Bonjour {{first_name}} ! Cloudera vient de publier son enquête “État des lieux de l'IA en entreprise en 2025”, qui recueille les opinions de plus de 1500 responsables informatiques et révèle un paradoxe crucial: l'IA est omniprésente, mais son potentiel n'est pas encore pleinement exploité. Les dirigeants voient clairement la valeur de l'IA, mais ils sont confrontés à des lacunes en matière d'infrastructure, telles que des coûts élevés, des données corrompues et des problèmes de gouvernance qui déterminent si l'IA peut être déployée à grande échelle ou si elle est vouée à l'échec.

Dans l'édition d'aujourd'hui :

Alors que les entreprises sont optimistes quant à l'IA et continuent de faire état d'investissements importants et de leur confiance dans cette technologie, seuls 21% des dirigeants interrogés dans le cadre de l'enquête de Cloudera ont déclaré avoir pleinement intégré l'IA dans leurs processus métier clés. L'un des changements les plus importants révélés par l’enquête concerne le coût des modèles d'entraînement. Par rapport à l’enquête menée il y a un an, il a été constaté que le coût d'accès à la capacité informatique nécessaire à l'entraînement de l'IA est en hausse, passant de 8% en 2024 à 42% aujourd'hui.

L'accès aux données appropriées est tout aussi important. Pour entraîner efficacement les modèles d'IA, les organisations doivent avoir accès à 100% de leurs données, sous toutes leurs formes et où qu'elles se trouvent. Sans un accès complet, les modèles sont limités en termes de portée et de précision. Cela s'applique également aux techniques RAG (Retrieval Augmented Generation), qui permettent aux LLM d'accéder au contexte de vos informations d'entreprise. Lorsque l'IA peut être appliquée à toutes ces données, que ce soit dans le cloud, dans le centre de données d’entreprise, elle devient plus fiable, plus contextuelle et, en fin de compte, plus précieuse pour l'entreprise.

Pour les praticiens de l'IA et les décideurs, cette conclusion de Cloudera souligne que ce n'est pas l'exécution ou la mise à l'échelle qui entrave l'intégration de l'IA, mais les fondements mêmes. La seule voie vers une IA fiable à l'échelle de l'entreprise passe par l'amélioration de l'efficacité de l'infrastructure et l'exploitation de toutes les données organisationnelles.

À mesure que l'adoption de l'IA s'accélère, les risques liés à la sécurité augmentent également. Cependant, une gouvernance proactive, le respect de la traçabilité et l'intégration de l'IA aux données (plutôt que le transfert des données vers l'IA) peuvent aider à exploiter la puissance de l'IA sans compromettre la confiance ou la sécurité. La gouvernance est essentielle. Sans normes cohérentes en matière de gouvernance et de sécurité, chaque fois qu'une organisation ouvre ses données pour entrainer des modèles d'IA, elle s'expose à un risque de fuite ou d'intervention d'un tiers. Vous pouvez conserver la propriété de vos données, les conserver où qu'elles se trouvent et y appliquer l'IA, ce qui vous permet de capturer toutes les informations sans vous exposer, vous et votre entreprise, à un risque accru.

Il s'agit notamment de l'accès aux données, des contrôles précis, du catalogue et de la traçabilité, qui constituent les éléments fondamentaux d'un déploiement sûr et privé de l'IA. Plusieurs outils sur AWS fournit également la traçabilité des données afin de garantir leur qualité et d'aider les équipes à comprendre comment l'IA les utilise pour prendre des décisions. Cela élimine le problème de la boîte noire, en donnant aux utilisateurs une visibilité sur les données utilisées par l'IA pour répondre ou agir.

Commencez par intégrer les règles directement dans votre architecture de données, et non pas en superposition. Cela signifie que des éléments tels que le chiffrement, les contrôles d'accès, la traçabilité et les pistes d'audit doivent être intégrés dès le départ, et non pas ajoutés après l’implementattion. Rédigez les règles de sécurité une seule fois, puis appliquez-les de manière universelle dans le cloud public, le cloud privé et le centre de données, quel que soit l'emplacement des données. L'application des règles doit se faire automatiquement, et non manuellement. Les meilleurs systèmes ne reposent pas sur le fait que quelqu'un se souvienne de cocher une case.

Concentrez-vous sur quelques règles à fort impact: qui peut voir quoi, où se trouvent les données sensibles et comment elles sont suivies. Commencez modestement, puis développez votre approche. Plus important encore, rendez votre politique transparente et explicable: impliquez dès le début vos équipes juridiques, informatiques, de cybersécurité et de conformité. La gouvernance ne peut pas être une réflexion après implementation.

Pour atteindre une intégration à 100 % de l'IA, les organisations doivent suivre une démarche structurée: commencer par ancrer leurs efforts dans des objectifs commerciaux clairs, puis éliminer les obstacles liés aux données et à l'infrastructure, et enfin passer à grande échelle grâce à des cas d'utilisation ciblés et axés sur la valeur.

