convergent sur un diagnostic précis. Le blocage principal des projets IA n’est pas technologique. C’est un déficit de qualité et de gouvernance des données.

Trois chiffres éclairent cette réalité mieux que n’importe quel discours :

89 % des dirigeants déclarent ne faire confiance à l’IA que si les données sous-jacentes sont vérifiées et fiables (source : BigDATAwire / Harris Poll). La confiance dans la donnée est devenue le premier critère d’adoption de l’IA en entreprise.

79 % des équipes de sécurité peinent à classifier les données sensibles pour les projets d’IA (source : Bedrock Security, 2025 Enterprise Data Security Confidence Index). Autrement dit, quatre équipes sécurité sur cinq ne savent même pas où se trouvent les données critiques avant de les injecter dans un modèle.

55 % des équipes sont contraintes de corriger manuellement les résultats de l’IA (source : BigDATAwire / Harris Poll). Plus de la moitié du travail produit par l’intelligence artificielle doit être repris à la main, ce qui annule le gain de productivité promis.

Le schéma est le même dans tous les secteurs : les entreprises achètent un modèle d’IA performant, le connectent à des données fragmentées, obsolètes ou non gouvernées, puis s’étonnent que les résultats soient inutilisables. L’IA n’est pas défaillante. Elle est affamée.

Pourquoi les architectures traditionnelles échouent

Pour comprendre l’échec systémique, il faut regarder comment les données arrivent aujourd’hui jusqu’aux modèles d’IA dans la plupart des organisations.

Le pipeline classique suit une séquence bien connue : extraction des données depuis les systèmes sources, chargement dans un entrepôt ou un data lake, transformation par lots, puis exposition aux outils analytiques ou aux modèles d’IA. Chaque étape introduit de la latence, de la duplication et des risques de dégradation de la qualité.

Ce modèle pose quatre problèmes structurels que la technologie IA ne peut pas compenser.

La latence. Les données traitées en batch ont plusieurs heures, voire plusieurs jours de retard. Un modèle de détection de fraude alimenté avec des données de la veille est structurellement aveugle aux attaques en cours.

La duplication. Chaque copie de données crée une dérive potentielle. Quand le même client existe dans trois versions différentes entre le CRM, l’ERP et le data lake, le modèle d’IA travaille sur une réalité fictive.

La gouvernance post-hoc. Les règles de qualité et de conformité sont appliquées après le stockage, pas pendant le transit. Les données incorrectes sont déjà dans le pipeline quand on découvre le problème.

La surface d’exposition. Chaque zone de staging, chaque copie intermédiaire multiplie les points d’accès potentiels pour un attaquant ou un audit réglementaire non conforme. Dans un contexte RGPD/DORA/NIS2, chaque copie est un risque juridique.

Le système SYNAPS-I du Département américain de l’Énergie a récemment démontré qu’une autre approche est possible (source : Argonne National Laboratory / DOE) : une IA intégrée en boucle fermée avec les instruments de mesure, prenant des décisions pendant l’expérience elle-même, et non en post-traitement. Ce changement de paradigme, traiter les données en temps réel sans stockage intermédiaire, valide une intuition que l’industrie commence à intégrer.

La gouvernance by design : résoudre le problème à la source

Si le problème est la qualité des données en amont des modèles, la solution n’est pas d’ajouter une couche de validation après coup. C’est de gouverner les données pendant leur transit, avant qu’elles n’atteignent le modèle.

C’est précisément ce que permet une architecture stateless d’orchestration des données. Le principe : les données ne sont jamais stockées dans une zone intermédiaire. Elles sont traitées, transformées, validées et enrichies pendant leur transit, puis délivrées directement aux consommateurs : outils BI, modèles d’IA, tableaux de bord, alertes. C’est l’approche que porte iD4Connect depuis l’origine.

Cette approche résout structurellement les quatre obstacles identifiés.

Latence éliminée. Le traitement se fait en temps réel, pendant le mouvement de la donnée, pas après son atterrissage dans un entrepôt.

Zéro duplication. Aucune copie intermédiaire, aucune zone de staging. La donnée reste à sa source, les insights sont produits en transit par les DataCells.

Gouvernance native. Les règles de qualité, de conformité RGPD/DORA/NIS2, d’anonymisation et de traçabilité s’appliquent pendant le transit, pas après.

Surface d’exposition réduite à zéro. Pas de stockage, donc pas de données à voler, pas de copie à auditer, pas de risque juridique lié à une matérialisation non conforme.

L’IA reçoit alors des données fraîches, contextualisées et conformes. Exactement ce dont elle a besoin pour produire des résultats fiables. La gouvernance n’est pas un frein à l’IA. C’est sa condition de fonctionnement.

Ce que font les grands acteurs, et ce qu’ils ne peuvent pas faire

Snowflake et Databricks ont parfaitement compris l’enjeu. Les deux plateformes convergent à grande vitesse vers des solutions intégrées données + IA + gouvernance.

