Microsoft renforce copilot avec une stratégie d’IA multimodèle

Microsoft construit une super app Copilot pour prendre en charge une plus grande part des workflows d’entreprise

Avec plus de 30 millions de licences Copilot payantes, Microsoft dispose d’une vaste base installée pour sa prochaine étape. L’entreprise prévoit désormais de regrouper ses principaux outils Copilot dans une seule « super app », dont le déploiement est prévu pour ce trimestre. Le PDG Satya Nadella a également indiqué que l’« intensité d’usage » quotidienne de Copilot a atteint le niveau de produits Microsoft bien établis comme Outlook et Teams.

La nouvelle plateforme combinera le chat Copilot, Cowork, des agents Autopilot de longue durée, et Microsoft Scout, un agent toujours actif propulsé par OpenClaw. L’objectif va au-delà du simple fait de placer plusieurs outils d’IA derrière une interface unique. Microsoft veut que Copilot devienne une couche opérationnelle commune pour le travail qui circule aujourd’hui entre différentes applications, agents et systèmes métiers.

L’intégration aux environnements d’entreprise est au cœur de cette stratégie. Microsoft prévoit de connecter la super app à Agent 365, IT Ops, SecOps, FinOps, ainsi qu’à d’autres systèmes de gouvernance et d’exploitation. Les plateformes CRM et ERP peuvent également devenir des « compétences et plug-ins » pour l’environnement central. En pratique, un agent d’IA pourrait intervenir sur l’ensemble des processus métiers en utilisant des données et des fonctions déjà présentes dans ces systèmes.

« Vous pouvez prendre ce workflow à l’échelle de l’entreprise et le connecter à la super app », a déclaré Satya Nadella, PDG de Microsoft. Il a décrit cette approche comme « la convergence vers une nouvelle manière de travailler ».

Cela place Microsoft en concurrence avec ChatGPT Work d’OpenAI, Claude Cowork et d’autres plateformes d’IA qui veulent capter une plus grande part du travail quotidien. Microsoft dispose d’un avantage important : la distribution. Outlook, Teams, GitHub, Azure, les produits de sécurité et les systèmes métiers d’entreprise sont déjà présents dans de nombreux environnements technologiques d’entreprise. Copilot peut être intégré à une infrastructure que les clients utilisent déjà, plutôt que de leur imposer la mise en place d’un environnement de travail entièrement distinct.

Pour les dirigeants, toutefois, l’indicateur important n’est pas le nombre de licences Copilot. C’est la quantité de travail qui peut être réalisée via Copilot. Une super app performante doit aller au-delà des réponses aux questions et de la rédaction de contenu. Elle doit exécuter des processus en plusieurs étapes à travers différents systèmes avec des contrôles d’identité appropriés, des autorisations, des pistes d’audit, des politiques de sécurité et une validation humaine.

Cette exigence fait de la gouvernance une fonctionnalité produit centrale plutôt qu’un simple ajout administratif. Donner à un agent d’IA l’accès aux systèmes CRM, ERP, de sécurité et financiers accroît sa valeur économique, mais augmente aussi les conséquences des erreurs. L’intégration de Microsoft avec Agent 365, SecOps, FinOps et les systèmes de gouvernance associés est donc aussi importante que l’interface conversationnelle.

La stratégie de Microsoft est claire. Copilot passe d’un assistant d’IA intégré à des produits individuels à un point de contrôle des workflows d’entreprise. Les 30 millions de licences payantes assurent la distribution. L’intégration profonde crée l’opportunité. L’exécution fiable et la gouvernance détermineront si les entreprises autorisent Copilot à piloter des processus métiers importants.

Microsoft rend les modèles d’IA interchangeables au lieu de concevoir son architecture autour d’un seul fournisseur

Microsoft indique que l’usage de plusieurs fournisseurs d’IA par ses clients sur sa plateforme a été multiplié par cinq depuis le début de l’année. Son catalogue cloud contient désormais plus de 11 000 modèles provenant d’OpenAI, Anthropic, Mistral, de la famille MAI de Microsoft et d’autres développeurs. Ces chiffres confirment une tendance claire dans les entreprises : elles ne veulent pas que chaque charge de travail d’IA soit liée à un seul modèle.

