Oracle veut faire de sa base de données un couteau suisse pour l’IA agentique

Un peu plus d’interopérabilité que par le passé

Oui. Oracle parle de réversibilité. Et c’est un fil conducteur d’autres annonces liées à cette mise à jour d’Oracle AI Database 26ai.

D’abord, le célèbre SGBD prend en charge la lecture des tables Apache Iceberg. « Nous ajoutons des fonctionnalités permettant de traiter les vecteurs stockés dans Apache Iceberg, ainsi que de créer des index vectoriels sur ces vecteurs, afin d’optimiser la récupération, la recherche, etc. », explique Jennifer Tsai-Smith.

À cela s’ajoute une ouverture vers les outils d’IA tiers à travers le serveur MCP d’Oracle, compatible avec la 19c et 26ai. « C’est aujourd’hui une extension de VS Code et nous allons créer un service managé d’hébergement de serveurs MCP sur Oracle Cloud Infrastructure », renseigne la dirigeante.

Malgré tout, Oracle n’entend pas lâcher le morceau. Alors que la plupart des acteurs sur le marché (Databricks, Snowflake, Microsoft, OpenAI, etc.) misent sur PostgreSQL comme base de données pour l’IA agentique, Jennifer Tsai-Smith insiste. 26ai est et sera de plus en plus taillée pour les agents IA.

« PostgreSQL n’est pas une mauvaise base de données au contraire. Elle prend en charge les données relationnelles, les vecteurs et un bon nombre de formats (XML, JSON) que nous prenons également en charge, souvent avant qu’il ne soit disponible », affirme-t-elle. Et de rappeler, bien qu’il soit rarement montré à la presse, qu’un service managé pour PostgreSQL existe sur OCI. De fait, c’est le SGBD le plus populaire sur le marché, tant en nombre d’usagers que de capacités.

« Mais je pense qu’avec cette base open source, cela demande beaucoup d’effort d’ingénierie et le soutien d’architectes, pour intégrer ces types de données avec le cœur de la base plutôt qu’avec notre technologie ». Quant aux bases de données vectorielles, « c’est une impasse », juge Jennifer Tsai-Smith.

Outre la prise en charge des vecteurs au sein des tables Iceberg externes, Oracle annonce la disponibilité limitée d’Autonomous AI Vector Database. C’est un service managé qui doit simplifier la conception d’application de recherche sémantique et de systèmes RAG.

Bâti par-dessus la base de données Oracle, il permet d’obtenir des recommandations de conception pour le stockage des vecteurs, des métadonnées et la gestion des index. Comme le SGBDR, il prend en charge les algorithmes vectoriels IVF et HNSW. Le service est accessible depuis PL/SQL, des API REST ou un SDK Python.

À cela s’ajoute les « Oracle Private AI Service Containers ». Ceux-là doivent permettre de générer des vecteurs avant de les stocker dans Oracle AI Database 26ai. Plus particulièrement, ces conteneurs embarquent des modèles d’embedding pour les fichiers textuels, vidéo et audio. Ils peuvent être hébergés sur OCI, un cloud privé, une station de travail ou un ordinateur portable. Ici, le calcul est débarqué pour ne pas saturer le SGBDR.

Faire de la base de données Oracle la « mémoire » des agents IA

Au-delà du stockage vectoriel, Oracle vise un rôle plus central pour sa base de données. Disponible à travers une librairie Python et intégré dans Oracle Database Private Agent Factory, le fournisseur présente également Unified Memory Core. Il s’agit de faire de la base de données un espace de stockage persistant pour le contexte des agents IA, à savoir les tâches, les états, les résumés des interactions, les préférences, les règles, les résultats précédents. Pour ce faire, Oracle dit utiliser les différents types de données vectorielles, graphes, relationnelles et les documents JSON.

