Les meilleurs fournisseurs de stockage pour l’IA en 2026 : ce qu’il faut rechercher

2

Les discussions sur l’infrastructure d’IA portent souvent sur les GPU, les accélérateurs et les modèles. Mais à mesure que l’IA d’entreprise passe en production, l’architecture de stockage sous ces ressources de calcul prend de plus en plus d’importance.

Les jeux de données d’entraînement peuvent contenir des milliards d’objets. Les pipelines de génération augmentée par récupération (RAG) ingèrent et récupèrent en continu des informations d’entreprise. L’inférence crée des données supplémentaires qui peuvent devoir être conservées, analysées ou réinjectées dans de futurs modèles. Dans le même temps, les organisations doivent protéger leur propriété intellectuelle, maîtriser l’emplacement des informations sensibles et gérer les coûts d’infrastructure à mesure que les volumes de données augmentent.

Ces exigences ont fait émerger un marché spécifique de fournisseurs de stockage pour l’IA : des éditeurs qui développent un stockage et une infrastructure de données conçus pour de grands jeux de données d’IA sensibles aux performances.

Il n’existe pas de meilleur fournisseur de stockage pour l’IA valable pour tous les environnements. Le bon choix dépend de l’endroit où s’exécute l’IA, du volume de données concerné, des performances requises, des exigences de protection des données et de la manière dont l’infrastructure doit évoluer.

Voici plusieurs des entreprises que les équipes d’infrastructure sont susceptibles de rencontrer lorsqu’elles évaluent un stockage pour l’IA d’entreprise.

Qu’est-ce que le stockage pour l’IA ?

Le stockage pour l’IA est une infrastructure de données conçue pour stocker, protéger et fournir les jeux de données utilisés tout au long des workflows d’IA et de machine learning.

Ces jeux de données sont souvent dominés par des données non structurées comme des documents, des images, des vidéos, de l’audio, des journaux, des données scientifiques et des artefacts de modèles. Le stockage pour l’IA doit donc concilier une très grande capacité et des profils d’accès très variables.

Un cycle de vie type des données d’IA peut comprendre :

Ingestion des données → préparation → entraînement → points de contrôle → inférence → conservation → réutilisation

Chaque étape peut imposer des exigences différentes au stockage.

L’entraînement peut exiger un débit extrêmement élevé pour alimenter les clusters de GPU. Les applications RAG peuvent avoir besoin d’accéder à d’énormes référentiels d’informations d’entreprise. Les points de contrôle et les artefacts de modèles ont besoin d’un stockage et d’une protection fiables. Les jeux de données plus anciens peuvent garder de la valeur pour le réentraînement ou la gouvernance même lorsqu’ils n’exigent plus de supports haute performance.

L’architecture de stockage pour l’IA est donc autant une question de cycle de vie qu’une question de performance.

Que rechercher chez un fournisseur de stockage pour l’IA ?

Les performances des benchmarks sont utiles, mais elles ne doivent pas être le seul critère pour comparer les meilleurs fournisseurs de stockage pour l’IA.

Les équipes d’infrastructure doivent évaluer plusieurs caractéristiques.

1. La capacité à évoluer avec les jeux de données d’IA

Les jeux de données d’IA peuvent croître rapidement et de façon imprévisible.

Le stockage doit donc pouvoir évoluer au-delà des besoins du projet d’IA initial sans imposer aux organisations des migrations perturbantes ou une refonte de l’architecture.

Pour les grands environnements d’entreprise, cela peut signifier passer de quelques pétaoctets à des dizaines ou des centaines de pétaoctets, voire à des exaoctets.

La possibilité de faire évoluer la capacité indépendamment du calcul ou des performances peut aussi devenir importante à mesure que l’environnement d’IA évolue.

2. Un accès aux données à haut débit

Une infrastructure GPU coûteuse doit passer son temps à traiter des données plutôt qu’à attendre le stockage.