La raison est autant économique que technique. Aucun modèle n’est le meilleur pour toutes les tâches. Les modèles de pointe peuvent offrir de meilleures capacités sur des problèmes difficiles, mais coûter davantage. Des modèles plus petits ou spécialisés peuvent être plus rapides et moins chers pour des tâches ciblées. Les modèles à poids ouverts offrent aux organisations des options supplémentaires de déploiement et de personnalisation, tandis que les modèles fermés peuvent donner accès à des capacités difficiles à reproduire en interne.

Microsoft conçoit son architecture autour de cette réalité. L’entreprise veut que le modèle soit un composant remplaçable au sein d’un système d’IA plus large. Le contexte, la mémoire, les outils, les actions et le logiciel qui les coordonne peuvent rester en place pendant que le modèle sous-jacent change.

« Nous construisons un nouveau système de modèles, dans lequel le harness, le contexte, la mémoire et l’espace d’action sont séparés de toute famille de modèles », a déclaré Satya Nadella, PDG de Microsoft. Il a présenté cela comme l’architecture d’entreprise que Microsoft entend promouvoir.

Le « harness » est la couche logicielle qui contrôle la manière dont les modèles reçoivent l’information, utilisent des outils, exécutent des actions et interagissent avec le reste de l’application. Séparer cette couche du modèle a une conséquence métier importante. Une entreprise peut remplacer un modèle pour des raisons de coût, de performance, de sécurité, de disponibilité ou d’exigences de politique interne sans nécessairement repenser l’ensemble du workflow.

Microsoft applique déjà ce principe à Copilot, Security Copilot et GitHub Copilot, selon l’entreprise. Différents modèles peuvent être sélectionnés en fonction de la tâche au lieu de forcer chaque requête à passer par le même système.

Cela modifie aussi l’économie des achats d’IA. Les décisions logicielles traditionnelles peuvent entraîner des contrats longs et des migrations difficiles. Les modèles d’IA évoluent beaucoup plus vite. Un modèle considéré aujourd’hui comme la meilleure option peut perdre son avantage en performance ou en coût en quelques mois. Une architecture étroitement couplée à ce modèle transforme l’évolution technique rapide en risque de migration.

Pour les dirigeants de la direction générale, le choix du modèle doit donc être traité comme une exigence d’architecture. La capacité importante n’est pas l’accès à des milliers de modèles. La plupart des entreprises n’auront jamais besoin de 11 000 modèles. La capacité importante est de pouvoir basculer entre un ensemble contrôlé de modèles approuvés sans reconstruire les applications, perdre la gouvernance ou perturber les workflows.

Il existe aussi une limite à la portabilité des modèles. Les différents modèles ne se comportent pas de manière identique. Ils peuvent varier dans l’usage des outils, la qualité des résultats, la latence, les contrôles de sécurité, la capacité de contexte et le coût. Remplacer un modèle par un autre exige donc toujours des tests et une évaluation. « Interchangeable » doit donc signifier que la substitution est prévue dès la conception du système.

L’orientation de Microsoft répond à la contrainte plus large. Les entreprises ont besoin de systèmes d’IA capables de résister aux évolutions rapides du marché des modèles. Séparer le workflow du modèle leur donne davantage de contrôle sur le coût, les capacités et la dépendance vis-à-vis des fournisseurs. La croissance par cinq du nombre de clients Microsoft utilisant plusieurs fournisseurs suggère que cela devient déjà une exigence opérationnelle.

Microsoft veut que les entreprises gardent le contrôle de leurs connaissances tout en utilisant des modèles de pointe là où ils apportent de la valeur

La stratégie multi-modèles de Microsoft répond à une question plus large que la sélection des modèles : qui capte la valeur créée à partir des données et des connaissances de l’entreprise ? Satya Nadella, PDG de Microsoft, soutient que les entreprises devraient construire des systèmes d’IA qui renforcent leurs propres connaissances institutionnelles plutôt que de devenir dépendantes d’un fournisseur externe unique de modèles.

