L’IA remet les stratégies cloud des entreprises à plat

La demande en IA pousse les entreprises vers le cloud hybride

La puissance de calcul pour l’IA transforme la stratégie cloud. Les entreprises ont besoin de davantage de capacité GPU pour entraîner et exécuter des modèles d’IA, mais l’ajout de cette capacité peut accroître les coûts et renforcer la dépendance à un fournisseur unique. ISG identifie la préparation à un usage plus large de l’IA comme une raison centrale expliquant pourquoi les entreprises modifient leurs stratégies cloud.

La réponse prend la forme d’un basculement vers le cloud hybride. Les entreprises investissent dans des architectures compatibles GPU, des plateformes de données distribuées et des modèles opérationnels hybrides pour l’IA. Une approche hybride peut combiner des services de cloud public avec une infrastructure privée et d’autres environnements. Cela donne aux entreprises davantage d’options pour décider où exécuter les charges de travail d’IA et où héberger les données.

La principale contrainte n’est plus l’accès aux services cloud en général. C’est l’accès à la bonne capacité de calcul, à un coût acceptable, avec un niveau de contrôle suffisant sur les données et l’infrastructure. Les charges de travail d’IA peuvent nécessiter des ressources GPU coûteuses et déplacer de grands volumes de données. Ces caractéristiques rendent le placement des charges de travail et l’économie de l’infrastructure plus importants.

Pour les dirigeants, le cloud hybride doit donc être considéré comme une décision opérationnelle plutôt que comme un simple choix d’infrastructure. L’objectif n’est pas de répartir les charges de travail entre davantage de fournisseurs pour le principe. Il s’agit de placer chaque charge de travail là où les exigences de performance, de coût, de gouvernance et de l’entreprise sont le mieux satisfaites, tout en conservant la capacité de modifier ce placement à mesure que la demande en IA évolue.

Cela réduit aussi une partie de l’exposition au verrouillage fournisseur. Mais le cloud hybride n’élimine pas automatiquement ce risque. Les plateformes d’IA peuvent créer des dépendances au niveau des modèles, des données, des applications et de la gestion, même lorsque l’infrastructure est distribuée. Les entreprises ont besoin d’architectures et d’accords commerciaux qui préservent de réelles options pour déplacer les charges de travail.

Le cloud hybride a besoin d’un modèle opérationnel unique pour la performance, le coût et la résilience

L’ajout d’environnements cloud crée un problème de gestion. Les entreprises peuvent gagner en choix d’infrastructure, mais ces choix deviennent difficiles à contrôler lorsque la supervision, l’automatisation, la gestion financière, la reprise après incident de sécurité et les opérations restent séparées. ISG constate que les organisations souhaitent de plus en plus regrouper ces fonctions au sein d’une plateforme unifiée.

Le coût et la performance sont particulièrement importants. Les charges de travail d’IA peuvent consommer une capacité GPU coûteuse, ce qui rend une faible utilisation ou un mauvais placement des charges de travail onéreux. Les dirigeants ont besoin de visibilité sur l’infrastructure utilisée, sur les charges de travail qui génèrent les dépenses et sur la capacité de ces dépenses à produire la performance requise. La gestion financière doit donc fonctionner aux côtés de la supervision technique plutôt qu’intervenir une fois les décisions d’infrastructure déjà prises.

La résilience fait partie du même problème. Une organisation ne peut pas gérer efficacement la continuité d’activité sans comprendre les dépendances entre clouds privés et publics, applications, données et infrastructure. La reprise cyber doit également être intégrée à ce modèle opérationnel afin que les services et données critiques puissent être restaurés après une attaque ou une défaillance majeure.

La priorité des dirigeants doit être la cohérence opérationnelle. Une architecture hybride qui exige des processus et des outils indépendants pour chaque environnement peut ajouter de la complexité plus vite qu’elle n’apporte de flexibilité. Une observabilité unifiée et l’automatisation aident les équipes à identifier les problèmes entre les environnements, tandis que des contrôles financiers intégrés rendent les coûts d’infrastructure qui en résultent visibles pour les responsables métier et technologiques.

Cela change la manière dont les entreprises doivent évaluer les fournisseurs cloud et les plateformes de gestion. La capacité brute de calcul n’est qu’une exigence parmi d’autres. Les fournisseurs doivent aussi démontrer qu’ils peuvent prendre en charge des opérations cohérentes, le contrôle des coûts, la reprise et la gestion de la performance dans les environnements qu’une entreprise prévoit d’utiliser.

