Le marché de l’orchestration des données s’est stratifié en niveaux distincts en 2026, avec plusieurs outils à différents stades d’adoption et de maturité.
Niveau 1 : l’acteur historique
Apache Airflow domine toujours par l’ampleur de son adoption. Il a dépassé 30 millions de téléchargements PyPI mensuels, est utilisé dans plus de 80 000 organisations et a attiré plus de 3 600 contributeurs uniques — plus qu’Apache Spark ou Kafka. Cette base de contributeurs compte : elle signifie des opérateurs éprouvés en production pour pratiquement chaque système existant, des cas limites traités en production sur des milliers de déploiements, et un marché de l’emploi où « expérience Airflow » apparaît dans presque chaque offre d’emploi en data engineering. 94 % des utilisateurs d’Airflow déclarent que cette compétence a un impact positif sur leur carrière.
Airflow 3.0, publié en avril 2025, a été la plus grande release depuis la réécriture 2.x. Les fonctionnalités phares : le versionnage des DAGs, une nouvelle interface React remplaçant l’ancienne interface Flask, la Task Execution Interface pour une meilleure scalabilité, et — le plus significatif — un décorateur @asset emprunté directement au playbook de Dagster. En mars 2026, Airflow avait atteint la v3.1.7.
Le décorateur @asset est la fonctionnalité la plus révélatrice. Il signale que même le plus établi des orchestrateurs orientés tâches reconnaît le glissement vers la pensée orientée assets. Mais comme l’ont noté les praticiens : « Je ne pense pas qu’on puisse simplement passer d’une orientation tâches aux assets. C’est un changement bien plus profond qu’il est difficile d’intégrer pour Airflow. Dagster est encore très en avance. » La question de savoir si Airflow 3.x peut rendre la pensée orientée assets de premier ordre — ou si elle reste une fonctionnalité greffée sur un paradigme orienté tâches — est l’une des questions clés pour la suite de 2026.
Niveau 2 : les challengers modernes
Dagster est en tête du niveau des challengers modernes. Avec 47 M$ de financement total (Série B, mai 2023), environ 7,2 M$ d’ARR fin 2023, et 15 millions de téléchargements PyPI en 2024, il avait la base de code la plus active en volume de commits avec 27 000 commits en 2024. Le framework Components a atteint la GA dans le cycle 1.12.x, et 50 % des utilisateurs de Dagster Cloud intègrent dbt.
La moitié de la base clients cloud de Dagster l’utilise spécifiquement pour l’orchestration dbt — le taux d’adoption dbt le plus élevé de tous les orchestrateurs. L’intégration dagster-dbt mappe chaque modèle dbt vers un asset tracké avec un lignage automatique, un monitoring de fraîcheur, et des vérifications qualité issues des tests dbt. Pour les équipes qui pensent en termes de modèles, refs et tables, Dagster parle la même langue.
Le framework Components et le CLI dg sont conçus pour abaisser la barrière pour les analytics engineers SQL-first qui trouvent la surcharge Python intimidante. S’ils réussissent, l’objection de la courbe d’apprentissage — le point de friction le plus fréquemment cité à l’adoption — s’affaiblit considérablement.
Prefect arrive deuxième en téléchargements bruts avec 32 millions de téléchargements PyPI en 2024 et maintient une communauté Slack de 25 000 membres. Prefect 3.0 (septembre 2024) a introduit la sémantique transactionnelle, mis en open source son moteur event-driven, et réduit la surcharge du moteur de plus de 90 % par rapport à la version 2.
Prefect est l’outil qui ressemble le plus à écrire du Python normal. Les flows sont des fonctions décorées. Le testing est du pytest standard. Pas de Docker pour le développement local. Endpoint Closing a réalisé une réduction de 73,78 % des coûts de facturation en passant d’Astronomer à Prefect. LiveEO a rapporté avoir triplé la vitesse de développement après adoption. Pour les petites et moyennes équipes (2 à 10 personnes) qui privilégient la vélocité développeur à l’orchestration consciente des données, Prefect est une option solide.