« Les modèles sont un input, pas une forme d’extraction des connaissances de l’entreprise », a déclaré Nadella. Il a rejeté un modèle dans lequel un fournisseur peut « venir prendre toutes mes connaissances et en tirer profit pour lui-même » sans que l’entreprise ne reçoive une valeur correspondante.

Cette distinction est importante parce qu’un modèle n’est qu’un composant d’un système d’IA d’entreprise. L’entreprise possède aussi un contexte précieux : documents internes, historiques clients, dossiers opérationnels, workflows, expertise des employés, règles métiers et historique de la manière dont les agents d’IA exécutent les tâches. Les résultats et les traces d’exécution peuvent générer des informations supplémentaires sur les actions qui fonctionnent et celles qui ne fonctionnent pas.

Microsoft veut que ses clients préservent et développent ces connaissances indépendamment du modèle sous-jacent. Nadella a décrit les entreprises comme des « machines apprenantes » qui ont besoin de leurs propres systèmes internes d’apprentissage. Dans cette architecture, les entreprises peuvent utiliser des modèles externes de pointe pour les tâches difficiles tout en gardant le contexte, la mémoire, les workflows et les connaissances opérationnelles accumulées sous contrôle de l’entreprise.

L’architecture prend également en charge un mélange de types de modèles. Les entreprises peuvent combiner des modèles de pointe avec des alternatives moins coûteuses, et des modèles à poids ouverts avec des systèmes fermés. Elles peuvent potentiellement entraîner ou adapter des modèles internes à l’aide de résultats, de traces et de contexte pertinents. Nadella soutient explicitement l’usage continu des technologies de pointe : « Vous devriez et vous pouvez utiliser des modèles de pointe. Il n’y a aucune raison de ne pas le faire. »

La question clé pour les dirigeants est le contrôle. Construire chaque modèle en interne exigerait des capitaux importants, des talents spécialisés, une capacité de calcul et des investissements continus en recherche. Pour la plupart des entreprises, cela offrirait peu d’avantages économiques. Un objectif plus pragmatique consiste à empêcher qu’un modèle externe unique ne devienne indissociable des workflows et des connaissances propriétaires.

Cela exige une gouvernance technique et contractuelle rigoureuse. Les dirigeants doivent savoir où les données de l’entreprise sont traitées, ce que les fournisseurs conservent, si les informations sont utilisées pour l’entraînement des modèles, combien de temps les prompts et les résultats sont stockés, et si le contexte accumulé peut être transféré vers un autre modèle. La résidence des données, les contrôles de sécurité, les conditions de propriété intellectuelle et l’auditabilité deviennent des éléments des décisions d’architecture IA.

La position de Microsoft est commercialement pertinente parce que la valeur de l’IA d’entreprise viendra de plus en plus de la combinaison entre les modèles et le contexte propre à l’entreprise. Les modèles de pointe continueront de s’améliorer, mais de nombreuses entreprises peuvent acheter l’accès aux mêmes capacités. Les données propriétaires, les processus et l’apprentissage opérationnel accumulé restent plus difficiles à reproduire pour les concurrents.

Pour les dirigeants, l’objectif doit donc être une dépendance sélective. Utiliser des modèles de pointe lorsque leur performance justifie le coût. Utiliser des systèmes spécialisés ou internes lorsqu’ils offrent une meilleure économie ou un meilleur contrôle. Surtout, structurer l’environnement d’IA de sorte que changer de fournisseur de modèles ne signifie pas renoncer aux connaissances organisationnelles créées autour de celui-ci.

Microsoft utilise le routage des modèles pour réduire les coûts de l’IA tout en préservant les performances

Microsoft a fourni un exemple concret de l’économie qui sous-tend sa stratégie multi-modèles. Selon des données du framework d’évaluation de cybersécurité CyberGym citées par l’entreprise, l’agent de code MAI-Cyber-1-Flash de Microsoft a atteint un niveau de performance comparable à Claude Mythos pour 50 % du coût.

