Selon une étude menée par Seagate, 99 % des décideurs technologiques s’attendent à ce que l’IA augmente leurs besoins de stockage, mais seuls 38 % estiment que leur organisation est pleinement préparée. En France, 82 % des entreprises disent déjà tirer un retour sur investissement de l’IA, tout en affichant l’un des niveaux de préparation les plus faibles du panel.
Maarten Guijt, Vice-Président Europe chez Seagate, revient pour nous sur ce décalage et sur les leviers pour faire passer l’IA à l’échelle sans que les coûts et la consommation d’énergie ne suivent la même courbe.
Comment expliquez-vous l’écart entre les 99 % qui anticipent une hausse des besoins de stockage et les 38 % qui se disent pleinement préparés ?
Le problème n’est pas un manque de prise de conscience. Les organisations savent très largement que les volumes de données vont augmenter. L’écart réside plutôt dans leur capacité à transformer cette prise de conscience en préparation concrète. Faire passer l’IA à l’échelle ne consiste pas simplement à ajouter davantage de capacité de stockage.
Être pleinement préparé suppose de disposer d’un socle de données suffisamment solide pour gérer efficacement cette croissance.
Cela implique notamment de savoir quelles données doivent être conservées, de s’assurer qu’elles restent accessibles et correctement gouvernées, d’adapter le stockage et les ressources de calcul aux différentes charges de travail, et d’anticiper les conséquences de cette croissance en matière de coûts et d’efficacité. L’étude montre que la maturité de la stratégie d’IA, les budgets et les ressources, ainsi que la gestion et la gouvernance des données figurent parmi les principaux freins qui subsistent.
Ce qui distingue les organisations pleinement préparées n’est donc pas simplement la quantité d’infrastructures qu’elles ont déployée, mais la capacité des différents éléments qui soutiennent l’IA à fonctionner de manière cohérente.
La qualité des données (53%) arrive en tête des défis, devant le stockage (43%) et le calcul (27%). Pourtant, le débat reste centré sur les GPU. Qu’est-ce que cela dit des priorités des entreprises ?
Les ressources de calcul restent essentielles à l’IA, mais les résultats montrent que les entreprises doivent aller au-delà de cette seule dimension. Un modèle performant ou une infrastructure GPU ne peuvent créer de la valeur que si l’organisation dispose des bonnes données, accessibles et prêtes à être utilisées.
La prochaine phase de l’IA est donc autant un défi lié à la donnée qu’à la puissance de calcul. Cela se reflète d’ailleurs dans les priorités d’investissement identifiées par l’étude : les infrastructures de sécurité et de conformité, ainsi que la gestion et la gouvernance des données, se situent au même niveau, voire devant les investissements dans les infrastructures IA et GPU.
Cela ne signifie pas que les organisations doivent moins investir dans la puissance de calcul. Cela signifie que le retour sur ces investissements dépend de plus en plus de l’environnement qui les entoure. Le risque n’est donc pas tant de surinvestir dans les GPU que de considérer le calcul comme une solution isolée, plutôt que comme une composante d’une stratégie d’infrastructure beaucoup plus large.
Près d’un tiers des organisations prévoient une hausse de plus de 50% de leurs besoins de stockage. À quoi ressemble une infrastructure capable d’absorber cette croissance sans que les coûts suivent ?
Cela repose d’abord sur un principe simple : toutes les données ne se valent pas et ne nécessitent pas le même niveau de performance ni la même infrastructure.
Les environnements d’IA génèrent des types de données très différents, qu’il s’agisse de jeux de données actifs, de contexte d’inférence, de données d’entraînement, de points de contrôle de modèles, de contenus sources ou de résultats conservés.
Concevoir l’ensemble de l’infrastructure autour du niveau de performance le plus élevé serait à la fois coûteux et inefficace.
