AI Data Plane : Couchbase consolide ses fonctions pour l’IA agentique

L’AI Data Plane complète les AI Services avec une couche de mémoire agentique

L’ajout majeur qui justifie le renommage n’est autre qu’Agent Memory. Selon le CPSO, il faut le distinguer de la couche de cache dédiée au LLM, qui est un « cache sémantique ». « Concrètement, si vous demandez à un LLM de recommander des activités à San Francisco, puis que vous lui dites un peu plus tard “montre-moi les sites les plus populaires de San Francisco”, vous ne faites que reformuler votre question », explique-t-il. « Le cache sémantique capture le sens de l’interrogation et effectue une recherche par similarité pour obtenir une correspondance dans ce cache ».

Les fournisseurs de LLM proposent une couche de cache sémantique pour leurs modèles respectifs. Or, les clients de Couchbase voudraient la gérer indépendamment de ces LLM.

Agent Memory, lui, est là pour conserver la mémoire à court terme et à long terme d’un agent IA. L'objectif : palier à la limite de la fenêtre de contexte du LLM sous-jacent. « Imaginez un chatbot avec lequel vous avez une longue conversation. Sans mémoire, si vous revenez le lendemain, tout est oublié », poursuit Barry Morris. « Agent Memory permet à l’agent de conserver les données soit à court terme (au sein d’une même session, sans les inclure dans le contexte du modèle), soit à long terme ».

Les informations à long terme sont stockées dans Couchbase – qui pilote la transition des données présentes en RAM vers des SSD ou des disques – ou disparaissent à la fin de la session si elles sont uniquement conservées en mémoire vive.

« Nous pouvons définir un délai d’expiration que nous appelons “Time To Live”. Vous pouvez indiquer à Agent Memory de conserver une information pendant 5 minutes, 2 jours ou plus, puis de la supprimer automatiquement », détaille le Chief Product & Strategy Officer. « Il est souvent nécessaire de gérer ces détails que nous prenons en charge dans les fonctions avancées d’Agent Memory ».

Agent Memory gère uniquement les données textuelles. Le système proposé par l’éditeur permet d’unifier la gestion de la mémoire conversationnelle – le contenu d’une session avec un chatbot ; la mémoire d’un profil – c’est-à-dire plusieurs conversations d’un même utilisateur – ; et la mémoire sémantique, à savoir le stockage de faits et de connaissances.

L’apport de données structurées passe par les serveurs MCP. « Les gens considèrent que Couchbase est un SGBD NoSQL, mais elle inclut surtout un moyen d’interroger des fichiers JSON en SQL », rappelle Barry Morris. « Nous disposons aussi d’une fonctionnalité de change data capture depuis d’Oracle et de SQL Server. Nous pouvons ainsi importer ces données directement dans Couchbase et disposer d’une réplique complète ».

Face à la concurrence, Couchbase mise sur ses fondations

La plupart des acteurs du marché, de MongoDB en passant par Databricks et Snowflake jusqu’aux hyperscalers (AWS, GCP, Azure) déclinent une variante des services intégrés dans AI Data Plane.

Selon l’interlocuteur du MagIT, Couchbase se distingue par les capacités principales de son SGBD. La prise en charge native des documents JSON, la géodistribution, la mise à l’échelle horizontale (« scale-out ») et les déploiements hybrides (cloud, on-prem, Edge) demeurent primordiaux, selon l’éditeur. « Il y n’a pas beaucoup de bases de données qui réunissent toutes ces capacités », insiste-t-il. En clair, seuls MongoDB et Couchbase seraient suffisamment prêts pour l’IA.

Et Barry Morris d’ajouter que l’architecture « memory first » de Couchbase la place en tête de liste en matière de performance. « Il existe des implémentations de Couchbase qui traitent des dizaines de millions de transactions par seconde. C’est essentiel lorsque l’on s’aperçoit que les agents IA vont multiplier les accès à la base de données par plusieurs ordres de grandeur », vante-t-il.

