AI transforme le rôle de l’infrastructure d’entreprise. Pour Rampal Singh, vice-président principal et Responsable mondial, Hybrid Cloud Services et AI Factory chez HCLTech, le changement va bien au-delà d’une nouvelle génération de matériel.
L’infrastructure a traditionnellement eu la responsabilité de la performance, de la disponibilité et de la capacité. Elle avait de l’importance pour l’entreprise, mais fonctionnait souvent comme un service en coulisses. L’AI change cette relation, car la performance et l’économie de l’infrastructure peuvent désormais influencer directement la rapidité avec laquelle l’entreprise peut accroître ses nouvelles capacités et se différencier sur le marché.
« C’est la première fois dans l’histoire de l’infrastructure TI que l’infrastructure TI devient une priorité stratégique pour l’entreprise », a déclaré Singh.
Cela crée un nouveau défi pour les responsables d’infrastructure. Ils doivent comprendre le langage de l’entreprise tout en gérant une pile technologique de plus en plus complexe.
Pourquoi les projets pilotes échouent-ils en production
La différence entre un projet pilote AI réussi et un déploiement en production se résume souvent à l’échelle.
Singh a noté que les projets pilotes sont généralement de petite taille, ce qui permet d’en garder la complexité associée sous contrôle. En production, le nombre de cas d’utilisation, d’utilisateurs, de modèles et de dépendances peut augmenter rapidement.
Cela signifie que les décisions d’infrastructure prises pour un projet pilote peuvent devenir des contraintes par la suite.
« Il faut avoir une vision à long terme. Il faut anticiper sur au moins cinq ans », a dit Singh.
Cela signifie concevoir l’architecture, choisir les produits, intégrer la pile technologique et bâtir l’équipe en tenant compte de la demande future. La scalabilité, la performance, la disponibilité et la rapidité de mise en marché deviennent toutes plus difficiles à gérer si les exigences de production n’ont pas été considérées dès le départ.
Le maillon le plus faible définit le système
L’infrastructure AI doit également être considérée comme un système unique, et non comme une collection de composants optimisés individuellement.
« S’il existe un composant qui ne fonctionne pas comme attendu, la performance de toute la pile [est à risque] », a déclaré Singh.
Une couche de calcul puissante ne peut pas compenser un réseau mal conçu. Des GPU coûteux peuvent rester sous-utilisés si le stockage ne livre pas les données assez rapidement. Même lorsque l’infrastructure physique est bien conçue, un modèle inefficace peut empêcher le bon fonctionnement de l’environnement.
L’objectif est une cohésion à travers le calcul, le réseau, le stockage, les données et les modèles.
Cette vision systémique devient particulièrement importante en raison du coût de l’infrastructure AI. La sous-utilisation n’est pas simplement un enjeu technique; elle affecte directement la justification économique.
La fondation doit devenir autonome
L’AI agentique introduit un autre changement : les charges de travail deviennent plus persistantes, dynamiques et autonomes.
Singh soutient que l’infrastructure sous-jacente doit évoluer dans la même direction.
« Si la fondation elle-même n’est pas autonome, alors il ne faut pas s’attendre à ce que la charge de travail qui s’exécute au-dessus le soit non plus », a-t-il dit.
Les processus d’exploitation traditionnels auront du mal à répondre aux exigences de scalabilité, de performance et de temps de réponse des environnements AI modernes. Singh souligne la nécessité d’un nouveau niveau d’AIOps capable d’anticiper les défaillances, de soutenir la remédiation et d’aborder la gestion de la capacité de manière différente.
Plutôt que d’appliquer simplement les processus d’infrastructure existants à l’AI, les entreprises doivent réinventer la façon dont l’environnement est exploité et consommé.
Singh prévoit que l’humain restera impliqué, mais de plus en plus à titre d’exception plutôt que comme mécanisme par défaut pour la gestion de chaque incident d’infrastructure.
AI Factory comme couche opérationnelle
C’est là que Singh place la AI Factory de HCLTech.
« AI Factory n’est pas vraiment un produit. Ce n’est même pas une infrastructure. C’est le modèle opérationnel pour offrir des capacités partagées et prospérer à l’ère de l’AI », a-t-il dit.
La distinction est importante, car l’achat de capacité seulement ne crée pas les capacités nécessaires pour l’utiliser efficacement.
Singh a décrit un problème courant : les organisations investissent dans l’infrastructure et découvrent ensuite qu’elles ont bâti de la capacité sans les capacités de soutien requises pour la consommer. Les pipelines de données peuvent être incomplets, les GPU peuvent rester sous-utilisés et la gouvernance peut être ajoutée trop tard.
L’AI Factory de HCLTech vise à rassembler ces capacités grâce à des composants réutilisables, une architecture standardisée, la gouvernance, le contrôle économique et FinOps.
« AI Factory est un modèle opérationnel de nouvelle génération, afin que les personnes, les processus, les outils et la technologie s’unissent pour offrir à l’entreprise les capacités nécessaires pour prospérer à l’ère moderne », a ajouté Singh.