« C’est un bon cas d’usage pour Oracle AI Database, car la mémoire d’un agent se présente sous plusieurs formes », justifie Jennifer Tsai-Smith. « Il y a une mémoire à court terme pour la session en cours et l’interaction suivante, puis il y a la mémoire à plus long terme où est stocké l’historique des interactions avec cet utilisateur en particulier, par exemple », décrit-elle. « Cet historique est ensuite utilisé pour alimenter les sessions futures. Ce type de stockage de mémoire nécessite donc différents formats. Nous disposons déjà de cela ».

Par ailleurs, comme son studio agentique, Memory Core peut être intégré avec les frameworks de mémoire existant, dont Mem0 et Letta. « Nous voulons faire d’Oracle Database le meilleur espace de stockage pour la mémoire des agents IA », vante Jennifer Tsai-Smith.

Plus tard, des ajouts seront effectués à Oracle Graph et plus particulièrement au graphe de propriétés d’Oracle pour que les entreprises puissent l’utiliser afin de bâtir leur graphe de connaissances.

« Il y a également des travaux en cours pour enrichir le SQL [Oracle] afin de pouvoir créer facilement des agents IA dans les bases de données », ajoute-t-elle.

Ici, la vice-présidente évoque de nouvelles fonctions SQL, mais aussi des agents IA.

Dans un même temps, Oracle décline des agents IA clé en main pour interroger la base de données en langage naturel et obtenir des réponses sur les résultats financiers, par exemple. Un autre agent doit permettre de provisionner des environnements Autonomous Database, un autre doit identifier les bugs dans les objets de la base et créer des tickets dans Jira. À l’inverse, il sera possible d’utiliser un agent capable de référencer la documentation et les tickets de Jira pour régler les problèmes au sein des interfaces des administrateurs.

Enfin, un agent permettra d’accéder aux dépôts de code (GitHub, AWS CodeCommit, Azure DevOps) associés à la base de données depuis la console d’Oracle AI Database 26ai. Nommé Code Repository Connector Agent, il doit gérer dépôts et branches, exporter/importer des objets de base de données et installer des scripts SQL. D’autres agents IA seront plus spécifiques à OCI et ses services de stockage objet, de gestion de secrets, et de répartition de charge réseau.

Reste la « disponibilité prochaine » d’Oracle Deep Security. Ce service doit permettre de segmenter l’accès aux données par les agents IA qui agissent au nom des collaborateurs. Le dispositif vise à faire respecter les règles « RBAC » déjà en place, et de protéger les applications contre les injections de prompts, ainsi que les menaces émergentes auxquelles les agents IA et les LLM sont déjà exposés. Les garde-fous siégeront également à cet endroit.

La recherche sémantique, sans LLM

Oracle n’oublie pas les usages premiers de la recherche vectorielle. Le package Oracle Trusted Answer, lui, est un service de recherche sémantique qui promet d’améliorer la recherche documentaire en établissant des correspondances entre des vecteurs représentant les questions et les documents. Cette correspondance est partiellement automatique, puis depuis une application APEX préconfigurée ou une app spécifique (via une API PL/SQL), les usagers peuvent signaler les problèmes de correspondances afin que les développeurs affinent les descriptions et les correspondances.

Oracle dit ne pas utiliser de LLM pour cette étape. Plus spécifiquement, des descriptions écrites à la main ou par un LLM sont associées à un document correspondant. Quand l’utilisateur pose sa question en langage naturel, il requête en réalité un espace de recherche contenant les descriptions liées à un document JSON qui contient l’URL vers la source documentaire. Trusted Answer n’indexe pas les documents, seulement les descriptions et les pointeurs. Les réponses peuvent être textuelles ou chiffrées.

Si le fournisseur suit de près ses concurrents, il n’est pas certain que les entreprises optent pour ses services. La plupart des développeurs sont loin de l’univers Oracle et la tendance a été plutôt de s’en écarter. Néanmoins, la firme de Larry Ellison a ses clients fidèles et la proximité de ces services IA pour les clients Fusion (ERP, HCM, SCM, etc.) peut s’avérer intéressante.

Crédits photo : Gaétan Raoul pour LeMagIT – Steve Miranda, EVP Applications chez Oracle lors de l’Oracle AI World Tour Paris 2026.