L’essor de l’IA a atteint un milieu décisif : ce que les entreprises doivent savoir

Le collège n’a jamais été la période la plus brillante pour qui que ce soit – mais nous devions tous le traverser, avec ses douleurs de croissance et tout, pour atteindre une version plus mature et meilleure de nous-mêmes.

L’actuel essor de l’IA est en train d’entrer dans son propre âge difficile, que les experts appellent le milieu chaotique entre l’adoption et la maturité. L’hypothèse initiale a disparu, et maintenant, les organisations se concentrent sur le fait de rendre l’IA vraiment opérationnelle. Mais l’IA grandit pendant une période difficile. Les prévisions sont partout, le scepticisme est élevé parmi les entreprises et les consommateurs, et les discussions sur une bulle de l’IA en expansion ont lieu ont les dirigeants d’entreprise sur le qui-vive, attendant le craquement redouté.

À ce moment décisif, les organisations doivent faire la part des choses entre le signal et le bruit – qu’elles soient en train de passer de l’expérimentation à l’application pratique, ou de l’application pratique à l’ubiquité opérationnelle. Cela nécessite de se concentrer sur des facteurs tangibles qu’elles peuvent contrôler, comme leur infrastructure et leur préparation des données ; mesurer les résultats ; et construire les fondations pour la mise à l’échelle.

L’approche infrastructure d’abord

La véritable préparation à l’IA nécessite une infrastructure appropriée pour supporter le déploiement durable des charges de travail de l’IA. Naturellement, l’IA a augmenté la demande de services cloud : les dépenses cloud devraient augmenter de 40% cette année, avec l’infrastructure formant l’article le plus coûteux du budget, et de nouveaux centres de données sont en train de surgir sur chaque continent pour répondre à la demande croissante de calcul de l’IA. À ce point d’inflexion de l’IA, les choix d’infrastructure sont existentiels. L’infrastructure définit ce qui est sûr, ce qui est possible, et ce qui bénéficiera réellement à l’entreprise, au lieu de créer un drain sur les ressources.

L’infrastructure durable est définie par plus que juste les coûts et la puissance de calcul totale. Lorsqu’elles déterminent où et comment héberger leurs charges de travail de l’IA, les organisations doivent prendre en compte des questions de efficacité des ressources, de sécurité, de visibilité et de prix pour les performances. L’infrastructure de l’IA ne peut pas être un investissement à réaliser une seule fois, mais un processus en mouvement, capable d’évoluer avec les exigences de chaque projet.

C’est un départ radical par rapport aux approches historiques de dépenses cloud. Avant l’actuel essor de l’IA, les organisations dépendaient souvent d’un seul fournisseur de services cloud – généralement un hyperscaleur – pour héberger leurs opérations basées sur le cloud. Maintenant, la complexité et la variété des charges de travail de l’IA remettent en question ce modèle, en particulier à mesure que les entreprises se tournent vers des cas d’utilisation plus pratiques, et que des clouds alternatifs émergent pour répondre à la demande.

Les initiatives modernes de l’IA nécessitent une puissance de calcul importante, que les trois plus grands sont bien équipés pour fournir. Les fissures commencent à apparaître lorsque toute cette puissance devient trop importante. Les contrats des hyperscaleurs peuvent être coûteux, gonflés d’additions inutiles, et ne pas offrir la sécurité et la résidence des données requises pour des projets très sensibles.

Au lieu de relier leurs opérations cloud à un seul fournisseur, les entreprises peuvent tirer parti d’une classe croissante d’alternatives pour composer leurs propres piles sur différents fournisseurs, types de GPU et configurations cloud publiques/privées en fonction de leurs besoins spécifiques. De cette façon, elles ne paient pas pour des fonctionnalités qu’elles n’ont pas besoin, tout en personnalisant leurs clouds pour ce dont elles ont besoin.

Une approche infrastructure d’abord pour atteindre la maturité de l’IA est de créer une fondation stable pour la mise à l’échelle, qui maximise l’efficacité et l’utilité sans sacrifier la puissance.

De l’expérimentation à l’application

Au cours des dernières années, les entreprises du monde entier ont expérimenté la façon d’intégrer l’IA dans leurs opérations. Poussées par la curiosité et une bonne dose d’hypothèse, elles ont repoussé les limites de l’innovation, débloqué de nouvelles possibilités d’efficacité et élevé le potentiel de nombreux outils et modèles open source. Elles ont également heurté la réalité, apprenant que la philosophie de la Silicon Valley “aller vite et casser les choses” n’est pas toujours la bonne façon de procéder, en particulier lorsqu’il s’agit d’une technologie aussi puissante que l’IA.

