Une intelligence artificielle qui évolue plus rapidement que les contrôles d’entreprise
L’intégration de l’IA dans les systèmes d’entreprise fondamentaux progresse plus rapidement que la capacité des organisations à la sécuriser et à la gouverner. Une nouvelle étude mondiale de NTT révèle que les entreprises élargissent le déploiement de l’IA, tandis que des lacunes dans la préparation de l’infrastructure, les contrôles d’intégrité des données et les cadres de gouvernance continuent de limiter une opération sûre à grande échelle.
Les investissements continuent malgré des résultats inégaux
Les dépenses en IA continuent d’augmenter à travers les régions et les secteurs. L’IA est perçue comme centrale à la compétitivité et à la stratégie à long terme, ce qui maintient les budgets en croissance même lorsque les résultats varient. Environ la moitié des organisations affirment que leurs initiatives actuelles en IA répondent aux attentes, tandis que l’autre moitié signale des retours plus faibles.
Ces différences ne résultent pas d’un manque d’intérêt. Les limites d’infrastructure émergent comme la contrainte principale. Les systèmes conçus pour des charges de travail antérieures peinent sous le poids de modèles volumineux, de réentraînements fréquents et de pipelines de données lourds. Ces pressions ralentissent le déploiement et augmentent la complexité opérationnelle à mesure que l’utilisation s’étend.
« Au milieu d’investissements historiques dans l’IA, les dirigeants d’entreprise se posent des questions vitales sur la réalisation d’un avenir propulsé par l’IA, avec le potentiel de débloquer une croissance et une productivité sans précédent, tout en préservant la qualité, la résilience et le contrat social attendu des entreprises », a déclaré un responsable de NTT DATA.
La préparation de l’infrastructure à la traîne derrière la demande
Seulement une petite part des entreprises affirme que leur infrastructure peut supporter l’IA à grande échelle. La plupart sont en transition, adaptant des systèmes hérités ou introduisant de nouveaux composants aux côtés de plateformes plus anciennes. Les pénuries de capacité de calcul, de débit réseau et de préparation des données apparaissent répétitivement dans les réponses.
Les cycles de développement s’allongent, les sorties de production ralentissent, et l’IA demeure plus difficile à opérationnaliser à travers les équipes. Les programmes continuent d’avancer, tandis que des frictions s’accumulent à mesure que les charges de travail croissent.
L’étude considère l’infrastructure comme une préoccupation stratégique. Traiter les calculs, les réseaux et les pipelines de données comme des actifs à long terme réduit les goulets d’étranglement à mesure que l’utilisation de l’IA s’étend.
La performance façonne les choix de conception de l’IA précoce
La performance motive la plupart des décisions d’infrastructure en matière d’IA. Les organisations se concentrent d’abord sur la satisfaction des exigences de taille de modèle, de latence et de fiabilité. L’utilisation d’énergie et l’impact environnemental reçoivent souvent une attention ultérieure dans le cycle de vie.
Les préoccupations concernant les implications énergétiques demeurent courantes lors de la planification initiale. Une large part des répondants croit que les efforts de durabilité réduisent la rentabilité, influençant ainsi la séquence des investissements en infrastructure.
La recherche montre un alignement croissant entre performance et résultats énergétiques. Les architectures distribuées, le refroidissement avancé et le réseau optique apparaissent fréquemment dans les plans pour soutenir l’expansion des charges de travail en IA.
Les technologies photoniques attirent l’attention à mesure que les charges de travail augmentent
Les technologies photoniques se distinguent comme l’une des technologies d’infrastructure les plus reconnues dans l’étude. Les répondants les associent à un débit plus élevé et à des exigences énergétiques plus faibles, des qualités qui s’alignent avec les environnements intensifs en IA. L’intérêt augmente avec la taille de l’entreprise, où le mouvement des données et la gestion de la chaleur exigent un meilleur contrôle.
La complexité d’intégration, les coûts initiaux et l’incertitude concernant les retours ralentissent le déploiement. De nombreuses organisations placent les photoniques sur une voie d’évaluation à moyen terme plutôt que sur un déploiement immédiat.
L’étude présente les photoniques comme une partie d’une recherche plus large pour une infrastructure capable d’absorber la croissance de l’IA sans augmentations proportionnelles de la pression sur l’énergie et le matériel.
L’intégrité des données définit la confiance dans les systèmes d’IA
La performance de l’IA est étroitement liée à la qualité et à l’intégrité des données sous-jacentes. Les répondants affirment que leurs organisations doivent faire davantage pour nettoyer, protéger et gouverner les données alimentant les systèmes d’IA.
Une mauvaise hygiène des données introduit des risques. De mauvaises entrées conduisent à des sorties peu fiables, un soutien décisionnel affaibli et une plus grande exposition aux incidents de sécurité. Ces risques augmentent à mesure que les systèmes d’IA passent des pilotes aux flux de travail fondamentaux.
L’utilisation généralisée d’outils d’IA non sanctionnés introduit de nouveaux risques à travers les entreprises. Les fuites de données sensibles, l’érosion de l’intégrité des données et les vulnérabilités de sécurité figurent parmi les préoccupations les plus importantes. Les sorties inexactes se distinguent également, en particulier lorsque les outils d’IA influencent les décisions commerciales sans supervision.
L’étude identifie l’IA ombragée comme un problème systémique lié à l’accès facile aux outils d’IA publics et à la pression pour avancer plus rapidement.
La maturité de la gouvernance varie à travers les organisations
Une gouvernance formelle de l’IA existe dans de nombreuses organisations, bien que la confiance en sa maturité varie. Certains rapportent un suivi structuré à travers des conseils de gouvernance, des évaluations des risques et des contrôles d’accès. D’autres reconnaissent des lacunes entre la politique et la pratique quotidienne.
L’intérêt pour les systèmes d’IA autonomes intensifie ces préoccupations. La prise de décision autonome augmente l’impact des faiblesses de gouvernance, avec la cybersécurité et la protection des données citées comme principaux risques.
Les réponses décrivent des contrôles en couches qui incluent des environnements restreints pour les charges de travail sensibles, des techniques améliorant la confidentialité et un accès basé sur des rôles plus strict. La gouvernance couvre de plus en plus la planification, le déploiement et l’opération.