Snowflake vient de lancer Project SnowWork (source : Snowflake), un plan de contrôle agentique visant à coordonner intelligence, données et actions entre applications SaaS. Databricks a acquis deux startups spécialisées en sécurité des données et lance Lakewatch, un SIEM agentique sur lakehouse (source : Constellation Research). Les deux acteurs ont simultanément mis Apache Iceberg v3 en disponibilité, confirmant la convergence du marché vers des formats ouverts.

Mais cette course au « tout-en-un » bute sur une limite architecturale fondamentale : ces plateformes reposent sur le stockage centralisé des données. Le data lake, le data warehouse, le lakehouse : quel que soit le nom, le principe est le même. Les données sont déplacées, copiées et stockées avant d’être traitées (voir le positionnement d’iD4Connect).

Ce modèle pose trois problèmes que la sophistication logicielle ne résout pas.

Résidence des données. Les données quittent leur source pour être centralisées dans un cloud, souvent américain, soumis au Cloud Act. Même avec des régions européennes, la juridiction de l’opérateur prime.

Latence structurelle. Les cas d’usage temps réel critique (détection de fraude, pilotage industriel, alertes de sécurité) nécessitent des temps de réponse inférieurs à 100 ms. L’aller-retour vers un cloud centralisé ne le permet pas.

Coût d’infrastructure. Stocker, indexer et gouverner des copies de données coûte cher. Avec un investissement mondial projeté à 7 000 milliards de dollars, les décideurs vont arbitrer en faveur de solutions moins gourmandes en infrastructure.

Fait révélateur : Snowflake vient de lancer une fonctionnalité baptisée « Resharing », la transformation à la volée de données partagées sans matérialisation locale, en la présentant comme une innovation. C’est précisément ce que fait nativement une architecture stateless depuis son origine.

Le contexte réglementaire accélère l’urgence

La pression réglementaire européenne ne fait que renforcer ce constat. En avril 2026, la CNIL a déjà reçu 739 signalements liés aux élections municipales et engagé 4 contrôles avec procédure de sanction (source : CNIL). Les contrôles prioritaires de 2026 ciblent le recrutement, les données électorales, les fédérations sportives et la cybersécurité.

Parallèlement, l’AI Act entre en phase d’accompagnement opérationnel, Gaia-X passe à la phase opérationnelle avec les espaces de données souverains, et la DGFiP a généré 2,8 milliards d’euros via l’exploration de données et l’IA en 2025 (source : economie.gouv.fr), illustrant la montée en puissance des usages data dans le secteur public.

Le message pour les entreprises est clair : la conformité n’est plus un coût, c’est un critère de sélection technologique. Les solutions dont la conformité est native, parce qu’elles ne stockent jamais les données en dehors de leur source, ont un avantage structurel que les plateformes cloud centralisées ne peuvent pas reproduire, même en ajoutant des couches de gouvernance après coup (voir l’architecture iD4Connect).

Le retour sur investissement de l’IA ne dépend pas du modèle choisi. Il dépend de la capacité à alimenter ce modèle avec des données fraîches, gouvernées et conformes, en temps réel, sans les déplacer ni les dupliquer. Les 95 % d’échec ne sont pas une fatalité. Ce sont le symptôme d’une architecture obsolète. La solution existe. Elle s’appelle l’orchestration stateless.

Découvrez comment iD4Connect adresse ces enjeux →

El 80 % de los datos empresariales nunca se explotan: ¿por qué y cómo remediarlo?

Las empresas generan volúmenes de datos sin precedentes. Explotan menos del 20 %. El resto (logs, archivos, datos IoT, historiales de transacciones, intercambios con clientes) permanece en servidores, cuesta miles de euros en almacenamiento y representa un riesgo creciente de cumplimiento normativo. Este desperdicio masivo no es inevitable. Es el síntoma de una arquitectura pensada para acumular, no para comprender.

La paradoja de la era data: cuanto más se recopila, menos se comprende

El mundo genera actualmente 200 zettabytes de datos al año. Es un volumen difícil de concebir, y sin embargo las empresas son las principales contribuyentes. Cada ERP, cada CRM, cada sensor IoT, cada herramienta de colaboración produce un flujo continuo de información. Pero esta abundancia crea una paradoja: cuanto más se recopila, menos se es capaz de explotar.

Según IBM, aproximadamente el 80 % de los datos empresariales son «dark data», es decir, datos recopilados, almacenados, pero nunca utilizados para ningún análisis o decisión (fuente: IBM). Esta cifra está corroborada por una encuesta de Splunk realizada a más de 1.300 directivos IT, donde el 60 % declara que más de la mitad de sus datos no se utilizan (fuente: FirstEigen / Splunk). En un tercio de las organizaciones, la proporción de datos no identificados supera el 75 % (fuente: Cogent). Y el fenómeno se acelera: el volumen de datos no explotados crece un 20 % anual, impulsado por el IoT, la IA generativa y la multiplicación de fuentes (fuente: DataStackHub).

