4 L’IA d’entreprise passe de l’expérimentation isolée aux workflows de production. Mais cette évolution prend une forme différente dans chaque secteur. Un hôpital qui utilise l’IA pour l’imagerie diagnostique n’a pas le même profil de risque qu’une banque qui l’utilise pour détecter la fraude. Un industriel qui analyse les données des capteurs de ses équipements d’usine a des exigences de latence et de circulation des données différentes de celles d’une administration du secteur public qui intègre l’IA à ses services aux citoyens. Les cas d’usage varient, mais la leçon en matière d’infrastructure reste la même : la réussite de l’IA dépend de la couche de données. À mesure que l’IA passe de l’expérimentation à la production, les organisations découvrent que faire évoluer l’IA est fondamentalement un défi d’infrastructure de données. Les modèles, les GPU et les applications comptent, mais l’IA en production dépend in fine de l’efficacité avec laquelle les données sont stockées, déplacées, gouvernées, protégées et mises à disposition sur l’ensemble du cycle de vie de l’IA. C’est l’un des enseignements les plus clairs d’une étude indépendante de Freeform Dynamics, menée auprès de 504 professionnels seniors de l’IT et des données dans des moyennes et grandes entreprises engagées dans l’IA privée. L’étude, Storage Infrastructure for Enterprise AI: Lessons from Seasoned Adopters on Building Scalable Sovereign Environments (en anglais), portait sur les exigences d’infrastructure de stockage des déploiements d’IA privée exécutés dans des datacenters ou des environnements hébergés dont les organisations contrôlent la pile d’infrastructure. Les résultats montrent que l’IA privée devient une décision d’infrastructure de production, et pas seulement une stratégie de modèles. Dans l’ensemble de l’enquête, 81 % des répondants estiment qu’une IA privée reposant sur une infrastructure qu’ils contrôlent est essentielle à la réussite, dont 43 % pour qui cela s’applique pleinement et 38 % pour qui cela s’applique en partie. Cela ne signifie pas que le cloud public disparaît de l’IA d’entreprise. Les modèles hybrides restent courants, et les services cloud continueront de jouer un rôle important. Mais à mesure que les organisations déploient l’IA dans des environnements critiques, elles réfléchissent de manière plus délibérée à l’endroit où doivent résider les données et les charges de travail. Pour beaucoup, la priorité est le contrôle : contrôle de l’emplacement des données, de l’accès aux modèles, de la gouvernance, des performances, de la résilience, des coûts et de la conformité. Ces exigences deviennent particulièrement importantes dans les secteurs réglementés et à forte intensité de données, où l’IA ne peut être dissociée de l’infrastructure qui l’alimente, la protège et la gouverne. Examiner les résultats par secteur rend ce constat encore plus clair. Chaque secteur adopte l’IA à travers le prisme de ses propres workflows, de son profil de risque et de ses types de données. Mais d’un secteur à l’autre, les mêmes questions d’infrastructure reviennent. Où résident les données ? Comment sont-elles protégées ? À quelle vitesse peut-on y accéder ? Comment circulent-elles dans le pipeline ? Et comment restent-elles utiles dans la durée ? L’IA d’entreprise n’est pas une charge de travail unique Une grande partie du débat public sur l’IA reste centrée sur l’IA générative et les grands modèles de langage. Au sein des entreprises, le tableau est plus large. L’étude de Freeform Dynamics montre que les organisations sont actives dans un large éventail de familles d’IA : machine learning traditionnel, LLM de fondation enrichis par RAG, modèles affinés ou personnalisés, vision par ordinateur, analytique de séries temporelles et IoT, technologies de recommandation et de personnalisation, et IA en périphérie ou distribuée. Cette diversité compte. Dans l’enquête, 68 % des répondants étaient actifs dans au moins trois familles d’IA différentes, et 29 % dans au moins cinq. Chacune de ces charges de travail impose des exigences différentes à l’infrastructure : L’entraînement peut nécessiter un accès à haut débit à des jeux de données massifs. L’inférence peut dépendre d’un accès à faible latence aux modèles, aux bases vectorielles et aux données de référence. La vision par ordinateur exige une gestion efficace de