Les systèmes de stockage pour l’IA ont besoin d’un débit agrégé et d’une concurrence suffisants pour servir de grands clusters de GPU tout en gérant d’autres activités comme l’ingestion, les points de contrôle et l’analytique.

De nouvelles approches comme les chemins de données directs entre GPU et stockage et S3 sur RDMA réduisent aussi la charge entre le stockage objet et le calcul accéléré.

3. La prise en charge des données non structurées

Une part importante des informations d’entreprise utiles à l’IA est non structurée.

Documents, images, vidéos, imagerie médicale, données de capteurs et données générées par des machines sont des entrées courantes des systèmes d’IA.

Le stockage objet est donc devenu une composante importante de l’infrastructure d’IA privée, car il offre un espace de noms évolutif et un modèle d’accès S3 pour de très grands jeux de données non structurées.

4. La flexibilité du cycle de vie des données

Tous les octets d’un environnement d’IA n’ont pas besoin du même support de stockage.

Les données d’entraînement actives peuvent justifier la flash. Les grands référentiels utilisés pour le RAG ou de futurs entraînements peuvent convenir à un stockage orienté capacité. Les jeux de données plus anciens peuvent finir sur un stockage plus froid tout en restant disponibles pour la gouvernance ou la réutilisation.

Les plateformes de stockage capables d’accueillir différents niveaux de performance et de capacité peuvent aider les organisations à éviter de stocker tous leurs jeux de données d’IA sur les supports les plus coûteux.

5. La cyber-résilience

Les jeux de données d’IA peuvent représenter des années de propriété intellectuelle accumulée.

Les données d’entraînement, les modèles propriétaires et les référentiels de connaissances de l’entreprise ont donc besoin du même niveau de protection que les autres informations critiques.

Les équipes d’infrastructure doivent évaluer l’immuabilité, le chiffrement, l’authentification, l’intégrité des données, la protection des domaines de défaillance et les capacités de reprise en même temps que les performances.

6. La souveraineté et le contrôle des données

Les organisations qui exploitent une infrastructure d’IA privée peuvent devoir savoir exactement où résident leurs données et qui peut y accéder.

C’est particulièrement pertinent pour les secteurs réglementés, les administrations et les entreprises qui opèrent dans plusieurs juridictions.

Un stockage défini par logiciel déployé sur une infrastructure contrôlée par l’organisation peut offrir une alternative au placement exclusif des jeux de données d’IA sensibles dans des environnements de cloud public.

Les meilleurs fournisseurs de stockage pour l’IA à évaluer en 2026

Les éditeurs suivants représentent différentes approches du problème du stockage pour l’IA. Certains misent sur des performances flash maximales, d’autres sur le stockage objet à grande échelle, les plateformes de données unifiées ou l’infrastructure d’entreprise.

1. Scality

Idéal pour : les environnements d’IA d’entreprise qui exigent un stockage objet évolutif, une infrastructure flexible et une gestion à long terme de grands jeux de données non structurées.

Scality développe une infrastructure de données définie par logiciel pour les organisations qui opèrent à l’échelle de plusieurs pétaoctets et de l’exaoctet.

Son portefeuille comprend Scality ADI, RING et ARTESCA, le stockage objet constituant le socle des grands jeux de données non structurées et des pipelines de données d’IA.

Scality ADI est conçu autour de l’évolution des exigences de stockage de l’IA d’entreprise. Son architecture peut aligner différents supports de stockage et caractéristiques de performance sur les étapes du cycle de vie des données, plutôt que d’obliger les organisations à conserver tous leurs jeux de données sur un seul niveau de stockage.

Pour les charges de travail d’IA sensibles aux performances, Scality prend en charge l’accès GPU-direct aux données grâce à S3 sur RDMA. En parallèle, l’architecture peut couvrir flash, HDD et bande, ce qui permet aux organisations de conserver de grands jeux de données sans traiter toutes les données d’IA comme durablement chaudes.