80 % de los datos empresariales nunca se explotan (IBM)

60 zettabytes de almacenamiento mundial ocupados por datos inactivos (DataStackHub)

52 % del presupuesto medio de almacenamiento se dedica a datos no utilizados (FirstEigen / Veritas)

Por qué tantos datos permanecen en la sombra

Si las empresas no explotan sus datos, no es por falta de voluntad. Es un problema estructural, vinculado a la forma en que las arquitecturas de datos se han diseñado durante los últimos veinte años.

Primer obstáculo: la fragmentación de fuentes. Una empresa mediana típica utiliza entre 10 y 50 sistemas diferentes: ERP, CRM, herramientas de negocio, hojas de cálculo, bases de datos, APIs, flujos IoT. Cada sistema habla su propio idioma, en su propio formato. Según DataStackHub, el 70 % de las organizaciones sufren una fragmentación que impide cualquier fuente de verdad unificada (fuente: DataStackHub). Sin conexión entre sistemas, los datos permanecen prisioneros de sus silos.

Segundo obstáculo: la barrera técnica. Las plataformas de análisis tradicionales exigen competencias especializadas: SQL, Python, administración de data warehouses. Solo los equipos de datos acceden a ellas. Los equipos de negocio, que sin embargo conocen mejor el valor de la información, quedan al margen. Resultado: las preguntas de negocio quedan sin respuesta o tardan semanas en procesarse.

Tercer obstáculo: el propio modelo ETL. Para analizar un dato en una arquitectura clásica, hay que extraerlo, transformarlo y luego cargarlo en un almacén. Este proceso es lento, costoso y rígido. Cada nueva necesidad analítica impone un nuevo pipeline. Los equipos de datos dedican la mayor parte de su tiempo a preparar datos, no a analizarlos.

Cuarto obstáculo: el coste de la exploración. Explorar datos desconocidos es caro cuando cada consulta implica moverlos, duplicarlos y movilizar capacidad de cálculo. Las empresas se concentran entonces en el 20 % de datos ya identificados y dejan que el 80 % restante se acumule en la sombra.

Lo que cuestan los datos que nadie mira

Los dark data no son neutros. Incluso inactivos, cuestan dinero, consumen energía y generan riesgos.

Un coste financiero directo. Los datos no explotados ocupan aproximadamente 60 zettabytes de almacenamiento mundial. A escala empresarial, cada terabyte almacenado sin utilizarse genera costes de almacenamiento cloud, copias de seguridad, mantenimiento y securización. Veritas estima que el 52 % del presupuesto medio de almacenamiento se dedica a dark data (fuente: FirstEigen / Veritas). A escala mundial, esto representa un desperdicio de cientos de miles de millones de dólares cada año.

Un riesgo regulatorio creciente. Los dark data contienen frecuentemente información personal no identificada, y por tanto no protegida conforme al RGPD, DORA o NIS2. Según DataStackHub, el 26 % de las violaciones de datos en 2025 provenían de almacenamientos olvidados o no protegidos (fuente: DataStackHub). Los datos ignorados no son datos sin consecuencias.

Un coste medioambiental masivo. Los centros de datos consumen entre el 2 y el 3 % de la electricidad mundial, con proyecciones que podrían alcanzar el 8 % en 2030. Almacenar datos inútiles moviliza servidores, refrigeración y energía para nada. Según Wikipedia citando al New York Times, el 90 % de la energía utilizada por los centros de datos se desperdicia (fuente: Wikipedia / Dark Data). En un momento en que la sobriedad digital se convierte en un tema de gobernanza, mantener montañas de dark data es difícil de justificar.

Un riesgo de seguridad. Lo que no se ve, no se protege. Y lo que no se protege acaba siendo explotado por otros. IBM recuerda que los dark data crean ángulos muertos en ciberseguridad, ya que a menudo escapan a los protocolos de protección aplicados a los datos críticos (fuente: IBM).

Los dark data no son un residuo: son un yacimiento

La paradoja de los dark data es que no carecen intrínsecamente de valor. Simplemente son inaccesibles con las herramientas actuales. La mayoría son heterogéneos, multiformato, no estructurados, exactamente el tipo de datos que las arquitecturas tradicionales no saben procesar.

Sin embargo, estos datos albergan insights determinantes. Los logs de servidor revelan patrones de uso. Los tickets de soporte esconden señales débiles sobre la satisfacción del cliente. Los datos IoT archivados permiten detectar tendencias de mantenimiento predictivo. Los historiales de transacciones no cruzados contienen oportunidades de venta cruzada.

McKinsey lo ha documentado: las organizaciones más avanzadas en la explotación de sus datos registran una contribución superior al 20 % en su resultado operativo (EBIT) (fuente: McKinsey). Las empresas data-driven son también 23 veces más propensas a adquirir nuevos clientes y 19 veces más propensas a ser rentables (fuente: McKinsey Global Institute). La cuestión no es si estos datos tienen valor, sino cómo acceder a ellos sin reproducir el mismo esquema que los hizo invisibles.

Y es ahí donde el problema de arquitectura vuelve a ser central. Mientras la explotación de un dato exija moverlo a un almacén, transformarlo mediante un pipeline ETL y movilizar un equipo técnico, el coste de exploración de los dark data seguirá siendo prohibitivo. Hay que cambiar de modelo.