Les ressources les plus performantes peuvent être réservées aux données qui en ont réellement besoin, tandis que de grands volumes de données précieuses mais moins fréquemment consultées peuvent être placés sur des infrastructures optimisées pour la capacité et l’efficacité économique. En parallèle, les organisations doivent disposer de politiques solides en matière de gouvernance et de cycle de vie, afin que les données restent faciles à retrouver et à réutiliser.
Quels leviers concrets pour découpler la croissance des capacités de celle des coûts et de l’empreinte énergétique ?
Il n’existe pas de levier unique. L’un des principes fondamentaux est, là encore, que les données et les charges de travail ont des besoins différents. Un premier levier consiste donc à adapter l’infrastructure aux exigences de performance, de capacité et d’accès propres à chaque type de donnée. Un autre consiste à améliorer le taux d’utilisation, afin d’éviter d’alimenter ou de provisionner des ressources qui ne sont pas nécessaires. L’allongement du cycle de vie des équipements joue également un rôle important : conserver les infrastructures en service plus longtemps réduit la fréquence des remplacements et permet aux entreprises de tirer davantage de valeur des ressources déjà déployées.
L’étude montre que les organisations adoptent déjà différentes approches : 52 % utilisent l’IA pour déterminer leurs besoins en matière de stockage et d’exploitation, 46 % investissent dans les énergies renouvelables, 40 % adaptent la puissance mobilisée aux besoins réels en matière de données et 31 % réutilisent la chaleur générée par les infrastructures de données.
77% des organisations ont retardé ou restructuré l’extension de leurs infrastructures IA pour des raisons de durabilité ou d’énergie. La durabilité est-elle devenue un frein à l’adoption de l’IA, notamment en France ?
Les résultats suggèrent qu’il devient de plus en plus difficile de dissocier les enjeux de durabilité de ceux liés à l’économie des infrastructures. L’énergie et la durabilité sont désormais des facteurs opérationnels que les organisations doivent intégrer directement dans leurs décisions concernant le passage à l’échelle de l’IA.
En France, les résultats vont dans le même sens : 53 % des répondants identifient la consommation énergétique liée à l’IA comme une préoccupation environnementale majeure. Cela ne signifie pas pour autant que la durabilité freine nécessairement l’adoption de l’IA. Les organisations françaises constatent déjà une création de valeur, puisque 82 % déclarent obtenir un retour sur investissement modéré ou significatif. L’enjeu consiste de plus en plus à soutenir cette croissance sans laisser la consommation d’énergie et les coûts d’infrastructure progresser au même rythme.
Il ne s’agit pas de choisir entre croissance de l’IA et durabilité, mais de trouver les moyens de continuer à créer de la valeur avec l’IA tout en utilisant les ressources d’infrastructure plus efficacement.
La France affiche l’un des niveaux de préparation les plus faibles de l’étude (74%, contre 96% en Chine). Comment l’expliquer, et que recommandez-vous aux entreprises françaises ?
L’étude mesure le niveau de préparation déclaré par les organisations, mais elle ne permet pas d’établir les causes sous-jacentes des écarts entre les différents marchés. Il convient donc de rester prudent avant d’attribuer le résultat français à une caractéristique spécifique du marché.
Les résultats mettent toutefois en évidence une tension intéressante entre la valeur que les organisations françaises tirent déjà de l’IA aujourd’hui et leur degré de préparation aux besoins de données à plus long terme.
Le problème ne semble donc pas être un manque de dynamique autour de l’IA. La question est plutôt de savoir si les infrastructures et les pratiques de gestion des données qui soutiennent cette dynamique sont prêtes pour la prochaine phase de croissance. Les entreprises françaises doivent davantage relier leurs ambitions en matière d’IA aux décisions concernant la qualité des données, leur gouvernance, leur conservation, leur accessibilité et les infrastructures qui les supportent.
Les retours actuels de l’IA et la préparation à ses besoins à long terme ne sont pas nécessairement une seule et même chose.