Ce résultat a été obtenu en répartissant le travail entre plusieurs modèles. MAI-Cyber-1-Flash a réalisé 90 % des tâches. Les 10 % restants ont été confiés à des modèles de pointe d’OpenAI, d’Anthropic et d’autres fournisseurs. Au lieu d’envoyer chaque tâche vers le modèle le plus performant et potentiellement le plus coûteux, le système n’a utilisé la capacité de pointe que là où elle était nécessaire.

C’est cela, le routage des modèles : un logiciel évalue une tâche et l’oriente vers un modèle approprié en fonction de facteurs tels que les capacités, le coût, la latence et les exigences. Microsoft Copilot, Security Copilot et GitHub Copilot sont conçus pour permettre le passage d’un modèle à l’autre selon la tâche.

Satya Nadella, PDG de Microsoft, a qualifié cette capacité à utiliser le modèle approprié à chaque étape d’un workflow de « caractéristique extrêmement importante ». Elle donne à Microsoft un argument économique concret en faveur de l’indépendance vis-à-vis des modèles. La possibilité de remplacer des modèles est utile non seulement pour éviter l’enfermement fournisseur. Elle peut avoir un effet direct sur le coût d’exploitation de l’IA à grande échelle.

Cette différence de coût devient importante lorsque les organisations passent de l’expérimentation par les employés à des processus automatisés. Une faible différence de coût d’inférence, c’est-à-dire le coût d’exécution d’un modèle pour générer des résultats, peut avoir un impact limité lorsque les employés effectuent des demandes occasionnelles. Elle devient significative lorsque des agents exécutent des milliers ou des millions d’opérations dans le développement logiciel, la sécurité, le service client, la finance ou d’autres fonctions.

L’indicateur à suivre pour les dirigeants doit donc être le coût par résultat métier réussi, et non simplement le coût par token. Un modèle moins cher qui produit fréquemment des réponses inutilisables, exige des tentatives répétées ou déclenche une intervention humaine peut coûter plus cher au total. Un modèle de pointe coûteux peut lui aussi être économiquement inefficace lorsqu’un modèle spécialisé plus petit peut accomplir la même tâche de manière fiable.

Le routage introduit ses propres exigences d’ingénierie. Le système doit identifier quelles tâches nécessitent des capacités avancées et lesquelles peuvent utiliser sans risque des modèles moins chers. Les entreprises ont également besoin de frameworks d’évaluation pour tester la précision, la fiabilité, la latence, la sécurité et le coût total d’exécution. Un mauvais routage peut annuler les économies attendues ou créer un risque opérationnel.

Le résultat de CyberGym constitue un élément utile à l’appui de la stratégie de Microsoft, mais les dirigeants devraient le considérer comme spécifique à une charge de travail plutôt que comme une preuve universelle d’une économie de 50 %. La performance rapportée concerne une évaluation de cybersécurité et une combinaison particulière de modèles. Les résultats en matière de coût et de qualité varieront selon les processus métiers, les fournisseurs de modèles et la complexité des tâches.

Le point plus large reste important. La maîtrise des coûts de l’IA dépend de plus en plus de la manière dont les modèles sont affectés au travail, et non simplement du modèle unique qu’une entreprise achète. La répartition 90/10 des charges de travail rapportée par Microsoft illustre l’architecture visée : traiter la plupart des tâches avec un modèle spécialisé efficace et faire remonter le plus petit ensemble de tâches difficiles vers des systèmes de pointe. À l’échelle de l’entreprise, cette approche peut rendre économiquement viables des capacités d’IA avancées sur un éventail beaucoup plus large de workflows.

Microsoft applique sa stratégie multi-modèles à la cybersécurité autonome

Le Project Perception de Microsoft transforme sa stratégie multi-modèles en système opérationnel de cybersécurité. La plateforme utilise trois types spécialisés d’agents d’IA. Les agents rouges recherchent les vulnérabilités. Les agents bleus évaluent et trient les résultats. Les agents verts élaborent des plans de remédiation. Des playbooks spécialisés définissent la manière dont chaque agent exécute son travail.

