Principales conclusions

• Les usines d’IA transforment les données en résultats, la répétabilité faisant la différence
• L’écosystème compte, car aucun fournisseur ne peut offrir toute la chaîne de bout en bout à lui seul
• La localisation des données détermine l’architecture : les mégastructures, la périphérie distribuée et le « PC IA » jouent tous un rôle
• Le véritable ROI provient de cas d’affaires clairs, incluant la sécurité, le débit et la productivité
• L’adoption dépend de la simplification de l’expérience pour les utilisateurs finaux, sans exposer la complexité
• La valeur agentique prend de l’ampleur lorsque les experts demeurent au centre et que les flux de travail deviennent « modifiables par l’humain »

Au pavillon de HCLTech lors du Forum économique mondial 2026 à Davos, une table ronde avec Dell Technologies s’est concentrée sur une transition que ressentent actuellement de nombreuses entreprises : l’IA n’est plus la question. C’est l’exécution qui l’est. Les données sont abondantes, les décisions sont sensibles au temps et l’expérimentation précoce cède la place à la pression pour une livraison répétable. Le concept d’Usine d’IA offrait un cadrage utile. Ce n’est pas un simple mot à la mode, mais un modèle opérationnel, une méthode pour fabriquer l’intelligence de façon cohérente, sécurisée et à grande échelle.

La discussion survient au moment où HCLTech indique publiquement un recentrage stratégique marqué vers la croissance pilotée par l’IA. S’exprimant à Davos cette semaine, la direction de l’entreprise a présenté les usines d’IA et l’IA physique comme des moteurs de croissance émergents susceptibles de porter les revenus liés à l’IA à 2,5 milliards de dollars dans les prochaines années, aidant à compenser la pression sur les prix des services traditionnels tout en libérant de nouvelles dépenses discrétionnaires des entreprises. Ce contexte a donné une pertinence accrue au sujet de la table ronde.

Les dirigeants de Dell ont présenté la Dell AI Factory comme un pont entre les entrées brutes et la valeur commerciale, alors que le Chef de la technologie et responsable des écosystèmes de HCLTech, Vijay Guntur, a ancré la discussion sur l’Usine d’IA dans les résultats. À travers les opérations industrielles, les environnements périphériques et les flux de travail émergents pilotés par agents, le thème récurrent était simple : commencez par l’objectif de changement, puis assemblez l’empilement pour que ce changement soit reproductible.

Voici six des principaux enseignements tirés de la discussion.

1. Les usines d’IA sont des infrastructures, logiciels et services qui transforment les données en résultats

Kyle Leciejewski, vice-président principal, Ventes Amérique du Nord et Opérations Client chez Dell Technologies, a offert une définition claire et simple : « c’est un ensemble d’infrastructure, de logiciels et de services qui prennent les données en entrée et produisent des résultats en sortie. » Ce cadrage est important car il éloigne la discussion des outils et la recentre sur la reproductibilité. Beaucoup d’organisations peuvent mettre sur pied des projets pilotes ponctuels. Beaucoup moins peuvent standardiser le parcours : des données aux modèles, aux flux opérationnels de production et à un impact mesurable.

À travers les secteurs d’activité, les cas d’usage variaient fortement. Les exemples abordés allaient de l’assistance à la programmation et des gains de productivité en développement logiciel à la vision par ordinateur améliorant les rendements et la qualité en fabrication, l’analyse d’images plus rapide en santé, et des agents numériques reliant les citoyens aux services publics.

Selon Guntur, considérant l’impact global : « Les usines d’IA fabriquent de l’intelligence [et] il y a de nombreuses façons de fabriquer cette intelligence. » Le mécanisme peut varier selon le modèle de déploiement, mais l’objectif est la constance. « Concentrez-vous sur le résultat », dit-il. L’usine est « un moyen pour une fin », non la fin en soi.

2. Ce sont les résultats, pas l’architecture, qui doivent guider la conception de l’usine

Un thème récurrent : une Usine d’IA n’est pas une architecture de référence unique. C’est un système configurable qui doit être pensé à rebours à partir d’un objectif d’affaires. Guntur l’a répété à plusieurs reprises : « La façon dont votre usine est conçue dépend de votre besoin. » Si l’exigence est la confidentialité, la souveraineté ou le plein contrôle, la configuration diffère. Si le besoin est la rapidité, l’échelle ou l’élasticité, la configuration évolue à nouveau.

