Cette note couvre le paysage des outils BI en 2026, avec un focus sur quatre critères de sélection et une comparaison entre Lightdash, Looker et Metabase. Il existe environ 15 acteurs sérieux au-delà des solutions legacy ; les quatre questions ci-dessous constituent les filtres principaux.
Les Quatre Questions
1. Dans quelle mesure êtes-vous investi dans dbt ?
C’est le filtre le plus décisif. Si dbt est votre couche de transformation et que vous souhaitez que votre outil BI lise directement depuis celui-ci, le périmètre se restreint considérablement.
Investissement fort dans dbt : Lightdash est le meilleur choix — il lit directement depuis le YAML du projet dbt, en générant automatiquement dimensions et métriques à partir des métadonnées des modèles. Pas de couche de modélisation séparée, pas de dérive entre transformation et présentation. Evidence fonctionne si vous préférez des rapports basés sur du code (SQL + Markdown déployés en sites statiques). Omni vaut la peine d’être évalué si vous souhaitez une gouvernance à la Looker avec une meilleure intégration dbt.
Sans dbt : Metabase ou Preset/Apache Superset sont de meilleurs points de départ. Ces outils ne présupposent pas de couche de transformation spécifique.
dbt mais sans être all-in : Looker dispose d’un connecteur dbt Semantic Layer. Tableau en a livré un dans Tableau Cloud 2025.2. Ces outils maintiennent leurs propres couches de modélisation mais peuvent consommer des métriques dbt.
2. Quels sont vos besoins en gouvernance ?
La gouvernance distingue les outils adaptés aux équipes de 5 personnes de ceux qui fonctionnent dans des organisations de 500 personnes.
Gouvernance enterprise : Looker dispose encore du modèle de permissions le plus complet (Permission Sets + Model Sets + Content Access), d’un audit logging détaillé et d’une sécurité au niveau des lignes mature. Si vos exigences de conformité imposent un contrôle d’accès granulaire et des pistes d’audit, la décennie de raffinement enterprise de Looker est difficile à égaler.
Gouvernance orientée workflow d’ingénierie : Lightdash offre une gouvernance Git-native alignée sur les workflows d’ingénierie — les définitions de métriques sont revues en pull requests, les modifications suivies en contrôle de version. Les attributs utilisateur gèrent la sécurité au niveau des lignes. Cela convient aux équipes où le pattern metrics-as-code constitue le mécanisme de gouvernance.
Gouvernance par paliers : Metabase restreint la plupart des fonctionnalités de gouvernance (audit logging, sandboxing, permissions avancées) aux niveaux Pro/Enterprise. Les niveaux gratuit et Starter sont permissifs par conception.
3. Quel est votre budget ?
C’est ici que les différences deviennent saisissantes. Les modèles de tarification varient tellement qu’une même équipe peut payer 4 fois plus avec un outil qu’avec un autre.
| Outil | Modèle de tarification | Estimation pour 50 personnes |
|---|---|---|
| Lightdash | Utilisateurs illimités, tarif fixe | ~28 800 $/an (Cloud Pro 2 400 $/mois) |
| Metabase | Par utilisateur ou self-hosted gratuit | ~0 $ (self-hosted) à ~10 200 $/an (cloud) |
| Looker | Enterprise négocié | ~84 000-120 000 $/an |
| Preset | Par utilisateur | ~12 000 $/an (20 $/utilisateur/mois) |
| Sigma | Par utilisateur, par paliers | ~36 000-60 000 $/an |
| Evidence | Open source + niveaux cloud | 0 $ (self-hosted) à tarification personnalisée |
La tarification à utilisateurs illimités de Lightdash à 2 400 $/mois change radicalement l’équation économique par rapport aux outils à licence par siège à grande échelle. Mais le contrat moyen de Looker à 150 000 $ (données Vendr sur 355 transactions) inclut une couche de gouvernance que les outils moins chers ne proposent pas d’emblée. Gartner estime que les organisations consacrent 40 à 60 % de l’investissement total Looker au développement et à la maintenance de LookML — un coût réel qui n’apparaît pas sur la facture de licence.
4. Qui sont vos utilisateurs ?
La maîtrise technique des utilisateurs détermine l’adoption davantage que les fonctionnalités.
Utilisateurs métier non techniques ayant besoin d’autonomie sans SQL : le générateur de requêtes visuel de Metabase ou l’interface tableur de Sigma favorisent l’adoption plus rapidement que des outils exigeant de comprendre les concepts dbt ou YAML. L’interface de Sigma génère du SQL en temps réel contre le data warehouse tout en ressemblant à Excel — c’est précisément pour cette raison qu’elle est populaire auprès des équipes finance.
Analytics engineers et data analysts à l’aise avec YAML et SQL : Lightdash ou Evidence sembleront naturels. Ces outils supposent une base d’utilisateurs techniques et optimisent ce workflow.
Audiences mixtes : Omni propose plusieurs modes d’exploration pour différents niveaux de compétence. Hex mêle SQL, Python et no-code dans une interface de type notebook. Ces outils tentent de servir à la fois les utilisateurs techniques et non techniques, au prix d’une complexité globale plus élevée.
La Carte des Acteurs
Outils regroupés par philosophie de conception :
Outils dbt-natifs
Lightdash (licence MIT, ~5 600 étoiles GitHub). L’outil BI le plus étroitement couplé à dbt. Génère automatiquement dimensions et métriques depuis le YAML dbt. Cloud Pro à 2 400 $/mois avec utilisateurs illimités. En 2025 : AI Agents pour les requêtes en langage naturel, React SDK pour l’embedding, graphiques personnalisés Vega-Lite, write-back promouvant le SQL ad-hoc en modèles dbt gouvernés.