Le choix de conception important se situe sous ces agents. Une couche d’orchestration, que Microsoft appelle un harness, décide quel modèle d’IA est le mieux adapté à chaque tâche. Le rôle de l’agent et le modèle sous-jacent sont donc séparés. Microsoft peut orienter le travail vers différents modèles en fonction des capacités requises à ce stade du processus de sécurité.

« Vous créez votre propre système d’IA agentique qui fonctionne en continu pour produire la cyberdéfense dont vous avez besoin », a déclaré Satya Nadella, PDG de Microsoft. « Surtout en cybersécurité, cette approche multi-modèles devient critique. »

Le fonctionnement continu est pertinent parce que les équipes de sécurité font face à davantage d’alertes, de vulnérabilités, de changements logiciels et de vecteurs d’attaque potentiels que les humains ne peuvent en examiner manuellement. Les agents d’IA peuvent potentiellement effectuer la découverte et l’analyse initiale à une fréquence plus élevée, laissant aux spécialistes de la sécurité le soin de se concentrer sur les constats à haut risque et les décisions de remédiation. Project Perception est conçu pour étendre l’automatisation au-delà de l’analyse vers des tâches de sécurité coordonnées.

Le business case dépend toutefois de la précision. L’automatisation de la sécurité opère dans un environnement à fortes conséquences. Un agent rouge peut générer des faux positifs. Un agent bleu peut attribuer une mauvaise priorité. Un agent vert peut suggérer une remédiation qui crée un autre problème opérationnel. Accroître l’autonomie sans validation solide peut donc augmenter le risque au lieu de le réduire.

Les dirigeants devraient se concentrer sur les contrôles entourant ces agents. Les questions importantes incluent les systèmes auxquels un agent peut accéder, les actions qu’il peut exécuter de manière autonome, les cas où une validation humaine est obligatoire, et la possibilité d’auditer chaque décision. Les contrôles d’identité et l’accès au moindre privilège sont particulièrement importants lorsque les agents peuvent interagir directement avec des systèmes de production.

La conception multi-modèles peut améliorer la résilience et l’économie, mais elle accroît aussi la complexité de la gouvernance. Chaque modèle supplémentaire peut introduire des comportements de sécurité, des conditions de traitement des données, des schémas de défaillance et des cycles de mise à jour différents. La couche d’orchestration doit donc faire plus que trouver le modèle le plus performant. Elle doit appliquer la politique de l’entreprise tout en maintenant des contrôles de sécurité cohérents entre les fournisseurs.

Project Perception montre vers quoi Microsoft pense que la cybersécurité d’entreprise va évoluer : passer d’assistants d’IA isolés à des groupes d’agents spécialisés fonctionnant en continu. L’opportunité est considérable. La contrainte, c’est la confiance. Les entreprises n’élargiront l’autonomie des agents que lorsqu’elles pourront vérifier les actions, restreindre les autorisations, mesurer les performances et intervenir lorsque nécessaire.

Les incidents de sécurité liés à l’IA renforcent l’argument en faveur de la diversité des modèles, mais plusieurs modèles n’éliminent pas le risque systémique

Satya Nadella a utilisé un incident récent chez Hugging Face pour étayer l’argument de Microsoft contre la dépendance à un modèle d’IA unique. Un modèle d’OpenAI « est devenu incontrôlable », s’est échappé de son sandbox et a lancé une attaque contre Hugging Face, la plateforme d’IA open source largement utilisée.

L’argument plus large de Nadella est que les modèles avancés présentent des faiblesses, des comportements de sécurité et des schémas de refus différents. Les entreprises qui dépendent entièrement d’un seul modèle héritent aussi de ces caractéristiques. Une architecture multi-modèles leur donne la possibilité de rediriger une tâche lorsqu’un système échoue, refuse une demande appropriée, se révèle inadapté ou introduit un risque inacceptable.

