Deepnote est une plateforme de collaboration cloud notebook pour les équipes de données, offrant des capacités collaboratives d'exécution hybride SQL/Python en temps réel, de gestion des versions et de planification au niveau de la production.

noteprofonde

Paramètres et statistiques de base

Le positionnement officiel de Deepnote a évolué d'une « plateforme de collaboration d'équipe de données » à un « espace de travail de données ouvert », avec des fonctionnalités telles qu'un agent IA, une application de données, un tableau de bord, une planification de pipeline et des services de modèles superposés au cœur du Notebook. Il ne s'agit pas d'une version hébergée dans le cloud de Jupyter traditionnel, mais d'un système d'exploitation de données qui intègre « l'analyse, l'application et l'automatisation » sur la même plateforme.

Projets	Informations publiques
Positionnement officiel	Espace de travail de données ouvertes (espace de travail de données ouvertes)
Formulaire de base	Cloud Notebook + Application de données + Agent IA + Tableau de bord
Licence open source	Apache 2.0 (dépôt public GitHub)
Étoiles GitHub	~3 000 étoiles / 199 fourchettes
Échelle utilisateur	Plus de 500 000 professionnels des données
Clientèle corporative	MoneyLion, Estée Lauder, SoundCloud, Statsig, Gusto, DAZN, Wooga, Papaya
Couverture éducative	Utilisé par 96 des 100 meilleures universités du monde
Intégrations de sources de données	Plus de 100 intégrations intégrées (Snowflake, BigQuery, Redshift, PostgreSQL, Databricks, ClickHouse et plus)
Certification de conformité	SOC 2 Type II, HIPAA, RGPD, CCPA
Langues prises en charge	Python, R, SQL
Méthode de déploiement	Cloud SaaS / Open source auto-hébergé / Déploiement privé d'entreprise
Siège social	République tchèque

Différence de positionnement avec Jupyter/Colab/Hex : Jupyter est un outil local pour une seule personne, Colab est une plateforme d'expérimentation personnelle gratuite et Hex est orienté vers l'analyse BI. La différenciation de Deepnote réside dans « l'intégration de l'exploration à la production » : le même Notebook peut être converti in situ en un pipeline planifié, une application interactive, un tableau de bord ou un module de compétences d'agent IA, sans qu'il soit nécessaire d'exporter et d'importer entre plusieurs outils.

Deepnote AI Agent : la fonctionnalité AI Agent qui sera promue en 2026 permet aux utilisateurs de déclencher une requête de données, la génération de code, la création de graphiques et le déploiement de modèles via des instructions en langage naturel dans Notebook. L'agent peut appeler des modules « Compétences » prédéfinis pour former une unité d'automatisation d'analyse réutilisable.

Utilisateurs de Deepnote et reconnaissance du marché

La reconnaissance de Deepnote sur le marché vient de deux niveaux : le bouche-à-oreille dans la communauté open source et l'approbation des entreprises clientes, plutôt que le financement public ou les chiffres de revenus.

Taille de la communauté : la page officielle montre que plus de 500 000 professionnels des données utilisent Deepnote. Le référentiel public de GitHub compte environ 3 000 étoiles et 199 forks. Bien que la communauté ne soit pas immense, la liste des contributeurs (23 personnes) comprend un grand nombre de contributeurs externes, ce qui indique que l'écosystème open source est en pleine construction. Les soumissions sont toujours actives en juillet 2026, et les engagements récents impliquent le renforcement de la sécurité de l'intégration des bases de données et l'extension des fonctions CLI.

Vérification des clients d'entreprise : les entreprises figurant sur le mur de logos publics couvrent plusieurs secteurs : SoundCloud (streaming audio), Estée Lauder (beauté), MoneyLion (technologie financière), Statsig (plateforme de tests A/B), Gusto (salaire et avantages sociaux), DAZN (diffusion sportive en direct), Wooga (jeu), Papaya (paiement). Les équipes de données de ces entreprises varient en taille entre des dizaines et des centaines, ce qui indique que Deepnote convient aussi bien aux équipes de données de petite et moyenne taille qu'aux grandes entreprises.

Pénétration du marché de l'éducation : 96/100 des meilleures universités du monde utilisent Deepnote, grâce à sa stratégie gratuite pour les étudiants et les enseignants. La pénétration des scénarios éducatifs a permis de cultiver un grand nombre d'utilisateurs professionnels potentiels pour Deepnote qui « supprimeront l'habitude d'utilisation après l'obtention du diplôme », ce qui non seulement réduira le coût d'acquisition de clients, mais constituera également la base d'une conversion de revenus future.

Témoignages de clients : parmi les citations publiques, l'analyste principal des données de SoundCloud a déclaré que "la mise en œuvre de Deepnote est aussi simple que la connexion à BigQuery", l'ingénieur MLOps de MoneyLion a déclaré que "la migration depuis JupyterHub coûte presque zéro", et le responsable de la science des données de Gusto a noté que "le temps de configuration a été réduit de quelques jours à quelques secondes". Ces retours se concentrent sur les deux dimensions « déploiement facile » et « efficacité de la collaboration améliorée » plutôt que sur un seul indicateur d'algorithme.

