Collibra, Atlan ou DataHub : le choix d'un catalogue de données engage une ETI pour plusieurs années et plusieurs centaines de milliers d'euros. Comparatif budgétaire, délais réels de mise en production et erreurs de gouvernance qui vident un catalogue de son contenu.
Pour une ETI qui s'équipe en 2026, la question n'est plus de savoir si elle a besoin d'un catalogue de données, mais lequel financer et sur quel horizon. Les trois candidats les plus cités dans les appels d'offres, Collibra, Atlan et DataHub, répondent à des logiques économiques radicalement différentes. Collibra domine dans les secteurs régulés avec les workflows de gouvernance les plus paramétrables, mais demande trois à neuf mois de déploiement et plus de 170 000 dollars par an. Ce chiffre ne couvre que la licence : il faut y ajouter l'intégration, la formation et l'accompagnement au changement.
Plus largement, les coûts annuels d'un catalogue de données vont de 10 000 à 15 000 dollars pour une petite équipe utilisant des outils cloud-natifs, jusqu'à 200 000 ou 500 000 dollars et plus pour des plateformes d'entreprise supportant des milliers d'utilisateurs. Sur trois ans, l'écart devient structurant : pour la majorité des déploiements mid-market, Collibra revient entre 1 et 3 millions de dollars sur trois ans, licence, services d'implémentation, effort interne, formation et support inclus.
Chaque plateforme a été conçue pour un profil d'organisation précis, et confondre les usages est la première source de déception.
Collibra convient aux entreprises régulées qui ont besoin de workflows de gouvernance formels, de stewardship, de gestion des politiques et de contrôles de niveau procurement. C'est l'option pertinente pour une ETI bancaire, assurantielle ou pharmaceutique soumise à des obligations d'audit strictes. Le revers : sa tarification sur devis, ses cycles d'implémentation longs et ses workflows centrés sur les data stewards ne conviennent pas à toutes les équipes.
Atlan s'est positionné sur la rapidité de mise en production. La plateforme atteint la production en 4 à 6 semaines, contre 3 à 9 mois pour les plateformes historiques. Côté tarif, Atlan démarre autour de 3 000 dollars par mois pour les petites équipes et évolue selon le nombre d'utilisateurs et de connecteurs, un positionnement plus accessible qu'Alation ou Collibra. Cela en fait une option cohérente pour les entreprises mid-market de 100 à 2 000 salariés avec des stacks data modernes et des équipes data de 5 à 50 personnes — un profil qui correspond à beaucoup d'ETI françaises.
DataHub séduit par l'absence de licence : le cœur de DataHub est sous licence Apache 2.0 sans frais par utilisateur, le logiciel lui-même est gratuit à télécharger et à héberger. Mais la gratuité s'arrête à la ligne de code. Installer la stack, configurer les connecteurs, câbler l'authentification et régler Kafka et Elasticsearch est un projet d'ingénierie plateforme, avec un délai de mise en production couramment compris entre 6 et 12 semaines selon l'échelle et l'expérience de l'équipe. Le vrai coût apparaît ensuite : quelqu'un doit gérer les montées de version, les correctifs de sécurité, la montée en charge, les sauvegardes et le suivi des connecteurs, une charge continue qui reste généralement le poste de coût le plus important sur plusieurs années. Une estimation chiffrée situe un catalogue auto-hébergé avec un ingénieur à temps partiel entre 200 000 et 300 000 dollars par an de personnel plus 50 000 à 100 000 dollars d'infrastructure, soit un total de 1,25 à 2 millions de dollars sur cinq ans — un montant qui se rapproche dangereusement d'un abonnement SaaS équivalent.
Ce classement rejoint une tendance plus large du marché : les délais de déploiement vont de une à deux semaines pour les outils les plus légers à trois à neuf mois pour Collibra ou Informatica, selon la complexité de gouvernance et l'architecture de la stack. Autrement dit, le temps de déploiement n'est jamais un simple paramètre technique : il reflète directement la profondeur de gouvernance embarquée dans l'outil.