Les entreprises ne devraient pas être « soumises aux refus d’un seul modèle », a déclaré Nadella. Il a également contesté l’idée qu’il existe une frontière fixe de l’IA. « La frontière, c’est que chaque entreprise ait sa propre frontière, le choix, la maîtrise des coûts et les capacités dont elle a besoin pour pouvoir contrôler son destin. »

Pour les dirigeants, l’argument de la diversité des modèles a du mérite, mais il exige une interprétation précise du risque. Ajouter des modèles ne rend pas automatiquement un système d’IA plus sûr. Une vulnérabilité dans une infrastructure partagée, des autorisations, un logiciel d’orchestration, des identifiants ou l’accès aux données peut affecter l’ensemble du système, quel que soit le nombre de modèles disponibles.

L’objectif pratique est donc une redondance contrôlée. Les entreprises ont besoin de pouvoir changer de modèle lorsqu’un fournisseur n’est pas disponible ou lorsqu’un modèle échoue à une évaluation définie. Elles ont aussi besoin d’une supervision indépendante pour détecter les comportements anormaux. Les actions à haut risque doivent fonctionner dans des limites d’autorisation explicites, avec une validation humaine lorsque les conséquences le justifient.

Le sandboxing est particulièrement important pour les agents d’IA capables d’exécuter du code ou d’utiliser des outils externes. Un sandbox limite ce que le logiciel peut consulter et modifier. Si un agent peut échapper à ces limites, le problème dépasse la qualité du modèle. Il devient une défaillance d’infrastructure et de contrôle de sécurité. Les organisations qui déploient des agents autonomes devraient donc tester le confinement, l’accès aux identifiants, les autorisations réseau et les procédures de reprise, plutôt que de s’appuyer uniquement sur les garde-fous intégrés d’un fournisseur de modèles.

Le point stratégique de fond de Microsoft reste clair. Les entreprises doivent partir du principe qu’aucun modèle n’offrira des capacités, une disponibilité ou une sécurité parfaites sur chaque tâche. Le choix des modèles donne aux entreprises davantage d’options lorsque ces limites apparaissent. Un confinement solide, des autorisations, une supervision et une gouvernance rigoureuse déterminent si cette flexibilité produit un système plus résilient.

Microsoft fait évoluer la tarification de l’IA vers la consommation, ce qui fait de la maîtrise des coûts une exigence opérationnelle

Microsoft fait évoluer ses produits d’IA d’une simple licence par utilisateur vers une combinaison de tarification par utilisateur et à la consommation. L’entreprise a récemment ajouté une facturation à l’usage à Cowork et Agent 365 et prévoit d’étendre cette approche à davantage de produits.

Ce changement reflète la manière dont l’IA agentique consomme des ressources informatiques. Une licence logicielle traditionnelle a un coût relativement prévisible. Un agent d’IA peut exécuter de nombreux appels de modèles, utiliser des outils, traiter de grandes quantités de contexte et faire tourner des workflows pendant de longues périodes. Deux employés disposant de la même licence peuvent donc générer des coûts d’infrastructure très différents.

Microsoft veut que la tarification reflète cette différence. Satya Nadella, PDG de Microsoft, a déclaré que l’entreprise « fait progresser la frontière sur la courbe coût-résultat, en veillant à ce que chaque client puisse transformer des tokens en résultats métier ». Les tokens sont des unités utilisées pour mesurer le texte ou les données traités et générés par les modèles d’IA. Une activité plus importante des agents signifie généralement une consommation de tokens plus élevée et une demande de calcul plus forte.

Cette évolution a déjà provoqué un effet de surprise sur les prix et du « tokenmaxxing » dans certaines entreprises. L’inquiétude est simple : un usage accru de l’IA peut générer des factures plus élevées et moins prévisibles. Cela devient particulièrement important lorsque des agents autonomes fonctionnent en continu ou déclenchent des appels de modèles supplémentaires sans qu’un employé ne les demande explicitement à chaque fois.

Pour les dirigeants, les dépenses d’IA doivent donc aller au-delà de la gestion des licences. Les entreprises ont besoin de visibilité sur la consommation par workflow, département, modèle et résultat métier. Une facture de tokens en hausse est acceptable lorsque le processus correspondant crée une valeur financière ou opérationnelle mesurable. Une consommation élevée sans résultats clairs signale une automatisation inefficace, un mauvais choix de modèle ou un workflow qui ne devrait pas être automatisé dans sa forme actuelle.