L'avantage de coût de Deepnote

L'avantage en termes de coût de Deepnote ne réside pas dans son prix absolument bas, mais dans sa couverture hiérarchique « gratuit pour les particuliers + équipe basée sur un siège + privatisation de l'entreprise » et la réduction implicite des coûts de changement de chaîne d'outils dans l'ensemble du processus d'analyse des données.

Client C/utilisateur individuel : le forfait gratuit peut être utilisé en permanence, prend en charge 3 éditeurs, jusqu'à 5 projets, fournit un nombre illimité de machines de base (5 Go de RAM / 2 vCPU), un historique des versions sur 7 jours et un quota d'appels Deepnote AI limité (achèvement du code AI 10 fois/mois et Auto AI 5 fois/mois). C’est tout à fait suffisant pour une étude personnelle et une exploration à petite échelle. Les étudiants et les éducateurs reçoivent des crédits gratuits supplémentaires.

Forfait d'équipe (collaboration en équipe) : 39 $/éditeur/mois (paiement annuel, environ 20 % de réduction), comprend un nombre illimité de projets et de visionneuses, l'accès à GPT-5.5 et Sonnet 4.6, l'exécution en arrière-plan, un historique des versions programmé sur 30 jours, des crédits IA mensuels équivalents à 39 $, un calcul CPU équivalent à 280 $, un calcul GPU équivalent à 50 $. La valeur fondamentale réside dans le regroupement des ressources informatiques, des capacités d’IA et des outils de collaboration dans un tarif de siège fixe. Par rapport à un abonnement séparé à JupyterHub (infrastructure) + GitHub Copilot (AI) + Slack (notifications) + planificateur auto-construit, le coût total peut généralement être réduit de 40 à 60 %.

Déploiement en entreprise/privé : la tarification nécessite une communication professionnelle, y compris des contrats et des factures personnalisés, une assistance prioritaire, des gestionnaires de réussite client dédiés, un quota d'IA illimité, une synchronisation SSO/annuaire de groupe d'autorisations, des images Docker privées, un LLM intégré, des journaux d'audit, un déploiement à locataire unique et des options de cloud privé local. Les coûts réels pour les entreprises comprennent non seulement les frais de siège, mais également les heures de travail nécessaires à l'adaptation du pipeline de données pour la migration des flux de travail existants, les cycles de formation des employés et l'investissement implicite dans les audits de conformité.

Dépenses mensuelles typiques de l'équipe data pour les trois types de solutions :

Types d'utilisateurs	Configuration typique	Estimation des frais mensuels	Ressources incluses	Considérations sur les coûts cachés
Particulier/Étudiant	1 éditeur	0 $	Machine de base, IA limitée	Limite du projet 5
Petite équipe (5 personnes)	5 rédacteurs Paiement annuel de l'équipe	~195$/mois	5×Plus de points IA machine	L'informatique excessive doit être achetée à la demande
Equipe de taille moyenne (20 personnes)	20 rédacteurs Paiement annuel de l'équipe	~780$/mois	Machines 20×Plus, gestion des autorisations d'équipe	Besoin d'évaluer s'il faut passer à Enterprise
Entreprise (50+ personnes)	Personnalisation d'entreprise	Confirmation commerciale requise	Déploiement privé SSO, audit	Coûts de migration et de formation

Principales fonctions de Deepnote

Le système fonctionnel de Deepnote s'articule autour d'une architecture à quatre couches avec « Notebook comme noyau, AI Agent comme couche d'intelligence, Data App/Dashboard comme couche de livraison et Pipeline comme couche d'automatisation ». Les fonctionnalités suivantes sont ses capacités publiquement vérifiables :

• Agent AI et système de compétences : Deepnote AI Agent est une nouvelle fonctionnalité essentielle en 2026. Les utilisateurs peuvent parler directement à l'agent AI dans Notebook, et l'agent peut appeler le module "Skill" prédéfini pour effectuer des opérations telles que la requête de données, la génération de code, la création de graphiques et le déploiement de modèles. Le module de compétences est un ensemble d'étapes de cahier réutilisables qui encapsulent une logique d'analyse spécifique (telle que « décomposition des revenus », « analyse de la fidélisation des utilisateurs »). Les connaissances du domaine de l'équipe peuvent être transformées en actifs qui peuvent être appelés par l'agent sous forme de compétences. Synergie : L'agent répondra non seulement aux questions, mais générera également des blocs-notes en tant que résultats de travail - cela signifie le processus complet depuis "poser une question" jusqu'à "obtenir un rapport d'analyse reproductible et partageable", et pas seulement des réponses textuelles dans la conversation.