grands référentiels d’images. L’analytique de séries temporelles et IoT dépend de flux continus de données opérationnelles. Les LLM enrichis par RAG ont besoin d’un accès fiable aux contenus et aux sources de connaissances de l’entreprise. C’est là que le contexte sectoriel compte. Les entreprises n’adoptent pas l’IA dans l’abstrait. Elles l’appliquent à des workflows, des types de données et des risques métier spécifiques. Santé et sciences de la vie : une IA gouvernée pour des données sensibles aux enjeux élevés Les organisations du secteur de la santé et des sciences de la vie avancent dans l’IA, mais selon un schéma d’adoption plus mesuré que dans d’autres secteurs. L’enquête montre un usage important des approches d’IA éprouvées dans la santé et les sciences de la vie : Le rapport souligne que les organisations de la santé et des sciences de la vie adoptent nettement moins les LLM, probablement en raison d’inquiétudes liées à la variabilité des réponses, aux hallucinations et aux contraintes réglementaires. Parallèlement, la vision par ordinateur est déjà bien établie dans l’imagerie diagnostique. Pour les responsables de la santé et des sciences de la vie, l’enseignement n’est pas que le secteur est en retard. C’est que l’IA doit être déployée de manière à pouvoir être validée, gouvernée et digne de confiance. Ces organisations gèrent certains des environnements les plus sensibles et les plus riches en données du monde de l’entreprise, des dossiers patients et notes cliniques aux données d’imagerie, jeux de données de recherche et informations génomiques. À mesure que l’IA s’étend au diagnostic, aux opérations, à la recherche et à la relation avec les patients, l’infrastructure doit offrir davantage que des performances brutes. Elle doit aussi prendre en charge le contrôle d’accès, la gestion du cycle de vie, l’intégrité des données, la conservation, la restauration et l’auditabilité. Dans la santé et les sciences de la vie, une IA digne de confiance commence par une infrastructure de données digne de confiance. Services financiers : une IA avancée à l’échelle des données Les organisations de services financiers se sont construites depuis des décennies autour des données, de l’analytique et de l’automatisation. Cet héritage apparaît clairement dans l’enquête. Parmi les répondants des services financiers, les données de l’enquête montrent : Cela traduit une stratégie d’IA mature et équilibrée. Les institutions financières adoptent des approches plus récentes fondées sur les LLM pour la gestion des connaissances et l’aide à la décision, tout en continuant de s’appuyer sur le machine learning pour des cas d’usage établis de longue date, comme la détection de la fraude, la modélisation des risques, le trading algorithmique, la segmentation client, le marketing et la fidélisation. Les enjeux d’infrastructure sont élevés. Les organisations de services financiers doivent avancer vite, mais sans relâchement. Les systèmes d’IA dépendent souvent de grands volumes de données de transactions, de marché, clients et de référence. La latence peut influer sur la prise de décision. La qualité des données peut influer sur le risque. La sécurité, la résilience, l’auditabilité et la conformité réglementaire sont toujours en jeu. Pour les institutions financières, l’IA privée ne consiste pas seulement à adopter des modèles avancés. Il s’agit de les rendre opérationnels au sein d’environnements de données capables de fournir des informations en temps réel sans compromettre le contrôle. Industrie : une IA opérationnelle de la périphérie au cœur Dans l’industrie, l’IA est avant tout opérationnelle. Elle est de plus en plus liée aux systèmes physiques, aux environnements de production, aux données des ateliers et à l’exécution de la chaîne d’approvisionnement. L’enquête montre une large adoption de l’IA parmi les répondants industriels : Ces résultats reflètent le large éventail de cas d’usage de l’IA qui émergent déjà dans l’industrie. Le rapport souligne que les industriels utilisent depuis longtemps la vision par ordinateur avec des modèles entraînés pour le contrôle qualité automatisé, tandis que l’analytique de séries temporelles et le machine learning sont devenus indissociables de la gestion de la production, de l’optimisation de la chaîne d’approvisionnement et de la maintenance prédictive. L’industrie