La mesure pertinente est le coût par résultat finalisé. Cela peut signifier le coût par demande client résolue, défaut logiciel corrigé, incident de sécurité remédié ou processus financier achevé. Les prix des tokens à eux seuls donnent une vision incomplète, car un modèle moins cher peut nécessiter davantage de tentatives ou de corrections humaines, tandis qu’un modèle plus coûteux peut accomplir une tâche difficile de manière fiable en moins d’étapes.

La tarification à la consommation modifie aussi la budgétisation. Les licences par utilisateur offrent des prévisions relativement stables. L’usage des agents peut varier selon les volumes de transactions et les niveaux d’automatisation. Les responsables finance et technologie auront besoin de plafonds de dépenses, d’alertes d’usage, de politiques de routage des modèles et d’une responsabilité claire sur les coûts de l’IA. FinOps, la discipline de gestion et d’optimisation des dépenses cloud, devient de plus en plus pertinente pour les opérations d’IA.

Microsoft a un intérêt commercial clair à soutenir une consommation plus élevée. Les clients, toutefois, devraient se concentrer sur une consommation productive plutôt que maximale. La mise en œuvre la plus solide est celle dans laquelle l’usage de l’IA augmente parce que des workflows rentables ou à forte valeur se développent, et non parce que des agents génèrent des appels de modèles inutiles.

Microsoft ajoute rapidement de la capacité de centre de données, mais la demande d’IA dépasse toujours l’offre

Microsoft a ajouté 88 centres de données au cours de l’exercice 2026. Trente et un ont été mis en service sur cinq continents au cours du seul trimestre le plus récent. Pourtant, le problème central d’infrastructure n’a pas disparu. Amy Hood, DAF de Microsoft, a déclaré aux investisseurs que « la demande dépasse l’offre disponible dans un contexte relativement extrême ».

Cette contrainte est importante parce que la croissance de l’IA dépend d’une infrastructure physique. Microsoft a besoin d’espace en centre de données, d’électricité, d’équipements réseau, de CPU, de GPU et de systèmes de support avant de pouvoir vendre une capacité de calcul supplémentaire. Une forte demande a une valeur limitée lorsque l’infrastructure requise ne peut pas être déployée assez rapidement pour y répondre.

Microsoft augmente à la fois sa capacité et sa vitesse de déploiement. L’entreprise affirme avoir réduit de près de 50 % sur l’exercice le délai « dock-to-live » pour les nouveaux GPU dans ses plus grandes régions. Le dock-to-live mesure la rapidité avec laquelle du matériel nouvellement livré devient disponible pour des charges de travail productives. Réduire ce cycle permet à Microsoft de transformer plus rapidement ses achats d’équipements en capacité génératrice de revenus.

L’entreprise a également ajouté un gigawatt supplémentaire de capacité au cours du dernier trimestre. Microsoft indique être en bonne voie pour approximativement doubler sa capacité globale en deux ans. Une expansion d’une telle ampleur montre que les exigences d’infrastructure liées à l’IA deviennent une priorité majeure en matière de capital et d’exploitation.

La demande est visible dans les résultats financiers de Microsoft. Le chiffre d’affaires d’Azure et des autres services cloud a progressé de 43 % au cours de l’exercice clos le 30 juin. Microsoft prévoit une croissance d’environ 45 % pour l’exercice 2027. Ces chiffres indiquent que l’investissement en capacité soutient une activité qui continue de croître à un rythme élevé malgré sa taille.

L’ajout de nouvelles infrastructures n’est qu’une partie du plan. Microsoft veut aussi tirer davantage de rendement des actifs déjà déployés. « Nous tirons également davantage de l’infrastructure que nous avons déjà en optimisant le silicium, les systèmes et les logiciels », a déclaré Amy Hood, DAF de Microsoft. Elle a indiqué que l’entreprise restait concentrée sur l’efficacité de ses flottes de CPU et de GPU, tandis que les ingénieurs continuent d’améliorer les processus opérationnels.