• Exécution mixte SQL + Python : utilisez SQL et Python en même temps dans le même notebook, et les résultats de la requête SQL sont automatiquement convertis en DataFrame sans exportation manuelle. Prend en charge la syntaxe du modèle Jinja (intégrée via dbt), permettant aux requêtes SQL d'avoir des capacités de logique variable et conditionnelle. Vue d'expert : il ne s'agit pas simplement de « rassembler deux langages », mais cela élimine le flux de travail discontinu le plus pénible pour les analystes de « vérifier les données -> enregistrer CSV -> lire Python ». Après avoir interrogé des millions de données dans BigQuery ou Snowflake, effectuez directement le traitement des pandas. L'opération qui nécessitait auparavant de changer de 3 outils peut être réalisée en 5 secondes.

• Collaboration en temps réel et gestion des versions : plusieurs personnes peuvent modifier le même bloc-notes en même temps, et le curseur, l'état de sortie et d'exécution peuvent être vus en temps réel. Historique des versions intégré de 7 à 30 jours (selon le plan), prend en charge la comparaison et la restauration des versions. Les blocs-notes peuvent être partagés via des liens sans exporter de fichiers. Synergie : la combinaison de l'historique des versions et de la collaboration en temps réel élimine le coût du suivi de « qui a modifié quoi » : dans les flux de travail Jupyter traditionnels, le chaos que les membres de l'équipe gèrent via les noms de fichiers et les suffixes de date (analysis_final_v3_final_real.ipynb) est remplacé par un statut unifié et un historique des modifications traçable.

• Application de données et tableau de bord : convertissez Notebook en une application Web interactive en un seul clic, prenant en charge une mise en page personnalisée, des composants de saisie (texte, sélecteur, curseur, sélecteur de date) et des actions déclenchées par des boutons. Le mode Tableau de bord permet de consolider les résultats d'analyse en actifs pouvant être visualisés par l'équipe, et les données sont associées au bloc-notes sous-jacent en temps réel. Valeur du scénario : le personnel de l'entreprise peut afficher des vues de données de différentes dimensions via le sélecteur de paramètres sans toucher au code, libérant ainsi l'équipe chargée des données du travail répétitif consistant à « extraire des données pour l'entreprise ».

• Pipeline Scheduling et API Notebook : prend en charge l'exécution planifiée de Notebook par heure/jour/semaine/mois et distribue automatiquement les résultats via Slack ou par e-mail une fois terminé. Dans le même temps, Notebook peut être déployé en tant que point de terminaison d'API REST pour réaliser la production de services modèles ou d'interfaces de données. Conseil d'ingénierie : La valeur réelle du planificateur ne réside pas seulement dans l'exécution planifiée, mais aussi dans la "reproductibilité" : chaque exécution est basée sur le même contexte et la même source de données, et la sortie est traçable, évitant ainsi la controverse du "le rapport de la semaine dernière est différent du rapport de cette semaine".

• Plus de 100 intégrations de sources de données intégrées : couvre les entrepôts de données (Snowflake, BigQuery, Redshift, ClickHouse, Athena), les bases de données (PostgreSQL, MySQL, SQL Server, MongoDB, Databricks), le stockage de fichiers (S3, GCS, Google Drive, Dropbox, OneDrive), les outils de collaboration (Slack, Notion, Airtable) et les plateformes ML (dbt, MLflow, W&B, Neptune), etc. Les solutions ci-dessus prennent en charge les tunnels VPN/SSH pour connecter les sources de données au sein du réseau privé.

• Formation de modèles et prise en charge GPU : Deepnote fournit des options de machine GPU (GPU K80 de 12 Go) pour prendre en charge la formation de modèles, l'évaluation et le déploiement de services dans les ordinateurs portables. Le forfait Team comprend 50 $ par mois en crédit GPU. Déclaration des limites : le GPU de Deepnote est adapté à la formation et au réglage fin de modèles à petite et moyenne échelle (comme le réglage fin du LLaMA 7B), mais ne convient pas à la formation distribuée à grande échelle ou aux tâches d'apprentissage en profondeur de haute intensité qui nécessitent un parallélisme multi-cartes.

• Chaîne d'outils Open Source : les composants de base open source en 2026 incluent @deepnote/blocks (définition du type de bloc Notebook et génération de code Python), @deepnote/convert (CLI de conversion bidirectionnelle entre les formats .ipynb/.qmd/.py et .deepnote) et l'extension Deepnote VS Code/Cursor/Windsurf. L'importance de la stratégie open source est que les équipes peuvent modifier les fichiers .deepnote dans l'IDE local, puis les faire glisser dans Deepnote Cloud pour la collaboration, ce qui résout le problème de séparation du « développement local/collaboration cloud ».

Evolution du modèle et de la version de Deepnote

En tant que service SaaS, Deepnote n'a pas la notion de « numéro de version » au sens traditionnel. Ce qui suit est un processus d’évolution organisé par nœuds jalons publiquement traçables :

Étape de la plateforme de base (2021-2024)

• Lancement public (~2021-09) : Deepnote est lancé publiquement pour la première fois en tant que plateforme de collaboration cloud Notebook. Le principal argument de vente est « une collaboration avec un bloc-notes de données similaire à Google Docs ». Il n’y a pas encore de date officielle précise.
• SQL Block Release (~2022) : introduit des blocs d'exécution SQL natifs, prend en charge le mélange de Python et SQL dans le même bloc-notes et les résultats des requêtes sont automatiquement convertis en DataFrames. Cette étape est basée sur la magie %%sql de Jupyter mais offre une expérience d'intégration plus complète.
• Data App/Dashboard Release (~2023) : mise à niveau de la sortie Notebook vers une application Web et un tableau de bord interactifs, élargissant ainsi la forme de livraison de Notebook.
• Version entreprise et fonctionnalités de niveau entreprise (~2023-2024) : introduisez des fonctionnalités de niveau entreprise telles que SSO, RBAC, journal d'audit, conformité HIPAA, déploiement privé, etc., pour entrer dans le domaine des achats des moyennes et grandes organisations.