La directrice des partenaires chez Dell Technologies, Denise Millard, a abondé en ce sens en ancrant les Usines d’IA de Dell dans des projets clients réels. Elle a souligné que les résultats nécessitent souvent plusieurs ingrédients réunis : « surveillance vidéo… logiciel… gestion [et] infrastructure » livrés comme une solution cohérente. Dans un exemple, l’objectif opérationnel du client était concret et mesurable : « mettre plus de conteneurs sur les navires. » Le résultat était tout aussi spécifique : « ils ont constaté la capacité de livrer davantage. » Ce résultat est survenu parce que l’écosystème a été assemblé dans une dynamique de livraison intégrée, et non acheté comme des composants isolés.

Tout au long de la conversation, la leçon sous-jacente était pragmatique : les usines d’IA sont les plus utiles lorsque l’exécution devient reproductible, réduit la friction et garde visible le cas d’affaires tout au long de la livraison.

3. La réalité multinuage et multi-modèle fait de l’écosystème la stratégie

Millard a mis en avant la réalité opérationnelle à laquelle sont confrontées les entreprises : « nous croyons que c’est un monde multinuage… et multi-IA. » En pratique, cela signifie que l’intelligence sera produite à travers des plateformes SaaS, des nuages publics et des environnements sur site simultanément. Pour la plupart des organisations, le défi n’est pas de choisir une seule destination, mais de gérer l’ensemble des environnements.

Dans ce contexte, les partenariats servent à créer des ponts entre les environnements. Millard note « la construction de ces ponts » afin que les clients puissent opérer où ils doivent le faire. La discussion a aussi montré que les exigences de confidentialité, sécurité et souveraineté déterminent les choix de déploiement de façon à rendre irréaliste une stratégie à nuage unique pour beaucoup.

« Aucune entreprise ne peut assurer toute la pile », ajoute Guntur, évoquant la pression d’innovation touchant le silicium, les GPU, les centres de données, les appareils périphériques et les couches de modèles. Selon cette vision, l’Usine d’IA n’est pas simplement une pile technique, mais un modèle de coordination qui permet aux entreprises de profiter de fournisseurs spécialisés sans devenir eux-mêmes intégrateurs.

4. La périphérie n’est pas une note de bas de page : c’est là que se crée une grande partie des données réelles

L’un des moments les plus clairs survient lorsque Leciejewski relie directement l’architecture à la localisation des données. Il affirme : « La majorité des données mondiales ne se trouve pas dans un nuage centralisé. Elles sont sur site. Et beaucoup des nouvelles données générées ne le seront pas sur un nuage public ou dans un centre de données. Elles vont être créées dans le monde réel, à la périphérie. » 

Il ajoute : « Nous croyons que la capacité de calcul suivra ultimement les données. » Mettez en place un modèle d’usine d’IA couvrant :

• Mégastructures de centres de données et environnements « néo-cloud »
• Emplacements périphériques distribués prenant des décisions locales en temps réel
• Et la périphérie lointaine, où le « PC IA » fait partie de la solution

Cette amplitude est avantageuse, car les cas d’usage de l’IA d’entreprise coexistent rarement en un seul lieu. Les données sont produites dans les usines, ports, commerces de détail et appareils. L’intelligence doit être fabriquée là où la latence, la connectivité et le risque opérationnel l’exigent.

Même si l’infrastructure existe déjà, le problème le plus épineux reste la connexion sécuritaire des données à travers les silos internes. Le flux de travail pour relier des sources disparates soulève des enjeux de gouvernance, de contrôle et de sécurité qui nécessitent les capacités des partenaires, et pas seulement du matériel.

5. Le ROI échoue si le cas d’affaires n’est pas clair, même si la technologie s’améliore

Le groupe est revenu à plusieurs reprises sur la façon dont les organisations investissent temps et argent sans obtenir le résultat attendu, non pas parce que les modèles sont déficients, mais parce que le cas d’affaires ou l’objectif n’a jamais été suffisamment défini.

