Le raisonnement traditionnel build-vs-buy pour les pipelines de données reposait sur une étude Wakefield Research : les data engineers consacrent 44 % de leur temps à construire et maintenir des pipelines, pour un coût d’environ 520 000 $ par an. Le développement d’un connecteur personnalisé prend 50 à 100 heures. Ce calcul dépendait de trois hypothèses, et toutes trois ont changé en 2025.
Les trois évolutions convergentes
Trois développements indépendants ont convergé, et leurs effets se cumulent.
1. La tarification des ELT managés est devenue imprévisible
Le changement de tarification Fivetran de mars 2025 a supprimé les remises sur volume et introduit un palier MAR par connecteur. Les équipes avec de nombreuses connexions ont vu des augmentations de coûts de 70 %. Les données marketing, qui se mettent constamment à jour en raison de l’attribution rétroactive, sont devenues particulièrement onéreuses. Le contrat annuel minimum s’établit à 12 000 $ avant qu’une seule donnée ne soit transférée.
La prévisibilité des coûts qui justifiait l’ELT managé — “payer un tarif fixe, éviter les coûts d’infrastructure surprises” — a disparu. Un utilisateur a rapporté être passé de 20 $/mois à 2 000 $/mois à mesure que le volume de données augmentait. Un autre a signalé des réductions de coûts ETL de 182x par mois après être passé de Fivetran à dlt.
2. La vélocité de développement assistée par IA a été mesurée
Les gains de productivité du codage assisté par IA ne sont plus hypothétiques. Des études contrôlées ont mis des chiffres dessus :
- 55,8 % plus rapide à implémenter. Une expérience contrôlée publiée sur arXiv a montré que les développeurs complétaient une implémentation de serveur HTTP en 1 heure 11 minutes avec GitHub Copilot contre 2 heures 41 minutes sans.
- 12 à 21 % de pull requests supplémentaires par semaine. Une expérience terrain de Microsoft et Accenture a mesuré le gain de débit dans un contexte réel.
- 56 % plus susceptibles de passer tous les tests unitaires. La propre recherche de GitHub a constaté que les développeurs assistés par IA produisaient du code passant les tests à un taux plus élevé.
Pour le développement de pipelines de données spécifiquement, les gains peuvent être encore plus importants. Les pipelines suivent des patterns bien établis — authentification API, pagination, limitation de débit, mapping de schéma, chargement incrémental. Ce sont exactement le type de tâches à forte composante répétitive où l’IA excelle : un utilisateur dlt a décrit avoir terminé un pipeline complet “en cinq minutes en utilisant la documentation de la bibliothèque.”
3. Les outils open source ont atteint la maturité en production
dlt (data load tool) a atteint 3 millions de téléchargements mensuels. En septembre 2024 seulement, les utilisateurs ont créé 50 000 connecteurs personnalisés — une augmentation de 20x par rapport à janvier. La bibliothèque a dépassé la version 1.0 de stabilité, maintenant à la version 1.19, avec des utilisateurs en production incluant Artsy et PostHog.
La maturité compte car elle change ce que “construire” signifie. Construire un connecteur en 2023 signifiait écrire les appels API, la logique de pagination, la limitation de débit, le mapping de schéma, la récupération d’erreurs et la gestion d’état de zéro. Construire un connecteur en 2026 signifie écrire une configuration déclarative pour un framework bien testé qui gère les parties difficiles.
L’effet cumulatif
Construire des pipelines est moins cher parce que l’IA accélère le développement. Le développement de pipelines assisté par IA est praticable parce que dlt fournit le framework et les patterns avec lesquels l’IA peut travailler. Les coûts des solutions managées continuent d’augmenter, creusant l’écart.
L’estimation traditionnelle de 50 à 100 heures par connecteur est antérieure à l’assistance IA et aux frameworks matures. Avec dlt + IA, ce chiffre tombe à 10 à 20 heures pour les patterns d’API standard. Le coût annuel de maintenance des pipelines de 520 000 $ devient un investissement lorsque vous économisez 100 000 $+ en frais MAR.
Où l’IA aide (et où elle n’aide pas)
L’assistance IA n’est pas magique, et comprendre où elle délivre de la valeur détermine si l’option “build” fonctionne réellement en pratique.
L’IA excelle dans les parties fastidieuses. Code répétitif, scaffolding de connecteurs API, structure ETL, fichiers de configuration, génération SQL et création de tests. Code à forte composante répétitive où l’implémentation suit des exemples établis. La documentation LLM-friendly de dlt rend ce workflow particulièrement efficace — les assistants IA peuvent générer des configurations de pipeline directement à partir de la documentation API.
L’IA peine avec ce qui compte le plus. La logique métier complexe. Les cas limites que l’API ne documente pas. Les décisions d’architecture système. La sécurité — 29,1 % du code Python généré par IA contient des failles de sécurité selon une étude. L’optimisation des performances pour les scénarios à haut volume. Les jugements qui distinguent le code fonctionnel du code prêt pour la production. C’est le même écart entre démo et production qui affecte tout développement assisté par IA, pas seulement les pipelines.
La question de la maintenance est nuancée. La recherche GitClear projette un doublement du taux de rotation du code en 2024 par rapport à la base pré-IA — plus de code ajouté, plus de code copié-collé, moins de refactorisation. L’IA reproduit souvent des patterns obsolètes. Mais des contre-exemples existent : Amazon Q Developer a réduit les temps de mise à niveau Java de 50 jours-développeur à quelques heures pour Kyndryl, avec des économies estimées équivalentes à 4 500 années-développeur. Pour les pipelines spécifiquement, dlt gère l’évolution des schémas automatiquement, ce qui traite une grande partie de la charge de maintenance.
Le nouveau cadre de décision
Le nouveau cadre nécessite un calcul réel sur trois facteurs.
La règle d’une journée. Si votre coût mensuel MAR pour une source dépasse ce que coûte un ingénieur senior pour une journée de travail, construire gagne probablement. Un data engineer senior à 200 $/heure représente 1 600 $ pour une journée de travail. Si un seul connecteur Fivetran coûte plus que cela par mois, l’économie favorise la construction.
La vérification des capacités. Construire nécessite une maîtrise de Python dans l’équipe, l’accès à un assistant IA, et une tolérance pour gérer sa propre infrastructure. Si l’un de ces éléments manque, l’option “buy” peut encore être moins chère même à des prix élevés.
Le bénéfice cumulatif. Chaque pipeline construit développe des patterns et des composants réutilisables — gestion de l’authentification, gestion des erreurs, scripts de déploiement. Le deuxième connecteur prend moins de temps que le premier. Le cinquième prend une fraction. Les outils managés ne capitalisent pas ainsi ; le dixième connecteur coûte autant que le premier.
La réponse pratique pour la plupart des équipes est une approche hybride : outils managés pour les sources stables et standard où la charge de maintenance est faible, et pipelines personnalisés pour les sources à MAR élevé, à contrôle élevé ou non supportées où l’économie favorise la construction.