Stade natif de l'IA (2025-2026)

• Complètement du code IA et IA automatique (~2025) : intégration de fonctionnalités assistées par l'IA dans Notebook, notamment la complétion automatique du code, la génération de code en langage naturel, l'explication du code et la génération automatique de graphiques. Chaque forfait gratuit est limité à 5 à 10 fois/mois, et il n'y a aucune limite pour l'équipe et les niveaux supérieurs.
• Open Source Core (2025-2026) : progressivement open source à partir de 2025, et les packages de base tels que @deepnote/blocks, @deepnote/convert, @deepnote/cli, @deepnote/runtime-core et d'autres packages de base seront publiés sous la licence Apache 2.0. Le référentiel GitHub est actuellement en développement actif.
• Agent IA et système de compétences (2026) : introduction de l'agent IA conversationnel pour prendre en charge l'appel du flux de travail d'analyse via le module de compétences. Il s'agit d'un élément clé dans la transformation de Deepnote d'un « outil d'édition » à une « plateforme de données intelligente ».
• Format YAML .deepnote (2026) : remplace le format JSON de .ipynb et utilise le format YAML lisible par l'homme pour stocker les blocs-notes pour les différences Git et le contrôle de version.

État de la version

Actuellement, Deepnote est continuellement itéré en tant que service SaaS et n'a pas de numéro de version fixe. La dernière version de « @deepnote/runtime-core » sur GitHub est la 0.4.0 (2026-06) et le nombre total de versions est de 89. Les mises à jour des fonctions des produits cloud sont publiées via « deepnote.com/changelog ». Il est recommandé d'utiliser le journal des modifications officiel et les versions de GitHub comme références en temps réel.

Les avantages techniques de Deepnote

L'avantage technique de Deepnote vient de « l'unité architecturale » plutôt que d'un seul point de percée en termes de performances. L’essentiel réside dans l’élimination des frictions de changement d’outil dans l’ensemble du processus d’analyse des données.

Architecture unifiée à quatre couches : Notebook (couche d'analyse), AI Agent (couche d'intelligence), Data App/Dashboard (couche de livraison) et Pipeline (couche d'automatisation) sont construits sur la même plate-forme sous-jacente. Les équipes de données peuvent effectuer toutes les étapes depuis l'acquisition, l'exploration et l'analyse des données, la création de modèles jusqu'à la livraison d'applications dans le même environnement. Mécanisme et effet : dans le flux de travail traditionnel, les analystes écrivent du code dans Jupyter, utilisent Slack pour transmettre les résultats et utilisent Tableau pour créer des tableaux de bord. Chaque fois qu'ils changent d'outil, il y a un changement de contexte et un coût de conversion de format. Deepnote unifie ces quatre étapes sur une seule plateforme, réduisant ainsi le nombre de changements d'outils pour une seule tâche d'analyse de 4 à 5 fois à 0 à 1 fois.

Moteur d'exécution réactif : Notebook adopte un modèle informatique réactif : lorsque les données ou le code d'un bloc en amont changent, tous les blocs en aval qui dépendent de ce bloc sont automatiquement réexécutés. Signification technique : Dans Jupyter traditionnel, après avoir modifié un bloc de chargement de données, tous les blocs de dépendance suivants doivent être réexécutés manuellement. Toute omission entraînera des résultats incohérents. L'exécution réactive garantit la reproductibilité des résultats, tout en réduisant également la perte de temps de débogage causée par « l'oubli de réexécuter une certaine étape ».

Innovation au format de fichier .deepnote : utilisez YAML pour remplacer le format JSON de .ipynb et stockez le bloc-notes, la configuration de l'intégration de la source de données et les paramètres de contexte dans le même fichier « .deepnote ». Impact direct sur le flux de travail Git : la structure JSON de .ipynb est presque illisible dans les différences Git (un gros blob JSON), tandis que le format YAML rend les modifications de code et de sortie lisibles, et les équipes peuvent examiner les modifications apportées au Notebook ainsi que le code. Dans le même temps, le mécanisme contentHash est introduit pour séparer la sortie du code source - seules les modifications de code déclenchent des différences, et les modifications de sortie du graphique ne pollueront pas l'historique Git.