« Vous n’avez pas bien commencé [si vous ne pensiez pas] au cas d’affaires dès le début », dit Guntur. Il reconnaît toutefois que les coûts vont baisser et les performances s’améliorer, mais insiste que le facteur décisif demeure la capacité du cas d’usage à « vraiment motiver l’organisation à investir et [à accepter] l’aspect difficile du changement. »

La table ronde voyait aussi le retour sur investissement (ROI) au-delà de la voie de la productivité. Dans certains cas, le retour est évident selon des critères traditionnels : débit, rendement, efficacité de la main-d’œuvre ou réduction des arrêts. Dans d’autres, la valeur est existentielle. Guntur cite des résultats guidés par la sécurité : si un cas d’usage permet de sauver des vies, la discussion sur le ROI change complètement.

C’est là que l’usine d’IA dépasse la construction technique. Elle devient une démarche disciplinée : sélectionner des problèmes qui valent la peine d’être résolus, définir les critères de succès à l’avance et bâtir un schéma d’exécution reproductible.

6. La valeur agentique croît quand les flux de travail demeurent centrés sur l’humain et utilisables

Des flux de travail pilotés par agent ont été présentés comme la dernière tendance : les agents apparaissent comme système de support, non comme substituts à l’expertise. Un participant a souligné que la montée en puissance de l’exécution agentique vise à outiller les experts métier, capter leur façon de travailler et leur laisser le contrôle sur les flux de travail au fur et à mesure que les conditions changent.

Cette approche est particulièrement pertinente dans les milieux réglementés et à enjeux élevés : les flux de décision deviennent lisibles par le système mais restent « modifiables par l’humain ». En d’autres mots, il ne s’agit pas d’automatiser le jugement hors du système, mais de réduire le temps perdu par les experts à organiser l’information pour qu’ils se concentrent sur ce que seuls les humains peuvent décider.

Guntur le souligne à sa façon, rappelant que la simplicité est la clé de l’adoption et de l’utilité de l’IA. La pile la plus avancée du monde ne comptera pas si les gens près du travail ne peuvent pas l’utiliser aisément. L’usine d’IA devient transformatrice si sa configuration permet aux utilisateurs finaux d’agir sur les résultats sans devoir comprendre la complexité sous-jacente.

Rendre l’intelligence manufacturable à grande échelle

Le message central de l’usine d’IA, celui qui a le plus frappé, était aussi le plus simple : on manufacture l’intelligence à grande échelle, mais seulement si l’exécution est traitée comme une discipline opérationnelle, et non comme une initiative ponctuelle.

Les organisations gagnantes ne seront pas celles avec le plus de pilotes, mais celles capables de standardiser la création, le déploiement, la gouvernance et l’amélioration de l’intelligence à travers les systèmes industriels, les environnements périphériques et les flux agentiques, puis de prouver cette valeur dans le langage qui intéresse les affaires.

FAQ

1. Qu’est-ce qu’une Usine d’IA ? 
Une Usine d’IA est un modèle opérationnel transformant les données en intelligence exploitable via des infrastructures, logiciels et flux reproductibles, plutôt que par des expériences ou des déploiements isolés.

2. En quoi une Usine d’IA diffère-t-elle des projets IA traditionnels ? 
Les projets traditionnels s’attaquent à des cas d’usage individuels. Une Usine d’IA standardise la façon de créer, déployer et gérer les modèles afin que l’intelligence soit produite de façon cohérente et à grande échelle.

3. Où une Usine d’IA livre-t-elle le plus de valeur aujourd’hui ? 
Son impact est le plus élevé dans les environnements avec une abondance de données et des décisions à prendre rapidement, notamment dans l’industrie, la périphérie, les chaînes d’approvisionnement et les flux orientés client.

4. Une Usine d’IA suppose-t-elle que tout migre vers le nuage ? 
Non. Les usines d’IA couvrent le nuage public, local et la périphérie, avec la capacité de calcul suivant la localisation des données, la latence et les contraintes réglementaires.

5. Qu’est-ce qui détermine la réussite d’une Usine d’IA ? 
Résultats clairement définis, données propres et accessibles, gouvernance rigoureuse et partenaires capables d’intégrer l’infrastructure, les modèles et les flux dans des systèmes réellement utilisés.