L’architecture définie par logiciel de Scality dissocie aussi le logiciel de stockage du matériel propriétaire, ce qui donne aux équipes d’infrastructure plus de flexibilité dans le choix des serveurs et des supports.

Ses principales capacités sont :

• Une évolutivité de plusieurs pétaoctets à l’exaoctet
• Un stockage objet S3 pour les grands jeux de données non structurées
• Des performances GPU-direct avec S3 sur RDMA
• Une évolution indépendante des ressources d’infrastructure
• La prise en charge de la flash, des HDD et de la bande sur tout le cycle de vie des données
• Des capacités de cyber-résilience intégrées
• Une exploitation autonome de l’infrastructure
• La prise en charge d’environnements d’IA privés et souverains

Scality est particulièrement pertinent lorsque l’IA s’inscrit dans une stratégie de données d’entreprise plus large et que les organisations doivent conserver, protéger et réutiliser de très grands jeux de données sur de longues périodes.

2. VAST Data

Idéal pour : les grands environnements d’IA et de HPC qui privilégient une infrastructure flash haute performance et une plateforme de données unifiée.

VAST Data est devenu étroitement associé à l’infrastructure d’IA à grande échelle grâce à son architecture désagrégée fondée sur la flash.

La plateforme associe stockage et services de données au sein d’une architecture unifiée et est conçue pour offrir un débit élevé et une faible latence aux charges intensives en GPU.

Sa conception désagrégée permet de faire évoluer séparément la capacité et les ressources de traitement, ce qui peut être utile dans les grands clusters d’IA dont les besoins d’infrastructure changent au fil du temps.

VAST est un candidat sérieux pour les organisations qui construisent des environnements d’IA haute performance où les performances flash, l’utilisation des GPU et une architecture de données unifiée sont des exigences principales.

3. WEKA

Idéal pour : l’entraînement IA intensif en GPU et les charges HPC qui exigent des performances de stockage très élevées.

WEKA se concentre fortement sur les environnements d’IA et de calcul haute performance sensibles aux performances.

Son architecture est conçue pour offrir un accès aux données à faible latence et à haut débit sur de grands clusters de GPU. WEKA prend en charge l’accès fichier et objet et est couramment positionné aux côtés d’infrastructures de calcul accéléré à haute densité.

Les organisations qui entraînent de grands modèles ou exploitent une infrastructure d’IA très chargée en GPU peuvent évaluer WEKA lorsque les performances de stockage sont l’une des exigences d’architecture dominantes.

Le compromis à considérer est de savoir si l’ensemble du cycle de vie des données d’IA exige les mêmes caractéristiques de performance que le niveau d’entraînement actif. Les grandes entreprises peuvent encore avoir besoin d’une infrastructure orientée capacité pour le volume bien plus important de données qui entoure les jeux d’entraînement actifs.

4. Everpure

Idéal pour : les entreprises qui recherchent un stockage full flash performant avec une gestion d’infrastructure simplifiée.

Everpure, anciennement Pure Storage, fournit un stockage fondé sur la flash et une infrastructure de gestion des données pour les charges d’IA d’entreprise.

Sa plateforme FlashBlade prend en charge des charges fichier et objet très parallèles dans les environnements d’IA, d’analytique et de HPC. L’architecture est conçue pour offrir un débit et une concurrence élevés aux applications gourmandes en données, y compris l’infrastructure d’IA à base de GPU.

Everpure peut être une option solide pour les organisations qui privilégient les performances flash, la simplicité d’exploitation et une gestion du cycle de vie de l’infrastructure sans interruption.

Pour les très grands patrimoines de données d’IA, les équipes d’infrastructure doivent aussi examiner l’économie de la conservation des données sur flash tout au long de leur cycle de vie, en particulier lorsqu’une part importante du jeu de données n’exige pas des performances maximales.