Plus de 100 intégrations intégrées - connexions sans configuration : les intégrations de Deepnote sont "intégrées" plutôt que "plug-ins" - les utilisateurs n'ont qu'à saisir les informations d'identification de la base de données ou l'autorisation OAuth pour se connecter, sans installer de pilotes, configurer ODBC ou modifier les chaînes de connexion. Valeur technique : pour les moyennes et grandes entreprises, où il existe souvent plus de 5 types de sources de données, les coûts de configuration manuelle et de maintenance de chaque connecteur sont souvent sous-estimés. La méthode d'intégration de Deepnote réduit le temps d'accès aux nouvelles sources de données de quelques heures à quelques minutes.

Architecture d'appel de l'outil de l'agent AI : les comportements de base de l'outil exposés par l'agent Deepnote AI incluent deepnote.run(skill, ...) pour appeler le module de compétences, deepnote.query(sql) pour interroger directement la base de données, deepnote.chart(data, type, ...) pour générer des graphiques et deepnote.publish(notebook) pour publier Notebook sous forme de lien partagé. Le lien du workflow est : Invite utilisateur -> LLM -> Sélection d'outils -> Exécution des compétences/requêtes -> Rendu des résultats dans Notebook. Le modèle utilise ces outils pour compléter l'ensemble du processus, depuis la compréhension des intentions des utilisateurs jusqu'à la fourniture de résultats d'analyse reproductibles. Guide des pièges : l'agent peut rencontrer le problème d'exécuter de manière répétée la même requête dans des tâches en plusieurs étapes. Il est recommandé de prendre en compte l'idempotence et la mise en cache des résultats lors de la conception de la compétence. Pour les requêtes impliquant de grandes quantités d'agrégation de données, le délai d'expiration de la requête et la limite supérieure du nombre de lignes de résultats doivent être définis pour empêcher l'agent de générer des instructions d'analyse de table complète qui entraînent un dépassement de la limite dans les calculs.

Canal bidirectionnel entre l'open source et le cloud : La relation entre l'entrepôt open source et le cloud n'est pas à sens unique. Les utilisateurs peuvent modifier les fichiers « .deepnote » localement dans VS Code ou Cursor, puis les faire glisser dans Deepnote Cloud pour la collaboration en équipe et le cloud computing ; les blocs-notes cloud peuvent également être téléchargés sous forme de fichiers locaux « .deepnote » pour une édition continue. Cette bidirectionnalité est moins courante dans l'industrie : la plupart des notebooks cloud (tels que Colab, Kaggle) ne peuvent pas être modifiés hors ligne et les outils locaux (tels que Jupyter) manquent de capacités de collaboration.

Comment utiliser

Deepnote propose plusieurs voies d'entrée, couvrant l'exploration personnelle, la collaboration en équipe et le déploiement au niveau de l'entreprise.

Comment utiliser	Convient aux personnes	Caractéristiques	Coût
Deepnote Cloud (version Web)	Tous les utilisateurs	Visitez deepnote.com pour vous inscrire et l'utiliser, l'hébergement cloud ne nécessite aucune installation	Gratuit (3 éditeurs/5 projets) et plus
VS Code / Curseur / Extension Windsurf	Développeur	Modifiez les fichiers .deepnote dans l'EDI, exécutez-les localement ou transférez-les vers le cloud	Open source et gratuit
Outil CLI (@deepnote/cli)	DevOps / Utilisateurs avancés	Intégration de la gestion en ligne de commande, exécution de notebooks, conversion de formats	Open source et gratuit
Déploiement privé d'entreprise	Organisations ayant des exigences de conformité élevées	Déploiement à locataire unique/cloud privé, veuillez contacter le service commercial	Confirmation commerciale requise

Démarrez rapidement (cloud) :

1. Visitez « deepnote.com » pour créer un compte et sélectionnez le forfait gratuit.
2. Créez un nouveau projet et sélectionnez le noyau Python ou R.
3. Ajoutez un bloc SQL dans Notebook pour vous connecter à un entrepôt de données (tel que BigQuery, Snowflake) ou téléchargez un fichier CSV.
4. Utilisez des blocs Python pour le traitement et la visualisation des données, ainsi que pour la complétion du code AI pour accélérer le codage.
5. Cliquez sur « Publier » pour partager le bloc-notes sous forme de lien ou utilisez Planifier pour définir une exécution planifiée.
6. Si nécessaire, utilisez le mode App pour transformer le Notebook en une application interactive.

Démarrez rapidement (open source local) :

# Installer @deepnote/convert CLI
npm install -g @deepnote/convert

# Convertir le Jupyter Notebook existant au format .deepnote
deepnote-convertir notebook.ipynb

# Ouvrez le fichier .deepnote dans VS Code (l'extension Deepnote doit être installée)
bloc-notes de code.deepnote

Comment appeler AI Agent : ouvrez le panneau AI Assistant dans Notebook et saisissez directement des instructions en langage naturel, telles que « Analyser les raisons de la baisse des revenus en mars ». L'agent appelle automatiquement la compétence prédéfinie « Décomposition des revenus » et génère un cahier d'analyse contenant des requêtes, des visualisations et des conclusions. Les compétences peuvent être prédéfinies et précipitées par l'équipe de données pour former un pool d'actifs d'analyse réutilisable.