Cambiar de modelo: explotar sin centralizar

La solución al problema de los dark data no es un mejor data lake ni un catálogo de metadatos adicional. Estas herramientas son útiles, pero no atacan la causa raíz. La verdadera palanca es arquitectónica: hay que poder interrogar los datos donde se encuentran, sin moverlos.

El procesamiento en origen elimina la barrera principal que mantiene los datos en la sombra. En lugar de imponer un pipeline para cada pregunta analítica, la inteligencia va directamente donde reside el dato. Sin copias, sin almacenamiento intermedio, sin transformación previa pesada. El coste marginal de explorar una nueva fuente cae a prácticamente cero.

Es precisamente el enfoque que ofrece iD4Connect. El middleware decisional se conecta directamente a más de 70 tipos de fuentes diferentes (bases de datos, APIs, archivos, sensores IoT, flujos en tiempo real) y produce análisis sin duplicar nunca los datos.

Las DataCells son unidades autónomas de procesamiento que ejecutan operaciones analíticas directamente en el origen. Cada DataCell funciona de manera independiente, sin necesitar duplicación.

El DataGraph cartografía las relaciones lógicas y de negocio entre las diferentes fuentes de datos. Permite visualizar los vínculos entre sistemas heterogéneos sin centralizarlos, una vista 360° que revela los datos hasta entonces invisibles.

La modelización no-code orientada al negocio pone esta capacidad de exploración en manos de los equipos funcionales, no solo de los ingenieros de datos. Es un cambio fundamental: cuando el negocio puede interrogar directamente los datos, sin ticket Jira ni pipeline de 6 semanas, los dark data ya no tienen razón de permanecer en la sombra.

El valor está en la comprensión, no en la acumulación

Al mundo no le faltan datos. Le falta capacidad para comprenderlos. Las empresas que saldrán adelante en 2026 no serán las que más almacenen, sino las que mejor y más rápido exploten.

Cuando el 80 % de su patrimonio informativo permanece en la sombra, la cuestión no es si hay que actuar. Es cuánto tiempo más puede permitirse no hacerlo.

El valor ya no está en el dato. Está en la capacidad de comprenderlo y explotarlo allí donde se encuentra.

Descubra cómo iD4Connect revela el valor oculto de sus datos →

80% of enterprise data is never used: why, and how to fix it ?

Businesses generate unprecedented volumes of data. They exploit less than 20%. The rest (logs, files, IoT data, transaction histories, customer interactions) sits on servers, costs thousands of euros in storage and represents a growing compliance risk. This massive waste is not inevitable. It is the symptom of an architecture designed to accumulate, not to understand.

The data era paradox: the more we collect, the less we understand

The world now generates 200 zettabytes of data per year. It is a volume that is hard to grasp, yet businesses are the primary contributors. Every ERP, every CRM, every IoT sensor, every collaboration tool produces a continuous flow of information. But this abundance creates a paradox: the more we collect, the less we are able to exploit.

According to IBM, around 80% of enterprise data is « dark data », meaning data that is collected, stored, but never used for any analysis or decision (source: IBM). This figure is corroborated by a Splunk survey of over 1,300 IT leaders, where 60% state that more than half of their data goes unused (source: FirstEigen / Splunk). In a third of organizations, the proportion of unidentified data exceeds 75% (source: Cogent). And the phenomenon is accelerating: the volume of unused data grows by 20% per year, driven by IoT, generative AI and the multiplication of sources (source: DataStackHub).

80% of enterprise data is never exploited (IBM)

60 zettabytes of global storage occupied by dormant data (DataStackHub)

52% of the average enterprise storage budget is spent on unused data (FirstEigen / Veritas)

Why so much data remains in the shadows

If businesses fail to exploit their data, it is not for lack of willingness. It is a structural problem, rooted in the way data architectures have been designed over the past twenty years.

First obstacle: source fragmentation. A typical mid-sized company uses between 10 and 50 different systems: ERP, CRM, business tools, spreadsheets, databases, APIs, IoT feeds. Each system speaks its own language, in its own format. According to DataStackHub, 70% of organizations suffer from fragmentation that prevents any unified source of truth (source: DataStackHub). Without connections between systems, data remains trapped in its silos.

Second obstacle: the technical barrier. Traditional analytics platforms require specialized skills: SQL, Python, data warehouse administration. Only data teams can access them. Business users, who best understand the value of information, are left out. The result: business questions go unanswered, or take weeks to process.

Third obstacle: the ETL model itself. To analyze data in a traditional architecture, you must first extract it, transform it, then load it into a warehouse. This process is slow, expensive and rigid. Every new analytical need requires a new pipeline. Data teams spend most of their time preparing data, not analyzing it.

Fourth obstacle: the cost of exploration. Exploring unknown data is expensive when every query involves moving it, duplicating it and mobilizing computing power. Businesses therefore focus on the 20% of data already identified and let the remaining 80% accumulate in the shadows.