pose aussi un défi d’infrastructure particulier : l’IA doit fonctionner à la fois en périphérie et au cœur. Les données peuvent provenir de capteurs, de machines, de flux vidéo, de systèmes d’inspection, de plateformes logistiques et d’applications d’entreprise. Certaines charges de travail exigent un traitement rapide à proximité des équipements ou des lignes de production. D’autres nécessitent une analyse centralisée à l’échelle des usines, des fournisseurs et des régions. Cela crée un profil de stockage et de gestion des données exigeant. L’IA industrielle a besoin d’une infrastructure capable de gérer des données distribuées, des charges de travail mixtes, des métadonnées à grande échelle, la croissance des données vidéo et des capteurs, ainsi que la résilience dans les environnements opérationnels. Pour les industriels, l’IA ne se limite pas à une meilleure analytique. Elle fait de plus en plus partie du fonctionnement même des opérations. Secteur public : souveraineté, contrôle et continuité L’IA dans le secteur public est façonnée par un autre ensemble de contraintes. Les cas d’usage peuvent concerner les services aux citoyens, la gestion des archives, les transports, la sécurité publique, l’administration des prestations, la recherche ou l’analytique liée aux missions. Beaucoup de ces domaines impliquent des données sensibles, de longues durées de conservation et de fortes attentes en matière de continuité. Pour les organisations du secteur public, l’argument en faveur de l’IA privée commence souvent par la gouvernance et la confiance. Les équipes doivent savoir clairement où résident les données, qui peut y accéder, comment elles sont protégées et comment les services seront rétablis en cas de problème. Les résultats plus généraux de l’enquête vont dans ce sens. Dans le rapport, l’IA privée est définie comme un modèle dans lequel les charges de travail d’IA s’exécutent sur une infrastructure contrôlée par l’organisation, comme son propre datacenter, une installation de colocation ou un environnement d’hébergement bare metal. Le rapport note aussi que les exigences de souveraineté, de conformité et de proximité des données favorisent un recours accru aux déploiements privés. Cela ne rend pas l’IA du secteur public moins ambitieuse. Cela rend ses exigences d’infrastructure plus explicites. Dans ces environnements, les systèmes d’IA doivent être gouvernés, résilients et suffisamment explicables pour préserver la confiance du public. La leçon commune : l’IA en production dépend de l’ensemble du pipeline de données Les différences sectorielles sont importantes. Elles expliquent pourquoi une infrastructure d’IA ne peut pas être conçue à partir d’une vision générique de l’entreprise. Mais la leçon commune est tout aussi importante : l’IA en production dépend de l’ensemble du pipeline de données. Ce pipeline comprend la préparation des données, l’ingestion, l’entraînement, l’affinage, l’inférence, le stockage des modèles, les bases vectorielles, les données de référence, la protection, la restauration et la gestion du cycle de vie. Chaque étape peut imposer des exigences différentes au stockage. L’enquête montre que 86 % des répondants reconnaissent que les différentes étapes du pipeline d’IA ont des besoins de stockage distincts. Les performances du stockage deviennent aussi une préoccupation majeure. Dans l’étude : 57 % des répondants déclarent être très attentifs à éviter que les performances du stockage ne deviennent un goulet d’étranglement à mesure que l’activité d’IA et les volumes de données augmentent. C’est plus que la part des répondants concentrés sur la disponibilité du calcul et des GPU ou sur la bande passante réseau. C’est un correctif utile au discours centré sur les GPU. Le calcul est essentiel, mais l’IA en production dépend aussi de l’efficacité avec laquelle les organisations alimentent les modèles en données, récupèrent les données à l’exécution, protègent les pipelines, se rétablissent après un incident et gouvernent l’information tout au long de son cycle de vie. Le stockage objet fait de plus en plus partie de ce socle. Dans l’ensemble de l’enquête : 91 % des organisations déclarent utiliser de manière significative le stockage objet pour prendre en charge leurs applications et pipelines d’IA, dont 44 % de manière intensive et 47 % de manière assez