Votre infrastructure est-elle vraiment prête pour l’IA ?

Aujourd’hui, tout le monde a une stratégie d’IA. Mais bien moins d’organisations ont l’infrastructure pour la soutenir réellement.

Au cours de la dernière année, j’ai discuté avec des dizaines de dirigeants IT qui sont sous une pression réelle pour offrir des expériences alimentées par l’IA. Ils sont censés avoir des outils de productivité plus rapides, une automatisation intelligente et une gestion d’extrémité plus intelligente. Et cette pression s’étend au-delà des travailleurs humains: les organisations sont maintenant invitées à provisionner et à gérer des agents IA qui ont besoin de leur propre calcul, de leurs propres environnements de bureau et de leur propre modèle de gouvernance.

Ayant passé des années à aider à construire Windows 365 et Azure Virtual Desktop chez Microsoft, j’ai développé une image claire de ce qui sépare les organisations qui déployent avec succès l’IA de celles qui stagneront. Cela se résume presque toujours à trois choses: l’utilisation du cloud, la qualité des données et la discipline des coûts.

Utilisez-vous ce que vous avez déjà ?

La première question que je pose à tout dirigeant IT est: à quel point utilisez-vous bien les capacités cloud que vous payez déjà ?

La plupart des organisations, si elles sont honnêtes, sous-utilisent considérablement leurs environnements cloud. Ils ont migré des charges de travail, mais la mentalité de lift-and-shift signifie qu’ils exécutent des modèles hérités dans un environnement moderne et manquent des fonctionnalités d’optimisation intégrées à la plate-forme de leur fournisseur de cloud.

Cela est extrêmement important pour l’IA. Ces charges de travail sont gourmandes en ressources et dynamiques. Elles augmentent, elles évoluent et elles ont besoin d’élasticité. Un environnement qui n’a pas été optimisé pour une exploitation native cloud s’effondrera sous cette demande ou vous coûtera beaucoup plus que nécessaire lorsqu’il ne le fait pas.

Avant d’investir dans de nouvelles capacités d’IA, examinez attentivement votre environnement actuel et posez-vous ces questions:

• Vos machines virtuelles sont-elles de la bonne taille, ou exécutez-vous des instances surdimensionnées ?
• Les politiques d’auto-évolution sont-elles réellement réglées sur vos modèles de charge de travail, ou sont-elles configurées et oubliées ?
• Utilisez-vous des instances réservées et des plans d’épargne, ou utilisez-vous un tarif à la demande pour tout ?

Les fournisseurs de cloud ont investi dans l’outillage d’optimisation. Utilisez-le. Et si votre couche de gestion ne met pas en surface ces informations, c’est un écart qui vaut la peine d’être comblé avant d’aller plus loin.

Les données sont la fondation, et la plupart des données des organisations sont cassées

Le deuxième facteur de préparation, et franchement plus critique, est les données. Pas la stratégie de données en soi. L’état réel de vos données aujourd’hui.

Les systèmes d’IA ne sont bons que si les données sur lesquelles ils sont formés ou qu’ils utilisent sont de qualité. Ce n’est pas une nouvelle idée, mais les implications pratiques sont encore sous-estimées dans la plupart des organisations IT. Lorsque je parle de préparation des données pour l’IA, je veux dire trois dimensions spécifiques: propreté, complétude et opportunité.

La propreté signifie que vos données n’ont pas de doublons, d’incohérences ou d’erreurs qui corrompront les sorties. Pour la gestion des extrémités, cela pourrait signifier des enregistrements d’utilisateurs avec des attributs obsolètes, des profils d’appareil qui n’ont pas été mis à jour depuis des mois ou des affectations de stratégie qui ne reflètent pas la structure actuelle de l’organisation.