What unused data actually costs

Dark data is not neutral. Even dormant, it costs money, consumes energy and creates risk.

A direct financial cost. Unused data occupies approximately 60 zettabytes of global storage. At the enterprise level, every terabyte stored without being used generates cloud storage fees, backup costs, maintenance and security expenses. Veritas estimates that 52% of the average storage budget is spent on dark data (source: FirstEigen / Veritas). Globally, this represents hundreds of billions of dollars wasted every year.

A growing regulatory risk. Dark data frequently contains unidentified personal information, and therefore information not protected in compliance with GDPR, DORA or NIS2. According to DataStackHub, 26% of data breaches in 2025 originated from forgotten or unprotected storage (source: DataStackHub). Ignored data is not data without consequences.

A massive environmental cost. Data centers consume between 2 and 3% of global electricity, with projections reaching 8% by 2030. Storing useless data ties up servers, cooling and energy for nothing. According to Wikipedia citing the New York Times, 90% of the energy used by data centers is wasted (source: Wikipedia / Dark Data). At a time when digital sobriety is becoming a governance issue, maintaining mountains of dark data is hard to justify.

A security risk. What you cannot see, you cannot protect. And what you do not protect ends up being exploited by others. IBM points out that dark data creates blind spots in cybersecurity, as it often escapes the protection protocols applied to critical data (source: IBM).

Dark data is not waste: it is an untapped resource

The paradox of dark data is that it is not inherently devoid of value. It is simply inaccessible with current tools. Most of it is heterogeneous, multi-format, unstructured, exactly the type of data that traditional architectures cannot process.

Yet this data holds decisive insights. Server logs reveal usage patterns. Support tickets hide weak signals about customer satisfaction. Archived IoT data enables predictive maintenance trend detection. Uncrossed transaction histories contain cross-selling opportunities.

McKinsey has documented it: the most advanced organizations in data exploitation report a contribution of over 20% to their operating income (EBIT) (source: McKinsey). Data-driven companies are also 23 times more likely to acquire new customers and 19 times more likely to be profitable (source: McKinsey Global Institute). The question is not whether this data has value, but how to access it without reproducing the same pattern that made it invisible.

And this is where the architecture problem becomes central again. As long as exploiting data requires moving it to a warehouse, transforming it via an ETL pipeline and mobilizing a technical team, the cost of exploring dark data will remain prohibitive. The model must change.

Changing the model: exploit without centralizing

The solution to the dark data problem is not a better data lake or yet another metadata catalog. These tools are useful, but they do not address the root cause. The real lever is architectural: you need to be able to query data where it resides, without moving it.

Processing at the source eliminates the main barrier that keeps data in the shadows. Instead of requiring a pipeline for every analytical question, intelligence goes directly to where the data lives. No copies, no intermediate storage, no heavy pre-transformation. The marginal cost of exploring a new source drops to near zero.

This is precisely the approach that iD4Connect delivers. The decision-making middleware connects directly to over 70 types of sources (databases, APIs, files, IoT sensors, real-time feeds) and produces analyses without ever duplicating data.

DataCells are autonomous processing units that execute analytical operations directly at the source. Each DataCell operates independently, without requiring duplication.

The DataGraph maps the logical and business relationships between different data sources. It visualizes links between heterogeneous systems without centralizing them, a 360-degree view that reveals previously invisible data.

No-code, business-oriented modeling puts this exploration capability in the hands of functional teams, not just data engineers. This is a fundamental shift: when business users can query data directly, without a Jira ticket or a 6-week pipeline, dark data has no reason to remain in the shadows.

The value lies in understanding, not accumulation

The world does not lack data. It lacks the ability to understand it. The businesses that will come out ahead in 2026 will not be those that store the most, but those that exploit the best, and the fastest.

When 80% of your information assets lie dormant in the shadows, the question is not whether to act. It is how long you can afford not to.

The value is no longer in the data. It is in the ability to understand and exploit it where it resides.

Discover how iD4Connect reveals the hidden value of your data →

80 % des données d’entreprise ne sont jamais exploitées : pourquoi, et comment y remédier ?

Les entreprises génèrent des volumes de données sans précédent. Elles en exploitent moins de 20 %. Le reste (logs, fichiers, données IoT, historiques de transactions, échanges clients) dort sur des serveurs, coûte des milliers d’euros en stockage et représente un risque de conformité croissant. Ce gaspillage massif n’est pas une fatalité. C’est le symptôme d’une architecture pensée pour accumuler, pas pour comprendre.

Le paradoxe de l’ère data : plus on collecte, moins on comprend

Le monde génère désormais 200 zettaoctets de données par an. C’est un volume difficile à concevoir, et pourtant les entreprises en sont les premières contributrices. Chaque ERP, chaque CRM, chaque capteur IoT, chaque outil de collaboration produit un flux continu d’informations. Mais cette abondance crée un paradoxe : plus on collecte, moins on est capable d’exploiter.

