AI transforme le rôle de l’infrastructure d’entreprise. Pour Rampal Singh, vice-président principal et chef mondial des affaires, Hybrid Cloud Services et AI Factory chez HCLTech, cette évolution va bien au-delà de l’arrivée d’une nouvelle génération de matériel.

L’infrastructure était traditionnellement responsable de la performance, de la disponibilité et de la capacité. Elle avait une importance pour l’entreprise, mais fonctionnait le plus souvent comme un service de soutien. L’AI change cette dynamique, car la performance et les coûts de l’infrastructure influencent directement la capacité de l’entreprise à accélérer le déploiement de nouvelles capacités et à se démarquer 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 », explique Singh. 

Cela crée un nouveau défi pour les responsables de l’infrastructure. Ils doivent comprendre le langage d’affaires tout en gérant une pile technologique de plus en plus complexe.

Pourquoi les projets pilotes échouent en production

La différence entre un projet pilote d’AI réussi et un déploiement en production réside souvent dans la capacité à passer à l’échelle.

Singh note que les pilotes sont généralement de petite envergure, ce qui rend la complexité associée plus facile à gérer. En production, le nombre de cas d’utilisation, d’utilisateurs, de modèles et de dépendances peut croître rapidement.

Cela signifie que les choix d’infrastructure faits pour un pilote peuvent devenir des contraintes par la suite.

« Il faut une vision à long terme. Il faut regarder au moins cinq ans en avant », indique Singh. 

Cela implique de concevoir l’architecture, de sélectionner les produits, d’intégrer la pile technologique et de constituer l’équipe en anticipant les besoins futurs. La mise à l’échelle, la performance, la disponibilité et la rapidité de mise en marché deviennent toutes plus difficile à gérer si les besoins de la production n’ont pas été pris en compte dès le départ.

Le maillon le plus faible définit le système

L’infrastructure AI doit aussi être considérée comme un système unique plutôt qu’une collection de composants optimisés individuellement.

« S’il y a un composant qui ne fonctionne pas comme attendu, la performance de toute la pile [est à risque] », explique Singh. 

Une couche de traitement puissante ne compensera pas un réseau mal conçu. Des GPU coûteux peuvent rester sous-utilisés si le stockage ne fournit pas les données assez rapidement. Même si l’infrastructure physique est bien conçue, un modèle inefficace peut empêcher l’utilisation optimale de l’environnement.

L’objectif est l’harmonie entre traitement, réseau, stockage, données et modèles.

Cette approche systémique devient particulièrement importante en raison du coût de l’infrastructure AI. Le sous-emploi n’est pas seulement un problème technique. Cela affecte directement la justification d’affaires.

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, vous ne pouvez pas vous attendre à ce que la charge de travail au-dessus le soit », dit-il. 

Les processus d’exploitation traditionnels auront du mal à répondre aux exigences de passage à l’échelle, de performance et de réactivité des environnements AI modernes. Singh souligne le besoin d’une nouvelle génération d’AIOps, capables d’anticiper les pannes, de soutenir la correction et de planifier la capacité différemment.

Plutôt que d’appliquer simplement les processus d’infrastructure existants à l’AI, les entreprises doivent repenser la façon de faire fonctionner et consommer l’environnement.

Singh s’attend à ce que l’humain continue d’intervenir, mais de plus en plus comme exception plutôt que comme mécanisme par défaut pour gérer chaque événement d’infrastructure.

AI Factory comme couche opérationnelle

C’est ici que Singh situe la AI Factory de HCLTech.

« L’AI Factory n’est pas vraiment un produit. Ce n’est même pas une infrastructure. C’est le modèle opérationnel qui permet d’offrir des capacités partagées pour prospérer à l’ère de l’AI », dit-il. 

La nuance est importante, car acheter seulement de la capacité ne crée pas les compétences nécessaires pour s’en servir efficacement.

Singh décrit un problème courant : les organisations investissent dans l’infrastructure mais découvrent par la suite qu’elles ont créé de la capacité sans les compétences requises pour la consommer. Les pipelines de données peuvent être incomplets, les GPU sous-utilisés et la gouvernance ajoutée trop tard.

HCLTech AI Factory vise à regrouper ces capacités grâce à des composants réutilisables, une architecture standardisée, la gouvernance, le contrôle économique et le FinOps.

« AI Factory est un modèle opérationnel de prochaine génération, pour que les personnes, les processus, les outils et la technologie forment un tout et livrent à l’entreprise les capacités nécessaires pour prospérer dans l’ère moderne », ajoute Singh.