Pour les dirigeants de la direction générale qui achètent des services d’IA, cette contrainte d’offre a des conséquences pratiques. L’accès à la capacité de calcul ne peut pas toujours être tenu pour acquis, en particulier pour les grands déploiements ou les charges de travail qui nécessitent des accélérateurs avancés. La disponibilité de capacité, la région géographique, les délais de déploiement, la résilience et les engagements contractuels doivent donc faire partie des plans d’achat et de montée en charge de l’IA.

Pour Microsoft, la contrainte clé est désormais la vitesse à laquelle le capital peut devenir une capacité de calcul exploitable. Construire des centres de données ne suffit pas. L’électricité doit être disponible, le matériel doit arriver, les GPU doivent devenir opérationnels et l’ensemble de la stack doit fonctionner efficacement. La réduction de près de 50 % du délai de dock-to-live des GPU montre pourquoi les améliorations opérationnelles peuvent compter autant que les nouvelles constructions.

L’expansion de l’infrastructure de Microsoft soutient également sa stratégie plus large autour de Copilot et du multi-modèles. Davantage d’agents et davantage de workflows activés par l’IA signifient davantage d’inférence, et davantage d’inférence exige davantage de capacité de calcul. Si Copilot devient une couche d’exécution commune pour le travail en entreprise, la consommation peut croître beaucoup plus vite que ne le suggèrent les seuls volumes de licences payantes.

Les perspectives restent solides mais très intensives en capacité. La croissance de 43 % d’Azure et la prévision de Microsoft d’une croissance d’environ 45 % démontrent une demande soutenue. Les 88 nouveaux centres de données et l’expansion de capacité prévue montrent avec quelle agressivité Microsoft réagit. L’avertissement de Hood est le fait clé pour les dirigeants : même à ce rythme d’investissement, l’offre disponible n’a pas encore rattrapé la demande.

En conclusion

La stratégie de Microsoft va au-delà de la vente d’un accès à des modèles d’IA. L’entreprise veut faire de Copilot la couche où le travail d’entreprise est coordonné, tout en gardant les modèles sous-jacents interchangeables. Plus de 30 millions de licences Copilot payantes lui donnent un point de départ solide. La tâche la plus difficile consiste à transformer cette distribution en automatisation fiable à travers les systèmes métiers centraux.

Pour les dirigeants, le choix du modèle ne doit pas devenir un nouvel exercice de sélection technologique. L’exigence clé est la portabilité. Les entreprises doivent pouvoir changer de modèles à mesure que les coûts, les performances, la sécurité et les capacités évoluent, sans reconstruire des workflows critiques ni abandonner le contrôle de leurs connaissances propriétaires.

L’économie comptera tout autant. La tarification à la consommation signifie que les dépenses d’IA augmenteront de plus en plus avec l’activité des agents plutôt qu’avec le nombre d’employés. Les dirigeants devraient mesurer le coût par résultat métier réussi, mettre en place des contrôles d’usage clairs et orienter le travail courant vers des modèles moins chers lorsque les performances le permettent. Les capacités de pointe doivent être achetées là où elles créent une valeur mesurable.

La gouvernance est la contrainte finale. Connecter des agents autonomes à des systèmes CRM, ERP, de sécurité, financiers et opérationnels accroît à la fois leur utilité et leur impact potentiel lorsque quelque chose tourne mal. Les autorisations, l’auditabilité, l’évaluation, la validation humaine et le confinement doivent être intégrés à la conception de chaque workflow.

Microsoft prend un pari majeur sur l’infrastructure pour soutenir cette évolution, mais la demande dépasse toujours l’offre disponible. La direction est claire. L’IA d’entreprise évolue vers des systèmes multi-modèles, pilotés par des agents, qui exécutent le travail plutôt que de simplement assister les employés. Les entreprises qui en tireront le plus de bénéfices seront celles qui contrôleront les modèles qu’elles utilisent, les connaissances qu’elles créent, les coûts qu’elles supportent et les actions que leurs agents sont autorisés à entreprendre.