Les agents d’IA d’entreprise se heurtent à un problème d’infrastructure. Plus de quatre organisations sur cinq déclarent que leurs systèmes doivent être modernisés pour prendre en charge une IA agentique prête pour la production, selon une enquête de Google Cloud menée auprès de 1 402 responsables informatiques dans le monde.
Google Cloud a publié ces résultats le 8 juillet, alors que les entreprises déploient leurs agents au-delà des pilotes contrôlés. Le rapport souligne la hausse des coûts d’inférence, la complexité opérationnelle, les exigences de gouvernance et les contraintes énergétiques à mesure que les agents prennent en charge des tâches en plusieurs étapes dans les systèmes de l’entreprise.
L’IA agentique met à rude épreuve bien plus que la capacité de calcul
Le chiffre de 83 % recouvre un ensemble d’exigences plus vaste que la seule capacité des accélérateurs. Dans son rapport sur les infrastructures 2026, Google indique que 52 % des personnes interrogées utilisent des architectures hybrides multicloud, tandis que 48 % donnent la priorité aux infrastructures appliquant des contrôles stricts de résidence des données.
Les applications agentiques peuvent effectuer des appels répétés aux modèles, interroger des bases de données, utiliser des outils externes et se coordonner avec d’autres agents. Ces flux de travail nécessitent des systèmes capables de conserver le contexte et de gérer l’activité sur plusieurs étapes.
Le déploiement en périphérie s’impose également dans les projets d’IA d’entreprise. Quatre-vingt-dix pour cent des personnes interrogées le jugent important pour leurs initiatives, dont 72 % le considèrent comme extrêmement ou très important.
Les coûts ne se limitent pas à la capacité de calcul. Soixante-deux pour cent des répondants font état de ce que Google appelle une « taxe d’inférence » importante, liée aux frais de sortie des données, au stockage excédentaire et au matériel spécialisé inactif. Par ailleurs, 81 % citent la complexité opérationnelle comme un coût caché du passage à l’échelle.
La sécurité et la gouvernance restent des obstacles majeurs. Soixante-dix-neuf pour cent des répondants identifient la sécurité, la gouvernance et les opérations de machine learning comme leur principal défi.
L’énergie influence également les décisions en matière de matériel. Quatre-vingt-onze pour cent déclarent prendre en compte la consommation électrique lors du choix du matériel, et 61 % la considèrent comme un facteur principal ou important. Le projet de centre de données Fife AI montre comment la capacité du réseau électrique et les autorisations d’urbanisme peuvent déterminer où seront construites les nouvelles infrastructures d’IA.
La préparation à la production exige de nouveaux contrôles
Les équipes chargées des infrastructures doivent déterminer comment les agents conserveront leur état, se rétabliront après des défaillances et maintiendront le contexte pendant des flux de travail de longue durée. Les systèmes conçus pour des démonstrations peuvent ne pas disposer des capacités de supervision et de persistance nécessaires aux applications d’entreprise en production.
Les contrôles de gouvernance doivent porter sur les identités des agents, les autorisations, les exigences d’approbation et les journaux d’audit. Les agents capables de lire des e-mails, d’interroger des bases de données ou de modifier des enregistrements ne devraient recevoir que les accès nécessaires à chaque tâche. La montée des rançongiciels agentiques capables de mener des attaques en plusieurs étapes renforce l’urgence de mettre en place des identifiants aux permissions strictement limitées et une supervision continue.
Le placement des charges de travail dépend également des exigences en matière de latence, de résilience, de sécurité et de résidence des données. Certaines applications devront peut-être rester sur site, en périphérie ou dans des régions cloud précises.
Google indique dans son aperçu du rapport que 78 % des personnes interrogées obtiennent désormais leurs produits d’IA générative auprès de leur principal fournisseur cloud, soit une hausse de 30 points de pourcentage depuis 2025. La consolidation peut simplifier les achats et la gouvernance, mais elle peut aussi accroître la dépendance envers les modèles, les services de données et les outils d’orchestration d’un seul fournisseur. L’accord de 19 milliards de dollars US entre Anthropic et TeraWulf montre que les entreprises spécialisées dans l’IA sécurisent elles aussi des capacités dédiées de calcul et d’alimentation électrique en dehors des arrangements cloud traditionnels.
Google recommande des ressources de calcul flexibles, une gouvernance centralisée des agents, un accès unifié aux données et la prise en charge des déploiements hybrides et en périphérie. Ces recommandations correspondent aux produits vendus par Google Cloud ; les entreprises devraient donc comparer les architectures concurrentes en matière de portabilité, de coûts et de dépendance vis-à-vis des fournisseurs.
Le passage des agents à la production obligera les organisations à définir des règles de gouvernance, à planifier la gestion des défaillances, à contrôler l’emplacement du traitement des données et à déterminer si les coûts récurrents de l’infrastructure peuvent être justifiés.
À lire aussi : une panne d’un superordinateur de Cambridge liée à une vague de chaleur montre pourquoi le refroidissement et la résilience doivent faire partie de la planification des infrastructures d’IA.