Le problème avant Fabric#

Pendant des années, construire une plateforme data revenait à assembler des outils séparés. Azure Data Factory pour l'orchestration, Databricks ou Spark pour l'ingénierie, Synapse pour le warehouse, Power BI pour la restitution. Chacun excellent dans son domaine, mais qu'il fallait connecter entre eux.

Le résultat : de la donnée dupliquée d'un service à l'autre (et donc des coûts qui se multiplient), un modèle de sécurité éclaté entre plusieurs produits, et une facturation répartie sur autant de lignes que d'outils. Les connecteurs existaient, ces briques savaient se parler, mais les faire tenir ensemble dans le temps avait un coût bien réel.

Ce qu'est Microsoft Fabric#

Fabric est la réponse de Microsoft à ce problème : une plateforme analytics unifiée, livrée en SaaS, qui couvre toute la chaîne de la donnée, de l’ingestion jusqu’au reporting Power BI, et prolonge aujourd’hui ce socle vers le temps réel, la Data Science et l’intelligence artificielle, avec des usages comme Real-Time Intelligence ou les Fabric Data Agents.

L'idée centrale n'est pas d'ajouter un outil de plus, mais de réunir ces différents usages dans une même plateforme cohérente, autour d'un stockage commun avec OneLake, d'une gouvernance intégrée et de capacités de calcul mutualisées. Les différents moteurs peuvent ainsi travailler sur les mêmes données sans multiplier systématiquement les copies entre services.

Concrètement, en quelques clics, on crée un Lakehouse, un Warehouse, un pipeline ou un notebook, sans provisionner ni configurer de serveurs. Ce qui prenait des jours à mettre en place sur les anciennes stacks peut désormais être disponible en quelques minutes.

Quid de Synapse Analytics et Azure Data Factory ?#

Fabric reprend l'essentiel du périmètre de Synapse Analytics et s'impose désormais comme la plateforme analytique stratégique de Microsoft. Synapse préfigurait déjà cette convergence entre ingestion, Spark, SQL et BI ; Fabric pousse la logique beaucoup plus loin avec une plateforme entièrement SaaS, construite autour de OneLake et nativement intégrée à Power BI.

La situation d'Azure Data Factory est plus progressive : ADF continue d'exister, reste supporté et aucune date de fin de vie n'est annoncée.

En revanche, la trajectoire produit s'est nettement précisée. Avec les annonces de Build 2026, Microsoft concentre désormais l'essentiel de l'innovation autour de Fabric Data Factory : pipelines enrichis, Copy Job, dbt Jobs, orchestration Apache Airflow, Data Factory MCP et capacités agentiques permettant à Copilot et à d'autres agents de créer, exploiter et diagnostiquer les workloads Data Factory.

ADF reste donc parfaitement légitime pour maintenir des plateformes existantes et peut continuer à coexister avec Fabric. Mais pour une nouvelle architecture, même lorsqu'elle doit orchestrer des technologies externes, son choix devient plus difficile à justifier face à Fabric Data Factory. La question n'est plus vraiment de savoir si ADF disparaît à court terme — rien ne l'indique aujourd'hui — mais plutôt où Microsoft concentre désormais ses investissements. Et sur ce point, la direction est claire : Fabric.

OneLake : le cœur du réacteur#

S'il ne fallait retenir qu'un concept, ce serait OneLake.

OneLake est le lac de données unique et logique de toute l'organisation. La comparaison officielle de Microsoft est parlante : OneLake est au data ce que OneDrive est aux documents. Un seul endroit pour stocker la donnée, accessible par tous les outils de la plateforme.

Tous les workloads écrivent et lisent dans OneLake, au format ouvert Delta Parquet. Si un data engineer charge des données avec Spark, et qu'un développeur SQL les exploite ensuite en T-SQL, les deux travaillent sur la même donnée, au même endroit, sans copie. C'est ce qui élimine la duplication et fait de Fabric une plateforme réellement intégrée, et pas une juxtaposition d'outils.

Les workloads : un outil par métier#

Fabric s'organise en workloads, des ensembles de capacités pensés pour un usage précis :

Data Factory : l'ingestion et l'orchestration. Des centaines de connecteurs pour faire entrer la donnée, et des pipelines pour enchaîner les traitements.

Data Engineering : l'ingénierie de données à base de Spark, via les Lakehouses et les notebooks. C'est là que se font les transformations lourdes.

Data Warehouse : un entrepôt SQL transactionnel et scalable, pour ceux qui travaillent en T-SQL.

Real-Time Intelligence : le traitement et l'analyse de flux de données en temps réel.

Data Science : la Data Science, le machine learning et les usages d’intelligence artificielle, de l’entraînement de modèles jusqu’aux Fabric Data Agents.

Power BI : la restitution, les rapports et la visualisation, brique historique de Microsoft désormais intégrée nativement.

Tous ces workloads partagent OneLake comme socle commun, et une couche de gouvernance unifiée pour le catalogue, la traçabilité et la sécurité.

Un modèle de capacité, pas de serveurs#

Dernier point qui dépayse quand on vient du monde Azure classique : on ne provisionne pas de serveurs ni de clusters. On provisionne une capacité, c'est-à-dire un pool de puissance de calcul partagé entre tous les workloads.

Sur le papier, ça simplifie les choses : un seul curseur de puissance, une facturation consolidée. En pratique, c'est l'un des sujets les plus délicats de Fabric. Le comportement d'une capacité (lissage de la consommation, throttling quand elle sature, partage entre workloads) est loin d'être transparent, et comprendre pourquoi une capacité ralentit ou comment la dimensionner correctement est un vrai sujet, sur lequel beaucoup d'équipes butent.

Ce qu'il faut en retenir#

Fabric n'est pas un nouvel outil de plus. C'est l'aboutissement de la stratégie de Microsoft pour réunir toute la chaîne data dans une plateforme unique, autour d'un lac de données partagé. Le progrès est réel par rapport aux anciennes stacks Microsoft, et c'est probablement la plateforme data la plus ambitieuse du marché aujourd'hui.

C'est aussi une plateforme jeune, qui évolue très vite. Ce qui en fait sa force, et parfois sa contrainte.