AI Data Plane cible plus particulièrement les entreprises présentes dans le classement Forbes Global 2000 qui souhaiteraient développer des flux agentiques de détection de fraudes, des agents DevOps ou des assistants sur des sites Web d’e-commerçants, entre autres.

Un peu plus d’analytique opérationnelle, mais pas de lakehouse pour autant

Outre l’IA agentique, Couchbase entend améliorer sa prise en charge de l’analytique opérationnelle. Pour ce faire, son module Enterprise Analytics 2.2 peut fédérer des données en provenance de tables Apache Iceberg puis les fusionner avec les documents JSON. Dans le détail, Enterprise Analytics lit uniquement les tables Iceberg stockées dans AWS S3 ou sur Google Cloud Storage à travers les catalogues de métadonnées AWS Glue et BigLake Metastore. La fonction CDC traitant des lignes stockées dans Oracle Database et SQL server dans des collections Couchbase dépend également d’Enterprise Analytics.

Au troisième trimestre 2026, l’éditeur ajoutera la possibilité d’interroger les données de ses collections depuis des moteurs basés sur Trino, dont AWS Athena, Amazon EMR, Google DataProc et Starburst. Un connecteur Apache Spark est déjà disponible.

« Notre positionnement est clair : nous ne sommes pas un acteur du lakehouse et ne rivalisons pas avec Databricks, Snowflake, Redshift ou BigQuery », assure Barry Morris. « Nous sommes spécialisés dans les bases de données opérationnelles et l’IA appliquée à ce domaine ».

Quant à l’ajout d’un connecteur Trino, Couchbase entend se comporter « en bon citoyen » pour des clients comme Citibank qui utilise ce moteur pour accéder à l’ensemble de leurs patrimoines de données.

Les déploiements Edge toujours de la partie

Outre la vectorisation et les interactions avec des modèles d’IA déployés en local, Couchbase Lite 4.1 prend désormais en charge la synchronisation peer to peer à travers le Bluetooth en sus du WiFi, ainsi que des API modernisées pour Kotlin/Android et C++.

Edge Server dispose depuis peu d’une gestion fine des permissions, d’un mécanisme de rotation des clés d’authentification et de la compatibilité avec les architectures Windows et ARM. La passerelle Sync Gateway 4.1 permettant de synchroniser entre des instances cloud et edge supporte le gel d’un cluster avant sa mise à jour afin d’assurer des rollbacks sans perte de données.

Les analystes d’IDC et de McKnight Consulting, interrogés par SearchDataManagement, une publication sœur du MagIT, sont unanimes. Couchbase est en « bonne voie » à la fois dans l’effort de consolidation des fonctionnalités et d’IA agentique. Les performances le distingueraient des concurrents et des autres acteurs du marché sur qui avancent pourtant les mêmes arguments.

Les analystes lui recommandent tout de même d'ajouter les graphes de connaissances et de faire de la gouvernance des données une priorité. Snowflake, Databricks ainsi que les acteurs traditionnels tels Informatica et Collibra ont davantage pris d’avance sur ce dernier point.

Selon Barry Morris, Couchbase prend partiellement en charge les graphes avec les expressions de tables communes, mais ne dispose pas d’une compatibilité avec le standard ISO GQL poussé par Neo4j et Oracle, entre autres. Le responsable n’a pas souhaité confirmer la présence de cette technologie sur sa feuille de route. Il a effleuré le sujet de la gouvernance.

Les trois éléments prioritaires sur la roadmap de Couchbase, d’après lui, sont la robustesse et les performances du SGBD, la consolidation de systèmes en vue de remplacer des plateformes legacy chez ses clients, et AI Data Plane.

« Comme nous cherchons à devenir une entreprise “AI First”, [AI Data Plane] concentrera l’essentiel de nos investissements », déclare-t-il.

Reste à voir si cette stratégie paie auprès des clients de l’éditeur.