Evidence (MIT, ~4 000-5 000 étoiles GitHub). BI as code : rapports SQL + Markdown déployés en sites statiques. Versionné aux côtés de votre projet dbt. Evidence Studio cloud lancé en juin 2025, analytics embarqués suivant en décembre.
Omni (ex-ingénieurs Looker, 69 M$ Série B à une valorisation de 650 M$, mars 2025). Modélisation YAML-like avec versionnage Git, multiples modes d’exploration. A acquis Explo (septembre 2025) pour l’analytics embarqué.
Outils axés sur l’accessibilité
Metabase (AGPL, 40 000+ étoiles, 60 000+ entreprises). Générateur de requêtes visuel pour les utilisateurs non techniques. Gratuit en self-hosted, 85 $/mois en cloud pour 5 utilisateurs. Le compromis : pas de couche sémantique centrale. Les métriques sont définies par question, créant des problèmes de cohérence à grande échelle.
Preset / Apache Superset (Apache 2.0, 70 000+ étoiles — projet BI open source le plus étoilé). 40+ types de visualisation, SQL Lab IDE, architecture de plugins. Preset SaaS géré à 20 $/utilisateur/mois. AI Assist pour le langage naturel vers SQL livré en 2025.
Outils Enterprise et orientés IA
Looker (Google Cloud). Modélisation sémantique LookML affinée sur une décennie. Analytics conversationnel propulsé par Gemini (2025). Contrat annuel moyen ~150 000 $ (Vendr).
Sigma Computing (100 M$ ARR, valorisation 1,5 Md$). Interface tableur générant du SQL en temps réel. Partenaire BI Snowflake de l’année trois années consécutives. Partenaire BI Databricks de l’année 2025.
Hex (70 M$ Série C, 172 M$ de financement total). Style notebook : SQL + Python + no-code. A acquis Hashboard (mai 2025) pour la modélisation sémantique. Clients incluant Reddit, Figma, Anthropic.
ThoughtSpot (a acquis Mode pour 200 M$, juillet 2023). Recherche alimentée par IA + analytics code-first de Mode = Analyst Studio. ARR combiné dépasse 150 M$.
À surveiller
Steep (Stockholm). S’intègre avec la couche sémantique dbt Cloud. UX à la Notion/Figma. Gratuit jusqu’à 3 utilisateurs.
Streamlit (40 000+ étoiles, acquis par Snowflake pour ~800 M$). Applications data Python-natives. Plus un framework applicatif qu’un outil BI, mais répond à un besoin similaire pour les équipes techniques.
Le Face-à-Face : Lightdash vs Looker vs Metabase
Ces trois outils représentent la comparaison réelle la plus fréquente pour les équipes évaluant un outil BI moderne.
| Dimension | Lightdash | Looker | Metabase |
|---|---|---|---|
| Couche sémantique | dbt YAML natif | LookML (propriétaire) | Aucune (par question) |
| Self-hosting | MIT, gratuit | Licence payante uniquement | AGPL, gratuit |
| Intégration dbt | Construit sur dbt | Couche parallèle + connecteur | Plugin tiers uniquement |
| Coût d’entrée | Gratuit / 2 400 $/mois | ~36 000-60 000 $/an | Gratuit / 85 $/mois |
| Accès non technique | Modéré | Modéré (après configuration LookML) | Excellent |
| API | Cloud Pro+ | Excellent (REST 4.0) | Solide |
| Embedding | React SDK, 0,05 $/chargement | Embed Edition (coûteux) | SDK mature |
| Sécurité au niveau des lignes | Attributs utilisateur | Native, mature | Pro/Enterprise uniquement |
| Fonctionnalités IA | AI Agents (NLQ) | Gemini conversationnel | MetaBot |
Choisir Lightdash quand dbt est votre fondation, que vos utilisateurs sont à l’aise avec les workflows d’analytics engineering, et que vous souhaitez une économie à utilisateurs illimités.
Choisir Looker quand la gouvernance enterprise est non négociable, que vous avez le budget pour le développement LookML, et que votre organisation a besoin du modèle de permissions le plus complet disponible.
Choisir Metabase quand l’autonomie pour les non-techniques est la priorité, que le budget est contraint, ou que vous avez besoin de déployer un outil BI cette semaine plutôt que ce trimestre.
Contexte de Marché
Le marché mondial du BI représente environ 41 Md$ en 2026, projeté à 62 Md$ d’ici 2031 (Mordor Intelligence). Les leaders en part de marché restent Power BI (~20 %), Tableau (~16,4 %) et Qlik (~10 %). Les outils modernes couverts ici représentent collectivement une part plus faible, mais c’est là que se concentrent croissance et innovation.
La fusion Fivetran-dbt Labs (fin 2025, ~600 M$ ARR combinés, 10 000+ clients) est l’événement structurant. Elle signale que le « modern data stack » se consolide autour de plateformes moins nombreuses et plus importantes. La couche de transformation — dbt — devient le fondement depuis lequel le BI lit, et non une préoccupation séparée.
Pattern de Déploiement Hybride
Un chemin de migration courant : conserver l’outil legacy pour le reporting financier et les présentations au board, ajouter un outil moderne pour l’analyse ad-hoc. Cela évite une migration complète tout en capturant la majeure partie des bénéfices d’un outil plus récent.
73 % des implémentations BI échouent à produire un ROI la première année (SR Analytics). La modélisation des données insuffisante, l’absence de gouvernance et des définitions de métriques floues sont les modes d’échec courants — pas le choix de l’outil lui-même.