5. Cloudian

Idéal pour : les organisations qui recherchent un stockage objet compatible S3 pour de grands jeux de données d’IA.

Cloudian fournit un stockage objet scale-out autour de sa plateforme HyperStore et a élargi son positionnement vers l’infrastructure d’IA.

Son architecture met l’accent sur la compatibilité S3, les données non structurées à grande échelle et le déploiement sur site. Cloudian prend aussi en charge l’accès direct au stockage pour les environnements GPU grâce à une technologie fondée sur RDMA.

Pour les organisations qui envisagent le stockage objet comme couche de données persistante derrière leurs pipelines d’IA, Cloudian représente une autre option du marché.

Autres fournisseurs de stockage pour l’IA à considérer

Le marché du stockage pour l’IA ne se limite pas à ces cinq éditeurs.

Dell Technologies, HPE, IBM et NetApp proposent tous des plateformes de stockage d’entreprise qui peuvent s’intégrer à une infrastructure d’IA. Les fournisseurs de cloud hyperscale, dont AWS, Microsoft Azure et Google Cloud, offrent aussi de vastes services objet, fichier et de données pour les charges d’IA dans le cloud.

La liste restreinte appropriée dépend fortement de l’architecture en cours de construction.

Une application d’IA cloud native peut privilégier les services de stockage hyperscale. Un grand cluster d’entraînement GPU peut donner la priorité à un stockage parallèle haute performance. Une plateforme d’IA d’entreprise privée peut accorder plus de poids au stockage objet évolutif, à la souveraineté, à la cyber-résilience et à l’économie des données à long terme.

Comparatif des fournisseurs de stockage pour l’IA

Entreprise	Orientation de l’architecture	Usage idéal
Scality	Infrastructure objet/de données définie par logiciel	IA d’entreprise, IA privée, grands jeux de données non structurées, cycle de vie à long terme des données d’IA
VAST Data	Plateforme de données unifiée fondée sur la flash	Grands clusters de GPU, IA et HPC
WEKA	Plateforme de données parallèle haute performance	Entraînement intensif en GPU et HPC
Pure Storage	Stockage fichier et objet full flash	IA d’entreprise exigeant des performances flash élevées
Cloudian	Stockage objet S3 scale-out	Grands jeux de données d’IA sur site

Ce comparatif montre aussi pourquoi évaluer le stockage pour l’IA sur le seul débit maximal peut être trompeur.

Le niveau de stockage le plus performant n’est qu’une composante d’une architecture de données d’IA.

Le stockage objet et le cycle de vie des données d’IA

L’un des changements les plus importants de l’infrastructure d’IA est le rôle croissant du stockage objet.

Historiquement, les environnements d’IA et de HPC haute performance s’appuyaient fortement sur les systèmes de fichiers parallèles. Ces systèmes restent précieux pour les charges qui exigent une latence extrêmement faible et un accès intensif à de petits fichiers.

Mais la quantité de données qui entoure les charges d’IA dépasse désormais largement le jeu de données d’entraînement actif.

L’IA d’entreprise peut puiser dans des années de documents, d’images, de vidéos, de télémétrie, de données de recherche et de dossiers métier. Les architectures RAG renforcent encore l’intérêt de conserver de grands référentiels d’informations d’entreprise que les applications peuvent récupérer à la demande.

Le stockage objet offre plusieurs caractéristiques utiles dans cet environnement :

• Une évolutivité massive de l’espace de noms
• Un stockage efficace des données non structurées
• La compatibilité avec l’API S3
• Des métadonnées associées à chaque objet
• Une évolution indépendante de la capacité
• Une forte durabilité
• L’intégration aux applications cloud natives
• Une économie flexible à grande échelle

Cela ne signifie pas que toutes les charges d’IA doivent s’exécuter entièrement depuis le stockage objet.

Les architectes d’infrastructure doivent plutôt déterminer de plus en plus la place de chaque technologie de stockage dans l’ensemble du pipeline de données d’IA.