La demande en IA crée un marché plus vaste pour les fournisseurs cloud spécialisés

Les charges de travail d’IA nécessitent de grandes quantités de capacité GPU. Cette exigence crée de la place pour des fournisseurs conçus spécifiquement autour de l’infrastructure IA. Gartner prévoit que les fournisseurs de neocloud, spécialisés dans le calcul optimisé pour l’IA, capteront 20 % du marché du cloud IA, estimé à 267 milliards de dollars, d’ici 2030. Cela représenterait environ 53,4 milliards de dollars de valeur de marché annuelle si l’estimation de marché et la projection de part de Gartner se concrétisent.

Cette croissance est importante parce que les entreprises disposent désormais de plus d’options que les clouds publics hyperscale traditionnels. Les fournisseurs spécialisés peuvent proposer une capacité centrée sur les GPU et une infrastructure conçue autour des charges de travail d’IA. Des entreprises technologiques établies et des investisseurs élargissent également leurs offres. Apple a ouvert l’accès au calcul en cloud privé en juin, tandis que Blackstone et Google ont lancé une offre de compute-as-a-service en mai.

Pour les dirigeants, un plus grand choix de fournisseurs crée à la fois du levier et de la complexité. Un fournisseur spécialisé peut proposer une capacité de calcul IA ou une économie attractive, mais le choix de l’infrastructure doit prendre en compte plus que la disponibilité des GPU. Les mouvements de données, l’intégration avec les systèmes existants, les contrôles de sécurité, la couverture géographique, la fiabilité du service et les conditions contractuelles peuvent affecter de manière significative le coût total et la valeur opérationnelle d’un déploiement.

La concentration des fournisseurs mérite également de l’attention. Déplacer une charge de travail d’IA vers un nouveau fournisseur n’élimine pas automatiquement le verrouillage. La dépendance peut se déplacer vers des services d’IA propriétaires, des outils de gestion, des formats de données ou une infrastructure spécialisée. Les entreprises doivent savoir quels composants peuvent être déplacés entre fournisseurs et lesquels nécessiteraient un travail d’ingénierie important pour être remplacés.

La conclusion plus large est que l’approvisionnement en infrastructure IA devient plus diversifié. Les entreprises peuvent utiliser cette concurrence pour faire correspondre plus étroitement les ressources de calcul aux besoins des charges de travail. La stratégie la plus solide préservera le choix sans créer de fragmentation opérationnelle inutile.

Les charges de travail d’IA fortement consommatrices de GPU font de la visibilité sur les coûts une exigence centrale de l’infrastructure

L’IA modifie l’économie du cloud computing. Les ressources GPU peuvent être coûteuses, et les entreprises les déploient dans des environnements de plus en plus variés. Selon ISG, cette croissance accroît la demande de transparence des coûts et d’optimisation dans les infrastructures de cloud privé, Kubernetes, edge et cloud souverain.

La principale contrainte est l’utilisation. Acheter ou réserver une capacité de calcul coûteuse ne crée pas de valeur si les GPU restent inactifs, si les charges de travail utilisent plus de capacité que nécessaire ou si les équipes ne peuvent pas identifier l’origine des dépenses. À mesure que les déploiements d’IA se développent, les dirigeants ont besoin d’une vision claire de la consommation des ressources, de la performance des charges de travail et des coûts selon les types d’infrastructure.

Les contrôles traditionnels des coûts du cloud peuvent ne pas suffire. Un environnement hybride d’IA peut répartir les dépenses entre services cloud, infrastructure détenue en propre, plateformes de conteneurs comme Kubernetes et fournisseurs spécialisés. Ces environnements utilisent des modèles de tarification et de comptabilité différents. Les entreprises ont donc besoin d’une gestion financière capable de traduire la consommation d’infrastructure en coûts comparables au niveau métier et au niveau des charges de travail.

L’optimisation des coûts doit aussi être liée à la performance. L’infrastructure la moins chère n’est pas nécessairement le bon choix si elle ralentit un service d’IA critique ou ne peut pas répondre aux exigences de disponibilité. À l’inverse, une capacité GPU premium est difficile à justifier pour des charges de travail qui peuvent atteindre leurs objectifs de performance sur un matériel moins coûteux. Les entreprises ont besoin d’une visibilité technique et financière suffisante pour arbitrer ces compromis de manière délibérée.

Pour les membres de la direction générale, cela fait de l’économie de l’infrastructure IA un sujet de gestion continu plutôt qu’une décision d’approvisionnement ponctuelle. Les équipes doivent pouvoir identifier qui consomme les ressources GPU, quelle charge de travail métier ces ressources soutiennent et si la capacité peut être redimensionnée ou déplacée sans nuire à la performance.