importante. Cela correspond à la réalité de l’IA d’entreprise. Les charges de travail d’IA impliquent souvent d’énormes volumes de données non structurées — images, documents, journaux, données de capteurs et documents métier — qui doivent rester accessibles aux différents outils, équipes et étapes du pipeline. Dans tous les secteurs, la couche de stockage est le point de convergence des performances, de la résilience, de la souveraineté et du contrôle du cycle de vie. L’avantage de l’expérience L’enquête montre également que l’expérience change la façon dont les organisations envisagent l’infrastructure d’IA. Les adopteurs expérimentés ont tendance à définir plus tôt dans le cycle de vie du projet leurs besoins de stockage pour l’IA. Ils considèrent l’ensemble du pipeline de données lié à l’IA plutôt que de traiter chaque étape comme un problème d’infrastructure distinct. Ils montrent aussi une préférence plus marquée pour des plateformes de stockage flexibles plutôt que pour des solutions ponctuelles, afin de préserver la pertinence et le retour sur investissement à long terme. Cette leçon est importante à mesure que les programmes d’IA gagnent en maturité. De nombreux problèmes d’infrastructure n’apparaissent pas lors des premiers pilotes. Ils surgissent lorsque les projets d’IA passent en production, lorsque davantage d’équipes dépendent de leurs résultats, lorsque les volumes de données augmentent, lorsque les exigences de conformité se complexifient ou lorsque plusieurs charges de travail d’IA commencent à se disputer la même infrastructure. Les organisations de la santé et des sciences de la vie ont besoin de pipelines de données fiables pour des données sensibles et réglementées. Les acteurs des services financiers ont besoin de rapidité, d’échelle, de résilience et d’auditabilité. Les industriels ont besoin d’architectures de la périphérie au cœur capables de fournir des informations opérationnelles en temps réel. Les organisations du secteur public ont besoin de souveraineté, de continuité et d’une gouvernance solide. Les cas d’usage diffèrent, mais la direction est la même. L’IA devient une stratégie d’infrastructure de données. Dans tous les secteurs, les organisations qui réussissent le mieux avec l’IA privée ne traitent pas l’infrastructure comme une considération secondaire. Elles conçoivent pour l’ensemble du pipeline de données, de l’ingestion et du stockage à la gouvernance, à la protection, à l’inférence et à la réutilisation à long terme. À mesure que l’IA s’intègre aux opérations de l’entreprise, la capacité à gérer les données tout au long de ce cycle de vie deviendra un facteur déterminant de la réussite du passage à l’échelle. La stratégie d’IA devient une stratégie d’infrastructure de données À mesure que l’IA d’entreprise passe à l’échelle, les gagnants ne seront pas seulement ceux qui adoptent les premiers le dernier modèle. Ce seront ceux qui sauront mettre l’IA au travail de manière sûre, fiable et répétable dans des environnements métier réels. Cela exige une infrastructure conçue autour des données : où elles résident, comment elles circulent, comment elles sont sécurisées, quelles performances elles offrent, comment elles sont gouvernées et comment elles sont restaurées. L’IA privée gagne du terrain parce que de nombreuses organisations ont besoin de ce niveau de contrôle. L’angle sectoriel rend l’argument encore plus clair. Chaque secteur a son propre schéma d’adoption de l’IA, mais les exigences d’infrastructure convergent. Dans la santé, les services financiers, l’industrie et le secteur public, la réussite de l’IA dépend de plus en plus de la capacité à gérer les données sur l’ensemble de leur cycle de vie, de l’ingestion et du stockage à la gouvernance, à la protection, à l’inférence, à la restauration et à la réutilisation à long terme. Téléchargez le rapport d’enquête de Freeform Dynamics sur l’IA, Storage Infrastructure for Enterprise AI: Lessons from Seasoned Adopters on Building Scalable Sovereign Environments (en anglais), pour découvrir ce que plus de 500 entreprises exploitant l’IA privée ont déjà appris sur le passage à l’échelle de l’IA tout en préservant le contrôle, la résilience et la gouvernance. Contenus associés : L’IA en production est un problème de pipeline de données : les enseignements de 504 entreprises exploitant l’IA privée
