L’adoption de l’intelligence artificielle par les entreprises crée de nouvelles exigences en matière d’infrastructure d’IA d’entreprise. Alors qu’une grande partie des premiers investissements en IA étaient centrés sur l’accès à des GPU puissants, les organisations qui mettent en production des applications et des agents d’IA découvrent que les accélérateurs ne constituent qu’une partie de l’équation.
Les systèmes d'IA agentique ont besoin d'environnements dans lesquels ils peuvent exécuter du code, accéder aux données, se connecter aux applications d'entreprise et fonctionner en toute sécurité sur une infrastructure distribuée. Cela nécessite plus que la capacité GPU nue. Cela nécessite une plate-forme cloud complète combinant calcul, mise en réseau, stockage, sécurité et services nécessaires pour gérer les applications à grande échelle.
Ce changement crée une opportunité pour les fournisseurs de néocloud, mais il change également ce que les entreprises attendent d'eux. Les fournisseurs d'infrastructures doivent de plus en plus prendre en charge le cycle de vie complet des applications plutôt que de simplement fournir du matériel spécialisé.
Lors d'une interview en direct à KubeCon + CloudNativeCon North America 2026, Paul Nashawaty de theCUBE Research s'est entretenu avec Kevin Cochrane, directeur marketing chez Vultr, de l'évolution des exigences de l'infrastructure d'IA d'entreprise, du retour de l'informatique basée sur CPU, de la souveraineté des données et du rôle croissant de l'ingénierie de plate-forme.
« Ils ont besoin d’une plateforme cloud complète », a déclaré Cochrane. « Ils ont besoin de calcul cloud, de calcul spécialisé en IA, de réseau, de stockage et d’un écosystème ouvert. »
L’IA d’entreprise a besoin de plus qu’une infrastructure GPU
Vultr est entré sur le marché du cloud en 2014 avec une plate-forme axée sur les développeurs et construite autour des performances, de la rentabilité et de l'accessibilité. Depuis lors, la société s’est développée dans l’infrastructure d’IA, offrant à la fois des services cloud traditionnels et des ressources GPU spécialisées.
Cochrane a déclaré que Vultr avait adopté une approche délibérée du marché des infrastructures d'IA, en donnant la priorité à la charge de travail de l'entreprise et aux exigences en matière d'ingénierie de plate-forme plutôt que de se concentrer exclusivement sur la disponibilité des GPU.
« Nous avons toujours dit que nous étions la tortue dans l'infrastructure de l'IA », a-t-il déclaré.
Cette approche reflète un changement plus large dans la manière dont les entreprises abordent l’IA. Les premières demandes d’infrastructure provenaient en grande partie des hyperscalers, des organismes de recherche en IA et des startups construisant des modèles à grande échelle. Ces clients avaient besoin d'accéder aux clusters GPU, souvent via une infrastructure nue.
La phase suivante est différente. Les entreprises cherchent à utiliser des agents IA pour rationaliser leurs opérations, améliorer l'expérience client et créer de nouvelles opportunités de revenus. Ces applications doivent fonctionner aux côtés des systèmes d'entreprise existants, se conformer aux exigences de sécurité et s'intégrer aux architectures de réseau et d'applications établies.
L’infrastructure GPU nue ne répond pas à elle seule à ces besoins. Cochrane a identifié la complexité et le manque de compétences spécialisées comme des obstacles majeurs à l’adoption de l’IA en entreprise. Les organisations peuvent avoir accès à de puissants accélérateurs, mais elles ont toujours besoin de l’infrastructure et des services environnants pour créer, déployer et exploiter des applications.
La stratégie de Vultr consiste à fournir un environnement plus intégré, comprenant le calcul cloud traditionnel, l'infrastructure GPU, la mise en réseau, le stockage et l'accès aux projets cloud natifs. Cochrane a déclaré que la plate-forme prend en charge plus de 60 projets Cloud Native Computing Foundation que les clients peuvent déployer directement.
L’objectif est de réduire le travail nécessaire pour assembler un environnement d’IA. Plutôt que de demander aux entreprises d'intégrer elles-mêmes chaque composant, les fournisseurs peuvent proposer des services préconfigurés et une infrastructure composable que les développeurs peuvent déployer selon leurs besoins.
Cette distinction devient importante à mesure que l’IA va au-delà de l’expérimentation. Les entreprises ont besoin d'une infrastructure qui prend en charge les applications de production, et pas seulement de la formation et de l'inférence de modèles.
Agentic AI ramène le CPU dans la conversation
L’intérêt croissant porté aux GPU a parfois occulté le rôle des ressources informatiques traditionnelles dans les architectures d’IA. Mais l’IA agentique élargit la gamme de charges de travail que les fournisseurs d’infrastructures doivent prendre en charge.
Un agent IA fait plus que simplement envoyer une invite à un modèle et recevoir une réponse. Il peut exécuter des scripts, interagir avec des référentiels, exécuter des builds, accéder à des bases de données et appeler des outils externes. Ces activités nécessitent des ressources de calcul au-delà du GPU.
« Toutes les charges de travail n'ont pas besoin d'être sur un GPU », a déclaré Cochrane.
Les processeurs restent essentiels pour les bases de données, le code d’application et les pipelines de données. Ils peuvent également prendre en charge des modèles open source optimisés et des charges de travail d'inférence plus petites qui ne nécessitent pas d'accélérateurs dédiés.