La souveraineté des données et la gouvernance de l’IA stimulent la diversification du cloud

L’IA fait de l’emplacement du cloud et de son contrôle des enjeux stratégiques. ISG identifie la souveraineté comme une raison majeure pour laquelle les entreprises diversifient leurs environnements cloud. Les entreprises veulent davantage de contrôle sur l’infrastructure, la résidence des données et la gouvernance de l’IA à mesure qu’elles élaborent des plans IA de long terme.

La résidence des données est une contrainte pratique. Les entreprises opérant dans plusieurs pays peuvent avoir besoin de contrôler où les données sensibles ou réglementées sont stockées et traitées. L’IA ajoute de la complexité, car les applications peuvent faire circuler les données à travers les systèmes d’entraînement des modèles, d’inférence, de retrieval, de journalisation et de supervision. Les dirigeants ont donc besoin de visibilité à la fois sur l’emplacement des données et sur la manière dont les services d’IA les utilisent.

Les environnements de cloud souverain peuvent répondre à une partie de ces exigences en maintenant les données, l’infrastructure ou le contrôle opérationnel dans des juridictions définies. Les options de cloud privé et régional peuvent offrir un contrôle supplémentaire. Mais la souveraineté ne s’obtient pas simplement en sélectionnant un modèle de déploiement particulier. Les entreprises doivent encore examiner les contrats des fournisseurs, les dépendances d’infrastructure, les accès administratifs, les contrôles de chiffrement, les mouvements de données et les exigences légales applicables.

La gouvernance de l’IA ajoute une autre exigence. Les entreprises ont besoin de politiques qui définissent à quelles données les modèles peuvent accéder, qui peut déployer ou modifier les systèmes d’IA, comment les résultats sont supervisés et comment les informations sensibles sont protégées. Ces contrôles deviennent plus difficiles à faire respecter lorsque les charges de travail s’étendent sur plusieurs environnements. Une stratégie cloud diversifiée a donc besoin d’un framework de gouvernance cohérent plutôt que de politiques distinctes pour chaque fournisseur.

Pour les membres de la direction générale, l’objectif doit être un contrôle sélectif. Les charges de travail fortement réglementées ou stratégiquement sensibles peuvent justifier une infrastructure souveraine ou privée, tandis que d’autres applications peuvent rester sur des plateformes de cloud public. La bonne architecture dépend des exigences de la charge de travail, des données, de la juridiction et de l’entreprise.

Cette approche peut aussi préserver la flexibilité à long terme. La technologie IA, la réglementation et les offres des fournisseurs continueront d’évoluer. Les entreprises qui comprennent où opèrent leurs données et leurs charges de travail, tout en maintenant une gouvernance cohérente dans ces environnements, seront mieux placées pour s’adapter sans repenser entièrement leur stratégie d’infrastructure IA.

Points clés

• Repenser la stratégie cloud autour de l’IA : La hausse de la demande en GPU, des coûts et de la dépendance aux fournisseurs renforce l’argument en faveur du cloud hybride. Les dirigeants doivent placer les charges de travail d’IA en fonction des exigences de performance, de coût, de gouvernance et de portabilité.
• Unifier la gestion du cloud hybride : Davantage de choix d’infrastructure peuvent créer de la complexité opérationnelle. Privilégiez les plateformes qui intègrent l’observabilité, l’automatisation, la gestion financière et la reprise cyber entre les environnements.
• Utiliser stratégiquement la concurrence croissante dans le cloud IA : Gartner prévoit que les fournisseurs de neocloud capteront 20 % du marché du cloud IA de 267 milliards de dollars d’ici 2030. Évaluez les fournisseurs spécialisés pour leur capacité GPU et leur économie tout en vous protégeant contre de nouvelles formes de verrouillage fournisseur.
• Rendre visible l’économie des GPU : Les coûts de l’infrastructure IA exigent une supervision continue dans les environnements de cloud privé, Kubernetes, edge et souverains. Suivez l’utilisation des GPU et les coûts au niveau des charges de travail en parallèle de la performance afin d’éviter de payer pour une capacité inutilisée ou inutile.
• Intégrer la souveraineté dans l’architecture IA : La résidence des données, le contrôle de l’infrastructure et la gouvernance de l’IA influencent l’endroit où les entreprises exécutent leurs charges de travail. Faites correspondre les modèles de déploiement aux exigences réglementaires et métier tout en appliquant une gouvernance cohérente entre les fournisseurs.