4 Jusqu’ici, le débat sur l’IA agentique a surtout porté sur les modèles, les frameworks d’orchestration et les schémas de conception d’agents. On s’est beaucoup moins intéressé à la couche d’infrastructure qui permet à tout cela de fonctionner de façon fiable à l’échelle de l’entreprise, et plus précisément à ce qui arrive à votre architecture de stockage lorsque l’IA cesse d’être une simple consommatrice de données pour devenir un acteur autonome qui agit sur elles. Cette distinction compte plus qu’il n’y paraît. Les charges de travail d’IA traditionnelles sont essentiellement orientées lecture : vous constituez un jeu de données d’entraînement, vous le fournissez à un modèle et vous récupérez les résultats. Les exigences de stockage, bien qu’élevées en débit et en volume, restent relativement prévisibles. L’IA agentique est fondamentalement différente. Les agents ne se contentent pas de lire les données : ils les interrogent, les écrivent, les modifient, en tirent du contexte au fil de sessions à plusieurs échanges, et font tout cela simultanément, de façon autonome et souvent imprévisible. L’infrastructure de l’IA agentique doit répondre à un ensemble d’exigences totalement différent. Selon le rapport annuel 2025 de McKinsey sur l’IA, près des deux tiers des entreprises expérimentaient des agents d’IA, et 88 % utilisaient l’IA dans au moins une fonction métier. Pourtant, seule une entreprise sur dix a réussi à déployer ses agents à grande échelle au-delà du stade pilote. La raison la plus fréquente n’était pas la qualité des modèles, mais une infrastructure de données incapable de supporter les exigences de systèmes d’IA autonomes et multi-étapes en production. C’est le problème d’infrastructure auquel l’industrie du stockage commence seulement à s’attaquer sérieusement. Pour bien le résoudre, il faut d’abord comprendre ce que l’IA agentique exige réellement de la couche de données. Comment l’IA agentique change le contrat du stockage Dans les déploiements d’IA classiques, la relation entre le système d’IA et la couche de stockage est relativement unidirectionnelle. Les données entrent, les modèles produisent des résultats, les résultats sont stockés. Le rôle du système de stockage est d’être rapide, volumineux et durable. L’IA agentique rompt ce contrat de quatre façons précises. Les agents ont besoin d’un état persistant d’une session à l’autre. Contrairement à un simple appel d’inférence, les systèmes agentiques conservent le contexte sur plusieurs interactions, tâches et périodes. La couche de stockage doit donc prendre en charge des lectures et écritures rapides et cohérentes de l’état des sessions, de la mémoire des agents et du contexte intermédiaire des tâches, et pas seulement l’accès séquentiel à de grands jeux de données. Les schémas d’accès ressemblent moins à l’entraînement de modèles qu’à un système transactionnel à forte concurrence opérant sur des données non structurées à très grande échelle. Les agents génèrent et consomment des métadonnées à un rythme que les systèmes hérités ne peuvent pas suivre. Chaque action d’un agent (chaque requête, récupération, décision et écriture) génère des métadonnées. Dans les architectures multi-agents où des dizaines ou des centaines d’agents opèrent simultanément, la couche de métadonnées devient l’un des composants les plus sensibles aux performances de toute la pile. Les systèmes de stockage qui traitent les métadonnées comme une préoccupation secondaire, ou qui ne font pas évoluer les opérations de métadonnées indépendamment de la capacité, deviennent presque immédiatement des goulets d’étranglement. C’est précisément pourquoi la mise à l’échelle multidimensionnelle, y compris celle des services de métadonnées (en anglais) n’est pas un plus pour l’infrastructure de l’IA agentique : c’est un prérequis. Les agents doivent récupérer du contexte, pas seulement des données. Les systèmes agentiques basés sur le RAG dépendent d’une récupération rapide et pertinente sur le plan sémantique dans des bases de connaissances qui peuvent atteindre plusieurs pétaoctets. Cela exige un stockage qui prend en charge un étiquetage riche et extensible des métadonnées par les applications, ainsi qu’une recherche efficace dans ces métadonnées, pour que les agents trouvent rapidement les bons objets sans parcourir des jeux de données entiers. L’architecture du stockage objet, pilotée par les métadonnées, (en anglais) s’y prête naturellement, mais seulement si la couche de métadonnées est conçue pour évoluer au même rythme que la capacité. Les agents qui écrivent des données de façon autonome créent de nouveaux risques auxquels l’immuabilité doit répondre. C’est la dimension de l’infrastructure de l’IA agentique qui reçoit le moins d’attention, et sans doute celle qui compte le plus. Lorsque des agents d’IA peuvent écrire dans le stockage de façon autonome (journaliser des décisions, mettre à jour des bases