Sur l'alternative construire-ou-acheter, la tendance 2026 penche nettement vers l'achat : acheter un catalogue peut conduire à un coût total de possession inférieur de 40 à 60 % sur cinq ans, l'écart reflétant le fardeau de maintenance évité, les fournisseurs répartissant le développement de connecteurs et les coûts d'infrastructure sur toute leur base de clients. Pour une ETI qui n'a pas vocation à devenir éditeur de sa propre plateforme de gouvernance, ce calcul mérite d'être posé avant toute short-list.
Le choix de l'outil n'explique qu'une partie de l'échec ou du succès d'un projet. Les retours d'expérience convergent : la technologie n'est presque jamais la cause première d'un catalogue qui ne sert à rien.
Le symptôme le plus fréquent est celui d'un dispositif formellement complet et pourtant inerte. Un catalogue correctement déployé et documenté peut coexister avec des équipes qui continuent à reconstruire leurs indicateurs dans des fichiers locaux, la difficulté n'étant pas liée à l'outil mais à l'absence d'arbitrage sur les définitions métier. Le remède n'est pas technique : lorsque des Data Owners identifiés et soutenus par le management ont commencé à trancher ces définitions, l'effet sur l'usage a dépassé en quelques mois celui du déploiement initial. Un catalogue sans arbitre reste un inventaire, jamais un référentiel de confiance.
Deuxième piège classique : traiter le cataloguage comme une fin en soi plutôt qu'une réponse à un besoin métier. Beaucoup d'initiatives de catalogage de données se déroulent en effet tunnel, sans délivrer de valeur directe ni répondre à des enjeux business, alors qu'un catalogue n'a de sens que s'il permet réellement aux utilisateurs finaux de rechercher, accéder et exploiter les données. Un pilote mal cadré, lancé sans cas d'usage précis, produit un référentiel exhaustif mais désincarné.
La distinction est cruciale et rarement faite en amont d'un projet : un dispositif peut être installé, documenté et techniquement irréprochable sans modifier la façon dont les équipes produisent, qualifient ou réutilisent leurs données ; le déploiement relève d'une logique de mise en place, l'adoption suppose que le cadre soit mobilisé dans les pratiques courantes. Conséquence pratique : un Data Owner inscrit sur l'organigramme mais qui n'arbitre jamais une définition n'existe pas dans les faits, et un catalogue exhaustif que personne ne consulte ne crée aucune valeur.
Les projets qui tiennent dans la durée partagent une méthode commune. Un pilote réussi en moins de 90 jours cible un cas limité mais stratégique, comme le reporting financier ou la conformité, publie rapidement un glossaire minimal et trace la lignée sur un périmètre critique. La gouvernance qui suit doit rester vivante : rôles clairs entre CDO, Data Owner, DPO et Data Stewards, rituel de mise à jour, indicateurs d'adoption comme le nombre d'utilisateurs actifs ou le taux de couverture. Sans ces rituels, même l'outil le mieux choisi finit par retomber au rang de projet IT isolé.
Enfin, une erreur spécifique aux choix open source mérite d'être soulignée pour les ETI aux équipes data restreintes : sous-estimer la charge d'exploitation d'un DataHub auto-hébergé revient souvent à transformer une économie de licence en surcoût de personnel non budgété. Avant d'arbitrer entre gratuité apparente et abonnement SaaS, il faut chiffrer précisément le temps d'ingénierie disponible en interne, faute de quoi le calcul de coût total change de sens en cours de projet.
Aucun des trois outils n'est un mauvais choix dans l'absolu : chacun correspond à un contexte réglementaire, technique et organisationnel spécifique. Une ETI soumise à des contrôles réglementaires lourds ira naturellement vers Collibra malgré le délai et le budget ; une ETI avec une stack data moderne et une équipe restreinte trouvera dans Atlan un compromis délai-coût plus adapté ; une ETI dotée d'une équipe plateforme solide pourra envisager DataHub à condition d'assumer la charge d'exploitation sur la durée. Dans tous les cas, le choix technologique ne dispense pas de la question centrale : qui décide des définitions métier, qui les fait vivre, et avec quel mandat réel. Pour structurer cette réflexion avant tout appel d'offres, notre offre de conseil en gouvernance des données permet de cadrer le besoin, chiffrer le coût total de possession sur trois ans et éviter les erreurs de casting qui condamnent un catalogue avant même sa mise en production. Notre expertise en architecture data complète ce cadrage par un audit technique de la stack existante, préalable indispensable à tout choix d'outil durable.