Selon IBM, environ 80 % des données d’entreprise sont des « dark data », c’est-à-dire des données collectées, stockées, mais jamais utilisées pour la moindre analyse ou décision (source : IBM). Ce chiffre est corroboré par une enquête de Splunk menée auprès de plus de 1 300 dirigeants IT, où 60 % déclarent que plus de la moitié de leurs données sont inexploitées (source : FirstEigen / Splunk). Chez un tiers des organisations, la proportion de données non identifiées dépasse même 75 % (source : Cogent). Et le phénomène s’accélère : le volume de données non exploitées croît de 20 % par an, porté par l’IoT, l’IA générative et la multiplication des sources (source : DataStackHub).

80 % des données d’entreprise ne sont jamais exploitées (IBM)

60 zettaoctets de stockage mondial occupés par des données dormantes (DataStackHub)

52 % du budget stockage moyen des entreprises est consacré à des données inutilisées (FirstEigen / Veritas)

Pourquoi tant de données restent dans l’ombre

Si les entreprises n’exploitent pas leurs données, ce n’est pas par manque de volonté. C’est un problème structurel, lié à la manière dont les architectures data ont été conçues depuis vingt ans.

Premier obstacle : la fragmentation des sources. Une ETI typique utilise entre 10 et 50 systèmes différents : ERP, CRM, outils métier, tableurs, bases de données, API, flux IoT. Chaque système parle son propre langage, dans son propre format. Selon DataStackHub, 70 % des organisations souffrent d’une fragmentation qui empêche toute source de vérité unifiée (source : DataStackHub). Sans connexion entre les systèmes, la donnée reste prisonnière de ses silos.

Deuxième obstacle : la barrière technique. Les plateformes d’analyse traditionnelles exigent des compétences pointues : SQL, Python, administration de data warehouses. Seules les équipes data y accèdent. Les métiers, qui connaissent pourtant le mieux la valeur de l’information, restent à l’écart. Résultat : les questions business restent sans réponse, ou mettent des semaines à être traitées.

Troisième obstacle : le modèle ETL lui-même. Pour analyser une donnée dans une architecture classique, il faut d’abord l’extraire, la transformer, puis la charger dans un entrepôt. Ce processus est long, coûteux et rigide. Chaque nouveau besoin analytique impose un nouveau pipeline. Les équipes data passent l’essentiel de leur temps à préparer les données, pas à les analyser.

Quatrième obstacle : le coût de l’exploration. Explorer une donnée inconnue coûte cher quand chaque requête implique de la déplacer, de la dupliquer et de mobiliser de la puissance de calcul. Les entreprises se concentrent donc sur les 20 % de données déjà identifiées et laissent les 80 % restants s’accumuler dans l’ombre.

Ce que coûtent les données que personne ne regarde

Les dark data ne sont pas neutres. Même dormantes, elles coûtent de l’argent, consomment de l’énergie et créent des risques.

Un coût financier direct. Les données non exploitées occupent environ 60 zettaoctets de stockage mondial. À l’échelle d’une entreprise, chaque téraoctet stocké sans être utilisé génère des frais de stockage cloud, de sauvegarde, de maintenance et de sécurisation. Veritas estime que 52 % du budget stockage moyen est consacré à des dark data (source : FirstEigen / Veritas). À l’échelle mondiale, cela représente un gaspillage de plusieurs centaines de milliards de dollars chaque année.

Un risque réglementaire croissant. Les dark data contiennent fréquemment des informations personnelles non identifiées, et donc non protégées conformément au RGPD, à DORA ou à NIS2. Selon DataStackHub, 26 % des violations de données en 2025 provenaient de stockages oubliés ou non protégés (source : DataStackHub). Les données ignorées ne sont pas des données sans conséquence.

Un coût environnemental massif. Les datacenters consomment entre 2 et 3 % de l’électricité mondiale, avec des projections pouvant atteindre 8 % d’ici 2030. Stocker des données inutiles mobilise des serveurs, du refroidissement et de l’énergie pour rien. Selon Wikipédia citant le New York Times, 90 % de l’énergie utilisée par les datacenters est gaspillée (source : Wikipedia / Dark Data). À l’heure où la sobriété numérique devient un enjeu de gouvernance, maintenir des montagnes de dark data est difficile à justifier.

Un risque de sécurité. Ce qu’on ne voit pas, on ne le protège pas. Et ce qu’on ne protège pas finit par être exploité par d’autres. IBM rappelle que les dark data créent des angles morts en matière de cybersécurité, car elles échappent souvent aux protocoles de protection appliqués aux données critiques (source : IBM).

Les dark data ne sont pas un déchet : elles sont un gisement

Le paradoxe des dark data, c’est qu’elles ne sont pas intrinsèquement dépourvues de valeur. Elles sont simplement inaccessibles avec les outils actuels. La plupart sont hétérogènes, multi-formats, non structurées, exactement le type de données que les architectures traditionnelles ne savent pas traiter.

Pourtant, ces données recèlent des insights déterminants. Les logs de serveur révèlent des patterns d’usage. Les tickets de support cachent des signaux faibles sur la satisfaction client. Les données IoT archivées permettent de détecter des tendances de maintenance prédictive. Les historiques de transactions non croisés recèlent des opportunités de cross-selling.