de connaissances, modifier des jeux de données), les conséquences d’un agent corrompu ou compromis sont bien plus graves que dans un système en lecture seule. L’immuabilité, imposée au niveau du stockage via S3 Object Lock, fournit un contrôle de sécurité essentiel : elle garantit que les données écrites par les agents ne peuvent pas être modifiées a posteriori, que ce soit par un agent défaillant, une attaque par injection de prompt ou un acteur malveillant exploitant les autorisations d’un agent. Dans les environnements d’IA agentique, l’immuabilité n’est pas seulement une fonction de conformité : c’est une architecture de sécurité (en anglais). Le problème de concurrence dont personne ne parle La plupart des discussions sur l’infrastructure d’IA portent sur le débit, c’est-à-dire la vitesse à laquelle les données peuvent alimenter les clusters de GPU pendant l’entraînement. L’IA agentique introduit un autre défi de performances : une concurrence extrême sur de petits objets. Lorsqu’un seul agent exécute une tâche en plusieurs étapes, il peut effectuer des dizaines d’opérations de stockage (lectures, écritures, requêtes de métadonnées) pour mener à bien une seule tâche. Lorsque des centaines d’agents opèrent simultanément dans un environnement d’entreprise, le volume total de transactions sur la couche de stockage peut atteindre des millions d’opérations par seconde, dont beaucoup portent sur de petits objets plutôt que sur de gros fichiers séquentiels. Les architectures de stockage traditionnelles ne sont pas conçues pour cela. Les systèmes qui lient étroitement les opérations de métadonnées à l’évolution de la capacité saturent sous des charges à forte concurrence et à petits objets bien avant d’atteindre leurs limites de capacité. Un stockage qui fait évoluer indépendamment les services de métadonnées, le débit transactionnel et la capacité (en anglais) gère cela proprement, car chaque dimension peut croître au rythme réellement exigé par la charge. C’est la différence d’architecture entre un stockage conçu pour les charges d’IA pré-agentiques et une infrastructure capable de supporter réellement des systèmes agentiques à l’échelle de l’entreprise. Le premier optimise le débit séquentiel. La seconde optimise toutes les dimensions simultanément. Ce que l’infrastructure de l’IA agentique exige réellement Traduites en capacités d’infrastructure concrètes, ces exigences imposent à la couche de stockage de l’IA agentique de fournir cinq éléments que le stockage d’entreprise classique n’a pas été conçu pour offrir ensemble. Un accès à forte concurrence et à faible latence pour les petits objets. L’état des agents, le contexte des sessions et les résultats intermédiaires des tâches sont généralement de petits objets consultés à très haute fréquence. La couche de stockage doit gérer des milliards d’opérations sur de petits objets sans dégradation de la latence, une exigence qui révèle les limites des architectures de stockage objet traditionnelles, non conçues pour ce schéma d’accès. Des métadonnées riches et évolutives que les agents peuvent interroger directement. Les systèmes de RAG agentique dépendent de la capacité à récupérer rapidement des objets pertinents dans des jeux de données massifs. Cela exige des métadonnées extensibles par les applications : pas seulement des métadonnées système, mais des étiquettes personnalisées qui encodent le sens, le lignage des données, la provenance des agents et la pertinence pour la récupération (en anglais). Un stockage qui le prend en charge nativement, avec une recherche de métadonnées qui évolue de façon indépendante, évite d’ajouter des couches distinctes de gestion des métadonnées. L’immuabilité par défaut, et non en option. Chaque objet écrit par un système agentique doit être considéré comme candidat à une protection immuable. Cela ne signifie pas que tous les objets sont verrouillés définitivement, mais que l’architecture de stockage impose une immuabilité configurable, pilotée par des politiques, applicable finement selon le type d’objet, l’identité de l’agent ou l’étape du workflow. S3 Object Lock le permet au niveau du stockage, ce qui garantit que les données écrites par les agents bénéficient des mêmes garanties de protection que tout autre jeu de données critique de l’entreprise. Une gouvernance qui couvre tous les environnements. L’IA agentique d’entreprise ne s’exécute pas dans un seul environnement. Les agents opèrent sur l’infrastructure on-premise, dans les clouds publics et en périphérie, partout où se trouvent les données et la puissance de calcul dont ils ont besoin. Le modèle de gouvernance des données de l’IA agentique doit couvrir uniformément tous ces environnements (en anglais), avec des contrôles d’accès, des pistes d’audit et des politiques de conservation cohérents, quel que soit l’endroit où les données sont stockées ou l’agent qui les a créées. Une gouvernance fragmentée