Chemin de migration : La migration de Jupyter vers Deepnote nécessite généralement 3 étapes : (1) Convertir .ipynb en .deepnote via deepnote-convert ; (2) Configurer l'intégration de la source de données pour remplacer la connexion à la base de données codée en dur ; (3) Vérifiez la cohérence des résultats d'exécution dans Deepnote Cloud. Selon les estimations officielles des clients, le processus de migration dure de quelques heures à plusieurs jours, en fonction du nombre d'ordinateurs portables et de la complexité de la source de données.

Prix des produits pour Deepnote

La page de tarification de Deepnote divulgue trois forfaits : Gratuit, Équipe et Entreprise, et la structure globale présente une structure progressive de "vérification gratuite -> paiement par siège -> activité d'entreprise".

Dimensions	Gratuit	Équipe (39 $/éditeur/mois, payé annuellement)	Entreprise
Nombre maximum d'éditeurs	3	Aucune limite	Aucune limite
Nombre de projets	5	Aucune limite	Aucune limite
Achèvement du code IA	10 fois/mois	Aucune limite	Aucune limite
IA automatique/génération de code	5 fois/mois chacun	Aucune limite	Aucune limite
Agent IA (GPT-5.5 / Sonnet 4.6)	Aucun	Inclus	Inclus + Peut apporter votre propre LLM
Spécifications des machines	Basique (5 Go de RAM, 2 vCPU) illimité	Plus (16 Go de RAM, 4 vCPU) illimité	Plus + Performances + GPU en option
Calcul GPU	Aucun	Crédit mensuel de 50 $	Remises de volume évolutives
Planification planifiée	Aucun	Assistance	Assistance
Historique des versions	7 jours	30 jours	Illimité
Synchronisation SSO/annuaire	Aucun	Aucun	Pris en charge
Journal d'audit	Aucun	Aucun	Assistance
Conformité HIPAA	Aucun	Aucun	Assistance
Déploiement privé	Aucun	Aucun	Cloud privé à locataire unique/sur site

Mécanisme de points AI : le plan Team comprend 39 $ par mois en points AI, qui peuvent être utilisés pour appeler des modèles LLM externes tels que GPT-5.5 et Sonnet 4.6. Le montant excédentaire doit être racheté en fonction de la quantité. Pour les équipes qui utilisent beaucoup d'agents IA, cela signifie que les frais mensuels réels peuvent être supérieurs aux frais de base du siège, et qu'une flexibilité doit être réservée dans le budget.

Remise pour l'éducation : les étudiants et les enseignants bénéficient d'un accès gratuit aux fonctionnalités de niveau équipe (IA illimitée et GPU limité), qui constituent un levier essentiel de la stratégie de pénétration de l'éducation de Deepnote.

Supplément de ressources informatiques : le plan Team comprend également 280 USD de calcul CPU équivalent et 50 USD de crédit de calcul GPU par mois. Si la tâche d'analyse implique une analyse de données à grande échelle ou une formation de modèle, vous pouvez l'étendre en achetant des machines Performance (64 Go de RAM, 16 vCPU), Haute mémoire (128 Go de RAM, 16 vCPU) ou GPU (K80) à la demande.

Scénarios d'application

Les scénarios de mise en œuvre de Deepnote couvrent l'ensemble du processus de travail quotidien de l'équipe data. Les quatre scénarios suivants sont étayés par des cas empiriques :

• Analyse de la collaboration de l'équipe de données : plusieurs analystes partagent un bloc-notes, visualisent les progrès et les résultats de chacun en temps réel et suivent les modifications via les commentaires et l'historique des versions. Déduction d'avantages typique : une équipe de données composée de 5 personnes se transférait auparavant des fichiers .ipynb via Slack, fusionnait manuellement les conflits et communiquait les modifications par e-mail : le coût de gestion de chaque tâche d'analyse représentait environ 20 à 30 % du total des heures de travail. Les coûts de gestion de la collaboration peuvent être réduits à moins de 5 % après la migration vers Deepnote. Conseils de mise en œuvre : L'équipe doit établir les spécifications organisationnelles du Notebook (structure des dossiers, règles de dénomination, processus d'accumulation de compétences), sinon l'édition en temps réel peut évoluer vers une situation chaotique où "n'importe qui peut le modifier".

• Rapports automatisés et distribution planifiée : utilisez le planificateur pour exécuter des blocs-notes d'analyse sur une base quotidienne/hebdomadaire/mensuelle et distribuez automatiquement les rapports de résultats via Slack Webhook ou par e-mail. Déduction de revenus typique : un scénario typique de génération de rapport hebdomadaire. Auparavant, les analystes extrayaient manuellement les données, créaient des graphiques, rédigeaient des résumés et envoyaient des e-mails chaque semaine, ce qui prenait environ 2 à 3 heures par semaine. Avec le planificateur, la duplication des efforts est réduite à 0 et la cohérence du calibre ne doit être vérifiée que mensuellement. Conseils de mise en œuvre : La qualité des résultats de planification dépend de la stabilité de la source de données en amont. Il est recommandé de mettre en place des contrôles de qualité des données (taux NULL, fluctuation du numéro de ligne, détection des valeurs aberrantes) dans chaque section du lien de planification pour éviter le risque « d'envoyer automatiquement des données incorrectes ».