McKinsey l’a documenté : les organisations les plus avancées dans l’exploitation de leurs données enregistrent une contribution de plus de 20 % à leur résultat opérationnel (EBIT) (source : McKinsey). Les entreprises data-driven sont aussi 23 fois plus susceptibles d’acquérir de nouveaux clients et 19 fois plus susceptibles d’être rentables (source : McKinsey Global Institute). La question n’est donc pas de savoir si ces données ont de la valeur, mais comment y accéder sans reproduire le même schéma qui les a rendues invisibles.

Et c’est là que le problème d’architecture redevient central. Tant que l’exploitation d’une donnée exige de la déplacer dans un entrepôt, de la transformer via un pipeline ETL et de mobiliser une équipe technique, le coût d’exploration des dark data restera prohibitif. Il faut changer de modèle.

Changer de modèle : exploiter sans centraliser

La solution au problème des dark data n’est pas un meilleur data lake ni un catalogue de métadonnées supplémentaire. Ces outils sont utiles, mais ils ne s’attaquent pas à la cause racine. Le vrai levier est architectural : il faut pouvoir interroger les données là où elles se trouvent, sans les déplacer.

Le traitement à la source élimine la barrière principale qui maintient les données dans l’ombre. Au lieu d’imposer un pipeline pour chaque question analytique, l’intelligence va directement là où la donnée réside. Pas de copie, pas de stockage intermédiaire, pas de transformation préalable lourde. Le coût marginal d’exploration d’une nouvelle source tombe à quasi zéro.

C’est précisément l’approche que porte iD4Connect. Le middleware décisionnel se connecte directement à plus de 70 types de sources différentes (bases de données, API, fichiers, capteurs IoT, flux temps réel) et produit des analyses sans jamais dupliquer les données.

Les DataCells sont des unités autonomes de traitement qui exécutent des opérations analytiques directement à la source. Chaque DataCell fonctionne de manière indépendante, sans nécessiter de duplication.

Le DataGraph cartographie les relations logiques et métiers entre les différentes sources de données. Il permet de visualiser les liens entre des systèmes hétérogènes sans les centraliser, une vue 360° qui révèle les données jusque-là invisibles.

La modélisation no-code orientée métier met cette capacité d’exploration entre les mains des équipes fonctionnelles, pas seulement des data engineers. C’est un changement fondamental : quand le métier peut interroger directement les données, sans ticket Jira ni pipeline de 6 semaines, les dark data n’ont plus de raison de rester dans l’ombre.

La valeur est dans la compréhension, pas dans l’accumulation

Le monde ne manque pas de données. Il manque de capacité à les comprendre. Les entreprises qui tireront leur épingle du jeu en 2026 ne seront pas celles qui stockent le plus, mais celles qui exploitent le mieux, et le plus vite.

Quand 80 % de votre patrimoine informationnel dort dans l’ombre, la question n’est pas de savoir s’il faut agir. C’est de savoir combien de temps vous pouvez encore vous permettre de ne pas le faire.

La valeur n’est plus dans la donnée. Elle est dans la capacité à la comprendre et à l’exploiter là où elle se trouve.

Découvrir comment iD4Connect révèle la valeur cachée de vos données →

Ciberataques: ¿qué es una falla zero-day y por qué debería importarle?

En 2026, el panorama de la ciberseguridad está cambiando. Según el informe anual de amenazas de Google, casi la mitad de las fallas zero-day explotadas en 2025 apuntaban a software empresarial, y no cualquier software: los mismos firewalls, VPN y plataformas de seguridad que las empresas despliegan para protegerse. Para las empresas en sectores regulados, esto plantea una pregunta fundamental: si sus defensas pueden convertirse en el punto de entrada, ¿qué protege realmente sus datos?

Una falla zero-day es una vulnerabilidad que ningún fabricante ha descubierto todavía y para la cual no existe ningún parche. Por definición, ni su antivirus, ni su firewall, ni ninguna regla de detección puede interceptarla. El atacante la conoce. Usted, no.

En 2025, Google identificó 90 de estas fallas explotadas activamente, un aumento del 15% respecto a 2024 (fuente: Google GTIG). Pero la cifra más llamativa está en otro lugar: casi la mitad de estas fallas apuntaban a software empresarial (fuente: TechCrunch). Firewalls, VPN, plataformas de virtualización: las herramientas que las empresas compran precisamente para protegerse.

Para las empresas en sectores regulados (finanzas, salud, energía, sector público), esto cambia las reglas del juego. Si las herramientas de defensa se convierten en vectores de ataque, la pregunta ya no es solo « ¿cómo protegernos mejor? » sino « ¿qué encontraría un atacante si lograra entrar? »

El software que lo protege es el primero en ser atacado

Es la conclusión principal del informe anual de Google sobre amenazas, publicado en marzo de 2026. Cisco, Fortinet, Ivanti y VMware figuran entre los proveedores más atacados. Todos confirmaron que atacantes habían explotado sus productos en las redes de sus clientes (fuente: TechCrunch).