Maintenant, à mesure que les entreprises émergent de cette phase d’expérimentation, l’échec n’est pas une option. La précision est critique. Les performances ne peuvent pas être en retard. Si les entreprises veulent reconstruire les fonctions commerciales de base sur un cadre de l’IA, elles doivent redoubler d’efforts sur les “parties ennuyeuses” qui font de l’IA un multiplicateur de force, notamment :

• Sécurité et confidentialité des données : De nombreux modèles de l’IA utilisent des données personnelles et commerciales sensibles pour fonctionner efficacement. Les organisations ont besoin de l’assurance que leurs données sont hébergées de manière sécurisée, sans risque de réplication non autorisée ou d’exposition à l’IA “sombre”.
• Gestion du cycle de vie des modèles : Les modèles doivent être précis, à jour et régulièrement réentraînés afin de soutenir les fonctions commerciales critiques.
• Consistance des performances : Que les modèles soient déployés pour une utilisation interne ou dans des opérations orientées client, assurer des performances constantes est crucial pour l’efficacité et la facilité d’utilisation. De nombreux problèmes de performances courants, tels que ceux liés à la latence et au temps d’arrêt, sont résolus au niveau de l’infrastructure.

Actuellement, seuls 37% des organisations déployant de nouveaux modèles génératifs sur une base mensuelle, hebdomadaire ou quotidienne. À mesure que davantage d’organisations passent à la phase d’application, ce pourcentage augmentera considérablement, créant une demande accrue de puissance de calcul – mais également d’infrastructure adaptée à des modèles spécifiques. Un modèle “léger” n’a pas besoin d’une fondation de niveau hyperscaleur, mais s’il utilise des informations sensibles, il peut avoir besoin de ce niveau de sécurité. C’est là que les clouds personnalisés entrent en jeu – et pourquoi l’infrastructure devrait être la considération principale au milieu d’un changement d’IA d’entreprise.

De l’application à la mise à l’échelle

Pour les entreprises plus avancées sur la courbe de maturité, l’application pratique de l’IA fait déjà partie de leur quotidien. Maintenant, elles visent à mettre à l’échelle ces applications pour créer une valeur encore plus grande et faire évoluer pleinement leur entreprise.

La pression est forte, et les avantages sont clairs : 81% des organisations au niveau de maturité de l’IA le plus élevé ont signalé de meilleurs résultats financiers au cours de la dernière année. C’est la phase où les applications de l’IA subissent leur plus grand test de résistance. Ils peuvent passer le test dans un environnement contrôlé, mais peuvent-ils ingérer plus de données ? Fonctionner dans de nouvelles régions ? Et peut-être la question la plus importante : peuvent-ils conduire à des résultats significatifs ?

La mise à l’échelle est une question de grandir, mais dans certains cas, moins est plus. Les entreprises à ce stade devraient considérer si des modèles de langage ciblés (SLM) pourraient fonctionner mieux que des modèles de langage polyvalents (LLM). Les initiatives de l’IA sont les plus réussies lorsqu’elles sont liées à des problèmes commerciaux réels et peuvent conduire à des résultats mesurables.

Un schéma similaire se produit dans l’application et la mise à l’échelle des agents de l’IA – la prochaine frontière de l’IA autonome. Les agents qui effectuent des tâches spécifiques au domaine, éclairés par un ensemble de données hautement ciblé et constamment maintenu, sont ceux qui ont un impact réel dans l’entreprise. Cependant, les agents spécialisés ont toujours besoin d’une puissance de calcul importante, même si ce n’est pas autant qu’un copilote tout-en-un. Donner la priorité à l’infrastructure dès le départ permettra aux organisations d’extraire un véritable retour sur investissement de leurs initiatives d’IA agentic sans faire exploser leurs budgets cloud.

Innovation avec impact

La “course” à l’IA est moins une course qu’une rénovation : si nous rénovons l’entreprise, nous voulons le faire sur une fondation solide – sinon, les murs finiront par s’effondrer. Les entreprises doivent prendre le temps de réfléchir à l’infrastructure, assurer la sécurité des données, gérer étroitement le cycle de vie des modèles, surveiller les performances, collecter des informations et apporter des ajustements. La patience et la persévérance sont clés pour créer des solutions qui fonctionnent vraiment, restent sécurisées et fonctionnent de manière cohérente.

Le caractère nouveau du cycle d’hypothèse de l’IA peut disparaître, mais les organisations peuvent traverser les années difficiles de l’IA en énergisant leurs équipes avec ce qui compte le plus : les résultats.