La complétude signifie que vous avez l’ampleur des signaux dont l’IA a besoin pour tirer des inférences significatives. Un moteur de recommandation pour la livraison d’applications n’est pas utile si la plupart de votre télémétrie d’appareil est manquante. Un système de détection d’anomalie ne peut pas établir une ligne de base si vos journaux ont des lacunes. Avant de déployer des fonctionnalités alimentées par l’IA, cartographiez ce que vous avez par rapport à ce dont une fonctionnalité donnée a besoin.

L’opportunité est la dimension que les organisations sous-estiment le plus. Il s’agit d’intelligence en temps réel ou quasi réel. Des données obsolètes produisent des idées obsolètes, et des idées obsolètes peuvent être pires que pas d’idées du tout. Si vos pipelines de données sont traités la nuit ce qui devrait s’écouler en continu, c’est un problème structurel que l’IA ne résoudra pas.

L’hygiène des données, la modernisation des pipelines et l’instrumentation de la télémétrie ne font pas de présentations de conseil d’administration passionnantes. Mais ce sont la différence entre des fonctionnalités d’IA qui fonctionnent et des fonctionnalités d’IA qui sont abandonnées trois mois après leur lancement.

Le contrôle des coûts n’est pas une afterthought

La troisième dimension de la préparation à l’IA est financière, et elle mérite plus d’attention qu’elle n’en reçoit dans la phase de planification.

Les charges de travail d’IA sont coûteuses à exécuter, elles sont difficiles à prédire et elles évoluent souvent plus vite que les budgets ne peuvent suivre. J’ai vu des organisations obtenir une valeur significative de premiers pilotes d’IA, puis regarder les coûts s’envoler lorsque ces pilotes sont passés à la production, car personne n’avait conçu un modèle de gouvernance des coûts pour les accompagner.

C’est particulièrement vrai dans les environnements de bureau virtuel et de gestion d’extrémité, où les fonctionnalités d’IA telles que l’intelligence de session, la mise à l’échelle prédictive et la réparation automatisée peuvent générer une demande de calcul substantielle sur des milliers de sessions simultanément.

Les organisations qui gèrent cela bien partagent quelques caractéristiques:

Ils traitent l’efficacité de l’infrastructure comme une condition préalable, et non comme une optimisation à faire plus tard. Ils ont déjà fait le travail de mise à la bonne taille, d’élimination des déchets et d’établissement de références de coûts avant l’arrivée des charges de travail d’IA.

Ils intègrent la visibilité des coûts dans les opérations. Ils savent quels sont leurs coûts par utilisateur, par session et par charge de travail, ce qui signifie qu’ils peuvent détecter lorsque les fonctionnalités d’IA entraînent des dépenses inattendues suffisamment tôt pour corriger le tir.

Et ce qui est important, ils ont choisi une couche de gestion qui met en surface les signaux de coûts de manière proactive, afin qu’ils ne découvrent pas les dépenses excessives dans la facture mensuelle de cloud, mais plutôt grâce à des tableaux de bord en temps réel qui permettent des décisions plus rapides.

L’écart est comblable, mais cela nécessite de l’honnêteté d’abord

Les organisations dont je suis le plus optimiste sont celles qui sont prêtes à prendre un regard honnête sur leur situation.

L’écart entre l’ambition d’IA et la mise en œuvre est réel, mais il n’est pas permanent. Et la prochaine frontière est déjà visible: à mesure que l’IA agente passe du pilote à la production, la question de la préparation de l’infrastructure s’étend au-delà des utilisateurs humains pour inclure les agents eux-mêmes.

Cela signifie auditer l’utilisation du cloud avant de l’étendre et investir dans la qualité des données avant de superposer l’IA. Cela signifie également traiter la gouvernance des coûts comme une préoccupation architecturale, et non comme un problème d’équipe financière.

L’écart entre l’ambition d’IA et la mise en œuvre est réel, mais il n’est pas permanent. C’est un problème d’ingénierie et d’exploitation, et ce sont exactement les problèmes que notre communauté IT excelle à résoudre.