entre environnements hybrides, c’est ainsi que les données générées par les agents deviennent ingouvernables à grande échelle. Une résilience qui tient compte des risques introduits par les agents. Les systèmes agentiques introduisent des modes de défaillance qui n’existaient pas dans les déploiements d’IA classiques : des agents qui tournent en boucle, consomment des ressources inattendues ou écrivent des données corrompues dans des bases de connaissances partagées. La couche de stockage a besoin de mécanismes de résilience (réplication, erasure coding et sauvegardes immuables) qui protègent à la fois contre les pannes d’infrastructure et contre la corruption de données causée par les agents. Une architecture multiniveau qui sépare les données chaudes accessibles aux agents du stockage protégé à long terme (en anglais) offre la bonne isolation entre couches opérationnelles et couches d’archivage. La dimension hybride : là où l’IA agentique s’exécute réellement L’une des réalités sous-estimées de l’IA agentique en entreprise est que les agents ne choisissent pas où résident les données. Ils opèrent dans l’environnement que l’entreprise a déjà construit, c’est-à-dire un cloud hybride, avec des données réparties entre systèmes on-premise, plusieurs clouds publics et, de plus en plus, des sites en périphérie où sont générées les données en temps réel. Cela crée une exigence d’infrastructure précise : la couche de stockage doit présenter une interface cohérente aux agents, quel que soit l’emplacement physique des données. Un agent qui effectue une tâche de récupération ne devrait pas avoir besoin de savoir si la base de connaissances qu’il interroge se trouve on-premise ou dans AWS. C’est pour cette raison que l’API S3 s’est imposée comme standard de fait : elle fournit une interface uniforme que les frameworks agentiques, les bases de données vectorielles et les outils d’orchestration prennent déjà en charge nativement. Un stockage objet de cloud hybride (en anglais) qui étend un espace de noms compatible S3 cohérent aux environnements on-premise et cloud donne aux systèmes agentiques ce dont ils ont besoin : une couche de données unique et unifiée qui masque la complexité de l’infrastructure hybride sans imposer de centralisation des données. Les agents opèrent au rythme de la charge de travail, et non au rythme des transferts de données entre environnements. Pourquoi le choix du stockage précède celui du framework d’agents La plupart des entreprises abordent le déploiement de l’IA agentique dans le mauvais ordre. Les équipes choisissent des frameworks d’agents (LangGraph, CrewAI, AutoGen), évaluent des outils d’orchestration, prototypent des workflows, puis découvrent tardivement que l’infrastructure de stockage ne peut pas supporter ce qu’elles ont construit à grande échelle. La raison est simple : les frameworks d’agents sont relativement faciles à remplacer pendant le développement. L’architecture de stockage, non. La couche de données est le seul composant dont dépendent chaque agent, chaque workflow et chaque application en aval. Se tromper, c’est devoir reconstruire au pire moment : lorsque vous essayez de transformer un pilote fonctionnel en système de production. L’infrastructure de l’IA agentique ne relève pas d’une autre catégorie que celle des pipelines de données d’IA classiques. C’est le même socle, avec des exigences nettement plus élevées en matière de performances des métadonnées, de concurrence, d’immuabilité et de gouvernance. Les organisations qui ont déjà investi dans un stockage objet évolutif, riche en métadonnées et immuable sont bien placées pour étendre ce socle aux charges agentiques. Les autres se heurteront au goulet d’étranglement du stockage au moment précis où leurs déploiements d’IA agentique commenceront à tenir leurs promesses. Le modèle est la partie visible de l’IA agentique. C’est la couche de stockage qui détermine si elle passe réellement à l’échelle. Pour aller plus loin Pipelines de données d’IA : architecture, étapes et bonnes pratiques Mise à l’échelle multidimensionnelle pour l’IA et le stockage cloud (en anglais) Stockage hiérarchisé pour l’IA : performances évolutives et maîtrise des coûts (en anglais) Répondre aux charges d’IA et de ML avec le stockage objet (en anglais) 5 cas d’usage de l’IA en entreprise propulsés par le stockage objet (en anglais) Qu’est-ce que le stockage immuable ? Définition, avantages et fonctionnement (en anglais) Stockage multicloud : architecture, avantages et stratégie (en anglais) Confidentialité, souveraineté et protection des données (en anglais) Qu’est-ce qu’un datacenter d’IA ? Cas d’usage du stockage objet (en anglais) Découvrez comment Scality RING prend en charge les charges d’IA agentique en entreprise, des opérations de métadonnées à forte concurrence aux données immuables écrites par les agents, à l’échelle du pétaoctet. Demander une démo personnalisée →
