À l’approche d’un cycle où l’IA devient plus autonome, la question n’est plus seulement de « choisir un modèle », mais de préparer l’entreprise à l’exploiter durablement : qualité des données, maîtrise de la gouvernance, et arbitrage entre calcul local et cloud. Dans un échange autour de ces enjeux, HP met en avant l’idée que l’obstacle principal se situe souvent ailleurs que dans la puissance de calcul elle-même.

Concrètement, l’IA ne se limite pas à entraîner un système une fois. Elle suppose un enchaînement continu de traitements, de mises à jour et de validations, qui révèle rapidement des dettes organisationnelles : fragmentation des responsabilités, systèmes hétérogènes et architectures historiques difficilement interopérables.

Des projets IA freinés par la dette de données et d’intégration

Le premier goulot d’étranglement observé tient à ce que les entreprises sous-estiment la « dette » accumulée autour des données. Avant même d’automatiser l’ingestion, il faut clarifier la propriété des données entre services, gérer des schémas incohérents et composer avec des infrastructures anciennes non conçues pour fonctionner ensemble. Autrement dit, le défi ne relève pas uniquement du technique : il est aussi gouvernance et intégration.

Éviter que l’apprentissage continu ne devienne un risque

Quand les modèles s’améliorent de façon continue, ils peuvent dériver du comportement attendu. HP recommande alors d’aligner la gestion des mises à jour sur les pratiques de déploiement logiciel : aucun changement ne devrait passer en production sans un contrôle de validation. Sur le plan opérationnel, cela se traduit par des pipelines de type MLOps, capables de détecter automatiquement des dérives (concept drift), tout en prévoyant des déclenchements impliquant des humains avant tout nouveau réentraînement.

Concernant le « data poisoning » (altération malveillante ou accidentelle des données d’entraînement), l’enjeu est décrit comme une question de provenance autant que de sécurité. Il s’agit de savoir précisément d’où proviennent les jeux de données, qui a la possibilité de les modifier, et comment la traçabilité est conservée. Les organisations les plus avancées seraient celles qui intègrent la gouvernance IA dès le cadre de gestion des risques, avant la mise à l’échelle.

Le hardware au service d’un cycle IA plus autonome

HP rappelle que ses plateformes de calcul visent à soutenir des charges professionnelles exigeantes, et souligne qu’un « cycle IA autonome » ne se réduit pas à une machine isolée. L’approche se veut graduée : pour les équipes, le calcul local sert à multiplier les essais et à réduire la dépendance au cloud lors des itérations. Dans cette logique, des configurations pensées pour exécuter localement des modèles et des workflows cohabitent avec des besoins plus lourds.

Pour des cas où l’on cherche à conserver les données sensibles sur site, l’idée centrale est que l’infrastructure doit évoluer avec la maturité des usages : du poste de travail du développeur jusqu’au calcul distribué en environnement maîtrisé. L’entreprise insiste aussi sur le fait que la difficulté vient davantage des contraintes de gouvernance et de latence liées à l’automatisation que de la disponibilité brute de ressources de calcul.

Dans une perspective d’écosystème, les équipes peuvent aussi s’appuyer sur des postes de travail performants pour l’expérimentation locale. À titre d’exemple, un poste de travail équipé de GPU NVIDIA RTX PRO peut contribuer à organiser des tests et des évaluations sans dépendre à chaque itération de ressources externes.

Coûts GenAI : sortir du piège « cloud pour tout »

Le problème des coûts est présenté comme structurel plutôt que conjoncturel. Même lorsque le prix unitaire de l’inférence baisse, la dépense globale peut continuer d’augmenter parce que l’usage s’étend plus vite que la réduction des coûts.

HP propose une approche pragmatique : instaurer une séparation stricte entre les phases exploratoires et les phases de production. Les travaux d’itération (prototypage, fine-tuning, évaluation) devraient, selon cette logique, être exécutés sur du matériel local afin d’éviter de brûler un budget opérationnel en essais sans trajectoire de retour sur investissement clairement établie.

Cette segmentation s’appuierait sur une architecture « trois niveaux » : le cloud pour les besoins de burst training et l’accès à des modèles de pointe réellement justifiés, l’infrastructure sur site pour une inférence à volume prévisible, et, lorsque la latence est critique, le calcul de proximité (edge).

Données « AI-ready » : une question de souveraineté

Pour rendre les données exploitables par l’IA, la difficulté serait moins un sujet de « data engineering » qu’une problématique de souveraineté. Envoyer des données propriétaires à un modèle hébergé à l’extérieur n’est pas seulement un risque d’exposition : cela peut aussi constituer un manquement de gouvernance, particulièrement dans les secteurs régulés, où même le fait de transmettre peut déclencher des obligations de conformité.

HP met en avant une approche de type Retrieval-Augmented Generation (RAG) déployée localement. L’objectif est de permettre au modèle d’aller chercher, au moment de la requête, le contexte pertinent dans une base interne, sans entraîner le modèle sur ces contenus et sans exposer les données à un traitement externe. L’accès est ensuite contrôlé via une couche de permissions, afin que l’IA ne restitue que ce qu’un utilisateur est autorisé à consulter.

Dans cette logique, l’intelligence « se déplace » vers les données plutôt que l’inverse. Pour les organisations qui souhaitent structurer des pipelines de récupération et d’analyse hors cloud, un serveur ou workstation pour environnement local peut servir de socle à des expérimentations RAG avec isolation des données.

Vers une évolution du rôle des équipes IT : du déploiement à la gouvernance

L’automatisation introduite par des agents d’IA change la nature du travail en entreprise. L’enjeu n’est pas seulement d’exécuter des tâches plus vite, mais de définir quelles actions les agents peuvent entreprendre, sous quelles conditions, et avec quels garde-fous. Le déplacement de responsabilités se ferait donc vers la conception et la supervision du cadre de confiance : observabilité du comportement des agents, contrôle des décisions, et alignement avec les exigences de résilience et de conformité.

Dans cette perspective, le « local-first » retrouve un rôle central : lorsque les systèmes tournent sur une infrastructure maîtrisée, l’entreprise disposerait d’une meilleure visibilité sur le fonctionnement des agents et sur leurs limites. En clair, il ne s’agirait plus de maintenir uniquement des services, mais d’orchestrer un ensemble de décisions IA encadrées, cohérentes avec les politiques internes.