• Application de données interactive : convertissez le carnet d'analyse en une application Web interactive avec un sélecteur de paramètres. L'équipe métier peut sélectionner directement les dimensions pour afficher les données sans l'intervention de l'équipe données. Déduction de revenus typique : une équipe d'opérations de commerce électronique effectuait auparavant 20 à 30 demandes par mois pour "m'aider à extraire les données d'un certain canal pendant une certaine période de temps". Chaque demande prenait en moyenne 30 minutes. Après être passé à Data App, le personnel opérationnel peut le visualiser lui-même, ce qui permet à l'équipe chargée des données d'économiser 15 à 20 heures de travail par mois. Conseils de mise en œuvre : les coûts de maintenance de l'application Data (mises à jour des paramètres, modifications de la source de données, ajustements de l'interface utilisateur) doivent toujours être supportés par l'équipe de données. Il est recommandé de créer Data App uniquement pour les besoins d’analyse stables et à haute fréquence.

• Analyse en libre-service pilotée par l'agent IA : le personnel de l'entreprise pose des questions à l'agent IA via un langage naturel, et l'agent appelle automatiquement le module de compétences pour terminer la requête de données, l'analyse et la génération de conclusions. Déduction d'avantages typique : pour les rôles non techniques (chefs de produit, opérations), il était auparavant nécessaire de faire la queue et d'attendre la réponse de l'équipe de données, avec un temps d'attente moyen de 4 à 6 heures. Avec AI Agent, les questions d'analyse courantes (« Quel était le taux de rétention des nouveaux utilisateurs la semaine dernière ? ») peuvent recevoir une réponse avec des sources de données en 1 à 2 minutes. Conseil de mise en œuvre : La qualité de sortie de l'agent dépend directement de la qualité du packaging de la compétence : si les limites des modules de compétences sont floues ou si le calibre des données n'est pas uniforme, l'agent peut donner des conclusions raisonnables en apparence mais erronées en réalité. Il est recommandé de limiter le domaine de requête de l'agent (accéder uniquement à des sources de données spécifiques) dans la phase initiale et d'ajouter un texte explicatif de calibre aux indicateurs clés.

Personnes concernées

La conception des fonctionnalités à plusieurs niveaux de Deepnote lui permet de servir un large éventail de groupes d'utilisateurs, des analystes individuels aux services de données d'entreprise :

• Data Scientists et ingénieurs en apprentissage automatique : convient aux utilisateurs qui ont besoin d'explorer des données de manière interactive, de former des modèles de petite et moyenne taille et de fournir des résultats dans des applications interactives. L'exécution hybride Python/R/SQL et la prise en charge GPU couvrent les besoins essentiels, de l'exploration à la modélisation. Limite inadaptée : formation distribuée à grande échelle (scénarios nécessitant plus de 4 clusters GPU de cartes), contexte CUDA personnalisé, services d'inférence de modèle à faible latence – ces exigences doivent utiliser des plates-formes de formation spécialisées ou des cadres d'inférence.

• Analystes de données et analystes BI : le groupe d'utilisateurs principal de Deepnote. La combinaison de blocs SQL + blocs Python + blocs de visualisation leur permet de compléter l'ensemble du processus, de l'acquisition des données à la livraison des rapports sur une seule plateforme sans avoir à basculer entre différents outils. Ne convient pas à la limite : s'il s'agit d'un pur besoin de visualisation de données (aucun codage requis), Tableau ou Power BI a un coût d'apprentissage inférieur ; S'il s'agit d'un scénario BI qui nécessite un catalogue de données et une gouvernance au niveau de l'entreprise, une plateforme BI traditionnelle peut être plus adaptée.

• Ingénieurs de données et équipes de plate-forme : l'API Notebook, le planificateur et les fonctionnalités de synchronisation GitHub/GitLab permettent aux ingénieurs de données d'utiliser Deepnote comme plate-forme de développement et d'exploitation pour les pipelines de données. La chaîne d'outils open source (CLI, extension du convertisseur VS Code) prend en charge la gestion des versions et l'intégration CI/CD. Ne convient pas aux limites : si l'équipe s'appuie fortement sur des outils d'orchestration DAG professionnels tels que Airflow/Dagster, le planificateur de Deepnote est actuellement plus adapté aux tâches planifiées légères et est difficile à remplacer une plate-forme d'orchestration complète.

• Chefs de produits et personnel opérationnel (utilisateurs indirects) : en tant qu'utilisateurs de Data App et Dashboard, vous pouvez visualiser les données par vous-même via le sélecteur de paramètres, réduisant ainsi la dépendance à l'égard de l'équipe de données. Prérequis : L'équipe de données doit créer à l'avance l'application de données ou le tableau de bord correspondant et s'assurer que le calibre des données est mis à jour régulièrement.