Commencez par clarifier vos objectifs: définissez les problèmes commerciaux que vous essayez de résoudre et qui est responsable de ces décisions. Ensuite, assurez-vous que vos données sont propres, contextuelles et accessibles. Cela implique d'unifier les données structurées, semi-structurées et non structurées dans tous les environnements: clouds, datacenter ou en local. À partir de là, construisez une infrastructure flexible capable d'évoluer au fur et à mesure que les modèles et les cadres d'IA changent. Donnez la priorité à la sécurité, à la gouvernance et à la transparence dès le début, car la confiance est fondamentale.

Enfin, utilisez des architectures de référence ou des accélérateurs pour avancer rapidement avec des cas d'utilisation ciblés et à fort impact. Les organisations qui réussissent sont celles qui agissent avec concentration et responsabilité, puis évoluent à partir de là.

Cette feuille de route fait de l'intégration de l'IA un parcours étape par étape. En suivant cette approche, les organisations peuvent transformer l'IA, qui n'était jusqu'alors qu'une série d'expériences dispersées avec des efforts fragmentés en matière de données, en une capacité fiable qui a un impact mesurable sur l'ensemble de l'entreprise.

Alors que l'IA remodèle les processus dans tous les secteurs, les organisations devraient commencer par sélectionner des cas d'utilisation bien définis et susceptibles de produire des résultats mesurables.

Les cas d'utilisation couvrent des secteurs allant de l'industrie manufacturière au secteur bancaire. Qu'une organisation cherche à anticiper la maintenance dans ses usines, souhaite améliorer l'expérience client ou utilise des agents IA pour aider à identifier les risques de fraude et de sécurité, l'IA est devenue un atout incontournable dans la boîte à outils de tout responsable informatique.

Les premiers cas d'utilisation proviennent de domaines bien définis et axés sur le retour sur investissement. Dans le cas de formats tels que les agents IA, cela concerne des domaines tels que les agents du service d'assistance informatique et les assistants DevOps. En donnant la priorité à l'adoption de l'IA dans ces domaines, les responsables informatiques ont une excellente occasion d'introduire l'automatisation, tout en obtenant des résultats tangibles.

Les agents du service d'assistance peuvent être déployés pour automatiser des micro-tâches telles que la réinitialisation des mots de passe, répondre aux tickets d'assistance de niveau 1 et recommander du contenu de la base de connaissances. Les assistants DevOps peuvent détecter les anomalies, automatiser les corrections, améliorer le contrôle des coûts ou générer des alertes pour la gestion de l'infrastructure.

L'IA peut sembler écrasante lorsqu'elle est appliquée partout à la fois, mais c'est le focus qui l'emporte. En commençant par des domaines axés sur le retour sur investissement, tels que l'assistance informatique, les entreprises peuvent obtenir des résultats rapides et mesurables, ce qui leur permet de remporter des victoires précoces qui renforcent la confiance, prouvent leur valeur aux parties prenantes et créent une dynamique pour déployer l'IA de manière responsable dans toutes les fonctions.

OpenAI vient de présenter GDPval, un nouveau benchmark qui mesure si les modèles d'IA peuvent égaler la qualité du travail professionnel dans 44 professions. Il teste les meilleurs modèles tels que GPT-5, Claude Opus 4.1, Gemini 2.5 et Grok 4 par rapport à des experts humains du secteur.

Malgré les gros titres annonçant un remplacement immédiat de la main-d'œuvre, GDPval montre que même les meilleurs modèles atteignent tout juste la parité avec les professionnels humains pour certaines tâches. Mais si ce benchmark est similaire à d'autres dans le monde de l'IA, il ne faudra pas longtemps avant que des modèles plus avancés fassent un bond significatif en seulement quelques mois d'accélération.

Meta a lancé Vibes, un nouveau flux vidéo IA intégré à l'application Meta AI qui permet aux utilisateurs de découvrir, créer et remixer des vidéos IA courtes avec des visuels, de la musique et différents styles.

Une étude menée par l'université de New York a révélé que les modèles de pointe d'OpenAI, Google et Anthropic sont désormais capables de réussir les trois niveaux de l'examen CFA (Chartered Financial Analyst), y compris les questions à développement difficiles du niveau 3 qui leur échappaient il y a encore deux ans.

Google Cloud vient de publier son dernier rapport annuel DORA sur “l'état du développement logiciel assisté par l'IA”, qui révèle que l'adoption de cette technologie a bondi à 90% parmi les développeurs, mais que la confiance dans les résultats de l'IA reste étonnamment faible.

Le gouvernement britannique a révélé que son nouvel outil d'évaluation des risques de fraude basé sur l'IA a permis de récupérer un montant record de 480 millions de livres sterling en réclamations frauduleuses au cours de l'année écoulée.