Niveau 3 : le nouvel entrant en croissance
Kestra est le nouvel entrant qui connaît la croissance la plus rapide. Après avoir obtenu 8 M$ de financement initial en septembre 2024 — avec des investisseurs incluant Tristan Handy de dbt Labs et Michel Tricot d’Airbyte — il a lancé Kestra 1.0 le 9 septembre 2025. Parmi ses clients enterprise : Apple, Toyota, Bloomberg et JPMorgan Chase. Ses 20 000+ étoiles GitHub en ont fait le projet d’orchestration à la croissance la plus rapide en 2024 en vélocité d’étoiles.
Mais le nombre d’étoiles mérite un examen critique. Comme le praticien Daniel Beach l’a noté, l’adoption réelle en production peut être en retard par rapport au nombre d’étoiles. Les étoiles mesurent la notoriété et l’intérêt, pas les déploiements en production. La liste de clients enterprise est impressionnante pour un outil qui n’a atteint la v1.0 qu’en septembre 2025, mais les preuves d’adoption en production à la petite et moyenne échelle où opèrent la plupart des analytics engineers restent minces.
L’approche YAML-first de Kestra est architecturalement distincte de l’approche Python-décorateur de Dagster, Airflow et Prefect. Que les définitions YAML ou les décorateurs Python l’emportent dans la guerre déclarative reste à voir, mais la direction est claire : l’industrie s’éloigne des graphes de tâches impératifs.
En déclin
Tous les outils ne progressent pas. Luigi n’a reçu que des corrections mineures en 2024. Azkaban n’a eu aucune activité de code. Oozie est un outillage de l’ère Hadoop hérité qui n’a pas sa place dans une stack moderne.
Mage (v0.9.79, ~8 500 étoiles) existe toujours mais des inquiétudes grandissent concernant moins de 5 contributeurs actifs, soulevant des questions de durabilité. Pour toute équipe évaluant Mage pour un nouveau projet, le nombre de contributeurs est un signal d’alarme. Un outil avec si peu de mainteneurs n’est qu’un départ de personne clé loin de devenir non maintenu.
Le contexte stratégique
Deux forces reconfigurent ce marché au-delà du cycle de releases de chaque outil.
Premièrement, la fusion Fivetran-dbt rend l’orchestration externe plus importante stratégiquement, pas moins. Les équipes qui veulent une optionnalité fournisseur ont besoin d’une couche d’orchestration qu’elles contrôlent.
Deuxièmement, le glissement de paradigme des tâches vers les assets devient le défaut attendu. Chaque orchestrateur majeur évolue dans cette direction — Dagster depuis les fondations, Airflow via son décorateur d’asset 3.0, Kestra via les définitions YAML déclaratives. La question n’est plus de savoir s’il faut adopter la pensée orientée assets, mais quelle implémentation correspond à votre équipe.
Ce qu’il faut surveiller pour la suite de 2026
La maturation des assets Airflow 3.x. Le décorateur @asset a été livré, mais Airflow peut-il rendre la pensée orientée assets de premier ordre ? Le cycle de releases 3.x répondra à cette question.
Le contrôle de la réalité de l’adoption en production de Kestra. 20 000 étoiles doivent se traduire en études de cas en production à l’échelle où opèrent réellement les analytics engineers.
La feuille de route d’intégration Fivetran-dbt. L’entité combinée créera-t-elle un jardin fermé ou une plateforme ouverte ? La réponse détermine si le planificateur intégré de dbt Cloud est « suffisamment bon » ou stratégiquement risqué.
Dagster Components abaissant la barrière. Le framework Components et le CLI dg ciblent les analytics engineers SQL-first. S’ils réussissent, l’objection de la courbe d’apprentissage de Dagster s’affaiblit considérablement.