¿Por qué estas herramientas en particular? Porque cumplen todos los requisitos desde la perspectiva de un atacante. Están desplegadas en todas partes. Tienen derechos de acceso elevados en la red. Y sobre todo, la mayoría de los equipos de borde (routers, switches, appliances de seguridad) no están cubiertos por las soluciones de detección clásicas (fuente: Google GTIG). En la práctica, esto significa que un atacante puede introducirse sin activar ninguna alerta.

Y las fallas explotadas ni siquiera son particularmente sofisticadas. Google señala problemas conocidos desde hace años: formularios que no verifican correctamente lo que reciben, procesos de autorización incompletos (fuente: Google GTIG). Errores básicos, pero presentes en software crítico utilizado por miles de organizaciones.

No es la entrada la que causa el daño. Es lo que se encuentra adentro.

Frente a una falla zero-day, ninguna protección puede garantizar que el atacante nunca entrará. La verdadera pregunta entonces es: una vez adentro, ¿a qué tiene acceso?

En la mayoría de las empresas, la respuesta es: a mucho. Los datos están agrupados en almacenes centralizados, copiados en bases de prueba, replicados para BI, duplicados en cachés de aplicaciones. Cada copia es un objetivo adicional. Cada capa de almacenamiento es un botín más al alcance de la mano.

¿Un ejemplo concreto? En 2025, el grupo Clop explotó fallas en Oracle E-Business Suite para extraer datos de recursos humanos de decenas de organizaciones, incluyendo Harvard y el Washington Post (fuente: TechCrunch). El ataque no tenía nada de extraordinario en el plano técnico. Fue el volumen de datos accesibles lo que determinó la gravedad del incidente.

Para una empresa sujeta al RGPD, NIS2, DORA o a las exigencias HDS, la consecuencia es directa: la magnitud de una violación se mide por lo que estaba almacenado, copiado, duplicado. Cuanto menos almacena, menos expone.

Lo que dicen las cifras

90 fallas zero-day explotadas en 2025, frente a 78 en 2024. Un atacante solo necesita una. (Google GTIG)

48% apuntaban a software empresarial, un récord histórico. Y la mitad de esas fallas apuntaban específicamente a herramientas de seguridad y de red. (Google GTIG / TechCrunch)

10% de las intervenciones de la ANSSI en 2025 involucraban al sector salud, el 3er sector más afectado en Francia. (ANSSI, Panorama 2025)

128 compromisos por ransomware reportados a la ANSSI durante el año, principalmente en pymes, administraciones locales y hospitales. (ANSSI)

¿Agregar más protecciones o repensar la arquitectura?

El reflejo habitual frente a este tipo de informe es invertir en nuevas herramientas. Un nuevo firewall. Un EDR más potente. Una capa de detección adicional. No es inútil, pero equivale a agregar cerraduras en una puerta sin preguntarse qué hay en la habitación.

El propio Google recomienda diseñar las arquitecturas con una segmentación nativa y accesos mínimos integrados desde la concepción (fuente: Google GTIG). Es decir: en lugar de intentar bloquear todas las intrusiones (lo cual es imposible frente a un zero-day), diseñar sistemas donde una intrusión no lleve a ninguna parte.

Es exactamente el enfoque de iD4Connect. Los datos nunca se almacenan ni se duplican. Se procesan durante su tránsito a través de DataCells autónomas, y luego se liberan. El DataGraph orquesta los flujos en tiempo real. Nada persiste, nada se acumula.

Imagine un ladrón que fuerza una cerradura y entra en una casa vacía. Ese es el principio. No es que los datos no existan: circulan, se analizan, producen resultados. Pero nunca están depositados en algún lugar esperando a que alguien venga a llevárselos.

Este enfoque no reemplaza ni su SIEM, ni su EDR, ni su firewall. Sus herramientas de ciberseguridad siguen haciendo su trabajo. Pero en lugar de proteger una caja fuerte llena de datos, protegen un perímetro donde estructuralmente no hay nada que robar.

Tres preguntas para hacerle a su CTO

1. ¿Cuántas copias de nuestros datos existen en este momento? Bases de producción, réplicas, exportaciones BI, entornos de prueba, cachés de aplicaciones. Cada copia es un objetivo. Cada copia amplía el alcance de una violación. Y en muchas organizaciones, nadie tiene la cifra exacta.

2. ¿Qué pasaría si un atacante traspasara nuestras defensas hoy? No « ¿podría entrar? » (la respuesta siempre es sí, tarde o temprano), sino « ¿qué encontraría? ». Si la respuesta es « meses o años de datos centralizados en un solo lugar », el riesgo es máximo.

3. ¿Nuestra conformidad normativa sobreviviría a un cambio de proveedor? Una conformidad que depende de la buena configuración de un tercero es frágil. Una conformidad integrada en la arquitectura no depende de nadie. RGPD, NIS2, DORA, HDS: todo cubierto por diseño, desde el primer día (más información).