Performances du stockage pour l’IA ou économie des données d’IA

L’une des décisions de conception centrales de l’infrastructure d’IA est de déterminer quelle quantité de données exige réellement le stockage le plus rapide possible.

Prenons une organisation qui détient 50 Po de données utiles à l’IA.

Seule une partie peut être activement utilisée pour l’entraînement à un moment donné. Une autre partie peut servir au RAG ou à l’inférence. De grandes quantités peuvent être constituées de données d’entraînement historiques, de versions antérieures de modèles, de points de contrôle ou de jeux de données conservés pour un usage futur.

Placer les 50 Po sur de la flash haut de gamme peut offrir d’excellentes performances, mais aussi créer des coûts d’infrastructure et une consommation d’énergie inutiles.

L’alternative est une architecture de données qui adapte les ressources de stockage aux exigences des charges de travail.

Les données d’entraînement chaudes peuvent résider sur des supports haute performance. Les jeux de données persistants plus volumineux peuvent utiliser un stockage orienté capacité. Les informations plus anciennes peuvent passer sur des supports plus froids tout en restant intégrées au patrimoine de données d’IA gouverné de l’organisation.

Cette approche prend de plus en plus d’importance à mesure que les déploiements d’IA passent de projets isolés à une infrastructure d’entreprise partagée.

Les questions à poser aux fournisseurs de stockage pour l’IA

Avant de choisir un fournisseur de stockage pour l’IA, les équipes d’infrastructure doivent tester l’architecture au regard du cycle de vie réel des données plutôt que d’un benchmark unique.

Questions utiles :

1. Comment la plateforme évolue-t-elle lorsque le jeu de données est multiplié par 10 ?
2. La capacité et les performances peuvent-elles évoluer indépendamment ?
3. Comment le système se comporte-t-il avec des milliards d’objets et des clients très simultanés ?
4. Quels protocoles sont pris en charge, notamment S3, NFS et POSIX ?
5. Les GPU peuvent-ils accéder efficacement aux données sans surcharge inutile du CPU ou du réseau ?
6. Comment les jeux de données inactifs sont-ils gérés ?
7. Différents supports de stockage peuvent-ils être utilisés au sein de l’architecture ?
8. Quelles protections existent contre les ransomwares et les suppressions accidentelles ?
9. Comment le système maintient-il l’intégrité des données lors des pannes matérielles ?
10. L’infrastructure peut-elle fonctionner entièrement sur site lorsque la souveraineté l’exige ?
11. L’organisation est-elle liée à du matériel de stockage propriétaire ?
12. Qu’advient-il du coût du stockage et de la consommation d’énergie lorsque l’environnement atteint des dizaines de pétaoctets ?

Ces questions donnent une image plus réaliste de l’adéquation à long terme que le seul débit maximal.

Quel est le meilleur fournisseur de stockage pour l’IA ?

Le meilleur fournisseur de stockage pour l’IA dépend de la charge de travail.

Les organisations qui construisent des clusters de GPU extrêmement exigeants en performances peuvent privilégier des éditeurs comme VAST Data, WEKA ou Pure Storage.

Les organisations qui construisent de grands référentiels d’IA fondés sur S3 peuvent évaluer Scality et Cloudian aux côtés des services de stockage objet dans le cloud.

Pour les entreprises qui exploitent une IA privée de plusieurs pétaoctets ou à l’échelle de l’exaoctet, la décision devient plus large. Les performances comptent toujours, mais la cyber-résilience, la souveraineté, la flexibilité matérielle, la complexité d’exploitation et l’économie de la conservation de jeux de données en croissance rapide comptent aussi.

L’architecture de stockage pour l’IA la plus efficace sera donc probablement celle qui peut prendre en charge tout le cycle de vie des données d’IA de l’entreprise tout en offrant les performances appropriées là où elles sont réellement nécessaires.