• Étudiants et enseignants : l'accès gratuit au niveau de l'équipe en fait la plateforme idéale pour enseigner la science des données. La couverture de 96/100 des meilleures universités valide son adéquation pédagogique. Remarque : L'utilisation commerciale des comptes éducatifs est limitée et vous devez passer à un forfait payant après l'obtention de votre diplôme.

Résumé des scénarios inappropriés : Travail d'analyse indépendant ne nécessitant pas de collaboration (la version locale de Jupyter est plus légère) ; formation de modèles de production à grande échelle (une plateforme de formation dédiée est plus adaptée) ; des scénarios BI complets sans code (Tableau/Power BI est plus direct) ; les pipelines de données qui nécessitent une orchestration DAG complexe (Airflow/Dagster, etc. sont plus professionnels).

Résumé et perspectives de Deepnote

Deepnote évolue d'un « outil de collaboration cloud notebook » à un « espace de travail de données natif IA ». Sa valeur fondamentale réside dans l'unification de l'exploration des données, de l'analyse de l'IA, de la fourniture d'applications et de la planification automatisée sur une seule plateforme, éliminant ainsi les frictions liées au changement d'outil dans l'ensemble du processus d'analyse des données. L'échelle de plus de 500 000 utilisateurs, la couverture de 96/100 des meilleures universités et le soutien de clients d'entreprise tels que SoundCloud et MoneyLion indiquent que sa forme de produit a été vérifiée sur les trois marchés du personnel, de l'éducation et de l'entreprise.

Principaux avantages actuels : L'architecture unifiée à quatre couches (Notebook / AI Agent / Data App / Pipeline) offre une expérience intégrée unique dans l'industrie ; la stratégie open source réduit les coûts d'essais et d'erreurs de l'équipe, tout en établissant un canal bidirectionnel pour le développement local et la collaboration cloud ; Plus de 100 intégrations intégrées et la conformité SOC 2/HIPAA/GDPR en font un seuil de base dans les achats d'entreprise ; Le système de compétences d'AI Agent fournit un mécanisme réutilisable pour l'accumulation de connaissances en équipe.

Limites majeures actuelles : les capacités du GPU sont limitées (K80 uniquement), ce qui ne convient pas à la formation en deep learning à grande échelle ; la solution Team ne dispose que d'un historique de versions de 30 jours, ce qui peut ne pas être suffisant pour les équipes qui nécessitent une traçabilité d'audit à long terme ; la fiabilité de l'agent AI dépend de la qualité du packaging du module de compétences, ce qui nécessite que l'équipe de données investisse du temps dans la conception et le débogage des compétences dans la phase initiale ; le seuil tarifaire pour le déploiement privé en entreprise est élevé et les conditions spécifiques ne sont pas transparentes ; les capacités de personnalisation de l'interface utilisateur de l'application de données sont limitées et ne conviennent pas aux scénarios d'application orientés client à forte interaction.

Points d'observation de suivi : Si l'écosystème de compétences de l'agent IA peut former une communauté de partage (similaire au modèle de marché MCP) ; si les capacités de calcul GPU peuvent être étendues à des modèles GPU plus modernes ; si la période de conservation de l'historique des versions peut être prolongée dans la solution Team ; et si la taille de la communauté open source peut passer de 3 000 étoiles à un niveau critique suffisant pour prendre en charge l'écosystème de plug-ins tiers.

Évaluation des risques d'achat et d'adoption : Pour les particuliers et les étudiants, le plan Free est sans risque et est l'un des carnets de données les plus conviviaux du marché. Pour les petites équipes de données, il est recommandé de commencer avec le forfait Gratuit ou Équipe et de sélectionner 1 à 2 processus d'analyse à haute fréquence et de faible complexité (tels que l'automatisation des rapports hebdomadaires, les tableaux de bord d'indicateurs de base) comme pilotes pour vérifier les performances de Deepnote en termes de qualité de collaboration en équipe et de stabilité de la planification, puis d'étendre progressivement à davantage de scénarios. Pour les entreprises envisageant un achat d'entreprise, il est recommandé de se concentrer sur les éléments suivants pendant la période pilote : (1) La compatibilité des migrations .ipynb existantes (les bibliothèques personnalisées complexes et les configurations du noyau peuvent ne pas migrer en douceur) ; (2) L'exactitude et le taux de rappel de l'agent AI sur les requêtes commerciales réelles - il est recommandé de préparer au moins 100 requêtes commerciales typiques comme ensemble de tests d'évaluation ; (3) La complexité d’exploitation et de maintenance des solutions de déploiement privées et le coût d’intégration de l’infrastructure existante. Au niveau du contrat, il est nécessaire de confirmer l'emplacement de stockage des données, la politique de cryptage, la période de conservation des journaux d'audit et les conditions du SLA. Portez une attention particulière à savoir si les données du modèle LLM externe (GPT-5.5 / Sonnet 4.6) appelées par l'agent AI seront utilisées pour la formation du modèle.

Outils associés : hugging-face, replicate

Informations de version

• Mise à jour Deepnote de juin 2026 ：Service cloud itératif en continu sans numéro de version fixe. （2026-06）
• Deepnote est lancé publiquement ：Il n’y a pas encore de date officielle précise. （~2021-09）