Le secteur de l’AI d’entreprise entre dans une phase plus exigeante. Les modèles et la puissance de calcul progressent rapidement, mais la valeur commerciale dépend d’une équation plus large : les données qui alimentent l’AI, les processus qu’elle transforme, l’infrastructure sur laquelle elle fonctionne et la confiance nécessaire pour la déployer en production.

C’est ce dilemme qui a alimenté une conversation lors du AI Infra Summit 2026 entre C Vijayakumar, président-directeur général de HCLTech, et John Roese, chef de la direction technologique et chef de l’IA chez Dell Technologies. Leur discussion portait sur un défi central pour la direction : comment aller plus vite sans perdre le contrôle des coûts, des données, de la gouvernance ou de la souveraineté.

L’AI hybride est une décision économique et de souveraineté

L’infrastructure fait partie de l’équation d’affaires une fois l’AI déployée à grande échelle en production.

Différentes charges de travail ont des exigences différentes. Certaines sont volumineuses et sensibles aux coûts. D’autres justifient des modèles plus coûteux parce que les décisions qu’elles soutiennent sont de nature plus stratégique. Les données sensibles, les obligations réglementaires et les exigences de latence peuvent aussi impacter l’emplacement d’exécution des charges de travail.

« Finalement, le monde sera hybride », affirme Vijayakumar.

Les architectures d’entreprise combineront des infrastructures AI privées avec l’accès à des modèles de pointe et à des services externes lorsque c’est pertinent.

Roese a avancé le même point de vue sous l’angle de l’infrastructure. Les entreprises ont besoin de suffisamment d’options pour aligner chaque charge de travail avec les bons coûts, la bonne performance et le bon niveau de contrôle. « Les logiciels ne fonctionnent pas par magie; ils fonctionnent grâce à une infrastructure », a-t-il affirmé.

C’est là que la souveraineté devient concrète. Les entreprises doivent déterminer où doivent résider les données, invite, modèles et inférence, le niveau de contrôle requis et quelles charges de travail peuvent exploiter les services externes de façon sécuritaire.

Le AI Factory de HCLTech est créé autour de cette réalité hybride, prenant en charge l’IA sur site, dans le cloud, à la périphérie et dans des environnements souverains. Notre offre réunit l’infrastructure, les données, les plateformes et les modèles AI dans un environnement gouverné, avec des capacités telles que le FinOps pour l’AI afin d’optimiser l’utilisation des GPU et de contrôler les coûts.

L’AI d’entreprise commence par le processus

Roese a fait la distinction entre la création de modèles de pointe et l’application de l’AI à l’intérieur d’une entreprise. L’AI d’entreprise doit fonctionner à travers les systèmes existants, les données, les personnes et les processus d’affaires, faisant du déploiement de production un défi de transformation à plus grande échelle.

« Le parcours est bien plus long que simplement bâtir un modèle ou mettre en place une technologie ou une infrastructure AI », a affirmé Roese. Il a décrit l’expérience de Dell comme impliquant autant la gouvernance, les compétences, l’architecture de données et l’évolution des processus que la technologie. « On ne peut pas implanter l’AI dans l’entreprise sans savoir quel processus on tente de transformer, et il s’avère que les processus ne sont pas nécessairement documentés. »

Vijayakumar a décrit un schéma semblable dans les travaux de HCLTech auprès d’entreprises mondiales. Les données peuvent rester confinées dans des systèmes patrimoniaux ou manquer de contexte pour soutenir une AI fiable. Les processus existants peuvent également inclure des couches d’approbation et de transfert conçues pour un modèle opérationnel différent.

« Tenter d’adopter l’AI agentique en entreprise avec les mêmes processus ne produira pas les bons résultats », a-t-il affirmé.

Les organisations doivent déterminer quels processus doivent être repensés, quelles décisions peuvent être automatisées et où le jugement humain reste essentiel.

Vijayakumar a résumé le défi en trois mots : « Données, processus et confiance. Et, un thème très important est le ROI sur l’AI. »

Nos recherches illustrent l’ampleur de ce défi. The Value Edge: Powering the Next Era of TMT, une étude menée avec Economist Enterprise, a révélé que 91 % des 202 cadres de direction interrogés en Amérique et en Europe se disent satisfaits de leurs investissements en AI, mais seulement le tiers ont un cadre permettant de mesurer l’impact commercial de l’AI. Les défis d’intégration et l’endettement technologique freinent activement la progression de l’AI pour 62 % des répondants, tandis que 76 % affirment que les questions non résolues sur l’AI responsable et les écarts de conformité freinent leur capacité à évoluer à grande échelle.

Cette orientation s’inscrit aussi dans notre démarche AI plus large. Dans un récent article de la Harvard Business Review, Vijayakumar expliquait comment les progrès en AI transforment l’économie des services TI, rompant le lien traditionnel entre la croissance des revenus et l’expansion des effectifs.

La standardisation crée la vélocité

Une plus grande vélocité vient de la réduction de la friction technique entre l’idée et le résultat en production tout en conservant les contrôles nécessaires au déploiement d’entreprise.

Cette pression se reflète dans notre The AI Impact Imperatives, 2026 recherche. Les répondants s’attendent en moyenne à ce que 43 % des grands projets AI lancés au cours des 24 prochains mois échouent, alors que la période de retour sur investissement médiane prévue pour ces investissements majeurs en AI est d’environ 18 mois.

Roese affirme que le parcours AI s’est accéléré à mesure que les plateformes, protocoles et interfaces se sont normalisés. Il y a un an, faire passer une idée AI en production prenait plusieurs mois. Aujourd’hui, selon lui, ce cycle peut prendre moins de quatre semaines. Il attribue cette amélioration à une pile technologique plus standardisée et reproductible.

C’est aussi la logique derrière notre modèle AI Factory : des architectures de référence validées, des modèles de conception standardisés et des opérations industrialisées pour rendre le déploiement d’AI plus reproductible et évolutif.

La demande pour des capacités avancées en AI croît. HCLTech a rapporté des revenus AI avancés de 171 millions $ au T1 de l’exercice 27, en hausse de 62,1 % d’une année à l’autre à taux de change constant. Nous avons également annoncé un investissement allant jusqu’à 3 500 crores ₹ dans des centres de données AI, en complément de nos capacités d’infrastructure et d’opérations existantes en AI.

Transformer la vélocité en avantage pour l’entreprise

La prochaine étape de l’AI d’entreprise sera définie par la capacité des organisations à orchestrer efficacement le système qui les entoure.

Cela signifie moderniser les bonnes données, repenser les processus, faire correspondre les charges à la bonne infrastructure et intégrer la gouvernance à l’architecture. Rapidité et souveraineté n’ont pas à être des objectifs opposés. La bonne architecture hybride peut offrir aux entreprises plus de flexibilité et de contrôle.

Les entreprises les plus rapides ne seront pas nécessairement celles qui déploient le plus d’AI. Ce seront celles qui réduisent la friction entre l’investissement et la valeur mesurable, et entre une idée et un résultat en production digne de confiance.

C’est l’équation de la vélocité AI : vitesse créée par de meilleures fondations, souveraineté intégrée à l’architecture et avantage d’entreprise mesuré en valeur d’affaires.