Une autre exigence émergente concerne l’environnement dans lequel les agents exécutent leurs tâches. À mesure que les agents acquièrent la capacité d’exécuter du code et d’interagir avec les systèmes, les entreprises ont besoin de bacs à sable sécurisés qui isolent ces activités des environnements de production et des ressources sensibles.
Cochrane a souligné les travaux en cours dans l'écosystème cloud natif autour des sandbox d'agents sûrs et sécurisés comme une indication de l'évolution des exigences en matière d'infrastructure.
Cela crée un modèle d’infrastructure plus complexe. Les GPU peuvent gérer des raisonnements et des inférences de modèles exigeants, tandis que les CPU prennent en charge les applications, les pipelines et les environnements d'exécution entourant ces modèles.
Pour les organisations, cela implique que les décisions en matière d’infrastructure d’IA d’entreprise doivent prendre en compte l’ensemble du flux de travail agent. Acheter de la capacité GPU sans tenir compte des exigences de calcul, de stockage, de mise en réseau et d’isolation qui l’entourent peut créer un autre silo d’infrastructure. Une approche full-stack donne aux équipes de plateforme plus de flexibilité pour adapter les ressources aux charges de travail individuelles tout en maintenant un environnement opérationnel cohérent.
La souveraineté des données devient une décision d’architecture d’infrastructure
À mesure que les entreprises étendent les déploiements d’IA dans toutes les régions, la souveraineté des données devient bien plus qu’une question de lieu de stockage des informations.
Les organisations opérant dans des secteurs réglementés ou dans le cadre d'exigences nationales en matière de données doivent comprendre où résident les données, quels services peuvent y accéder et ce qui se passe si l'infrastructure en dehors d'une région particulière devient indisponible.
Cochrane a décrit l'architecture régionale de Vultr comme un modèle d'isolement dans lequel chacune de ses 34 régions mondiales de centres de données fonctionne de manière indépendante. Selon lui, les données d'une région y résident et ne sont pas accessibles aux services Vultr en dehors de cette région.
La distinction s'étend au-delà de la résidence des données jusqu'aux opérations des applications. Cochrane a pris la France comme exemple. Une application exécutée dans une région française devrait continuer à fonctionner même si le plan de contrôle global de Vultr et ses autres régions deviennent indisponibles.
« Si le reste du monde devenait sombre, votre application de production en France ? Elle fonctionne tout simplement », a-t-il déclaré.
Cette approche vise à réduire les dépendances à l'égard des services mondiaux qui pourraient autrement affecter la disponibilité des applications régionales. Cela donne également aux organisations une limite plus claire pour gérer les charges de travail sensibles et maintenir la continuité opérationnelle.
Pour les entreprises, il s’agit d’une considération architecturale importante. Un fournisseur de cloud peut proposer un stockage de données régional, mais cela ne signifie pas nécessairement que tous les services requis pour faire fonctionner une application sont isolés dans la même zone géographique.
À mesure que les applications d’IA sont de plus en plus intégrées aux opérations commerciales, les organisations devront évaluer la souveraineté sur l’ensemble de la pile d’applications, y compris les données, le calcul, les services de gestion et les dépendances opérationnelles.
L’économie de l’IA évolue vers la propriété des infrastructures
Le coût d’exécution des applications d’IA devient une autre considération majeure à mesure que les organisations passent des projets pilotes à des charges de travail de production soutenues.
Les coûts d'inférence peuvent augmenter rapidement lorsque les agents appellent des modèles, récupèrent des informations et exécutent des flux de travail en plusieurs étapes à plusieurs reprises. À mesure que l’utilisation augmente, les entreprises doivent équilibrer les performances du modèle, le débit et les dépenses d’infrastructure.
Cochrane estime que certaines organisations se tourneront de plus en plus vers des modèles open source pouvant être adaptés à leurs propres données et exploités sur l'infrastructure qu'elles contrôlent. Plutôt que de s'appuyer entièrement sur de grands modèles commerciaux pour chaque tâche, les entreprises peuvent post-former des modèles spécialisés à l'aide d'informations propriétaires et les déployer pour des charges de travail opérationnelles lorsque cette approche est logique.
Il a décrit un exemple impliquant une organisation d'ingénierie de plate-forme qui a réduit les coûts d'inférence de 80 % en post-formation sur un modèle open source et en l'exécutant sur sa propre infrastructure. L'exemple illustre un avantage économique potentiel, même si les résultats dépendront de la charge de travail, du modèle, de l'infrastructure et des exigences opérationnelles impliquées.
Le point plus large est que les organisations commencent à évaluer les aspects économiques de l’infrastructure d’IA d’entreprise sur l’ensemble de la pile. La sélection du modèle est importante, tout comme l'utilisation de l'infrastructure, le débit, le mouvement des données et le coût des agents d'exploitation au fil du temps.
Pour certaines charges de travail, posséder une plus grande partie de l'infrastructure et du cycle de vie du modèle peut permettre un meilleur contrôle des coûts que de dépendre entièrement de services d'inférence externes.
Cela ne signifie pas que chaque entreprise doit construire et exploiter ses propres modèles. Cela suggère que les organisations ont besoin de plus de flexibilité pour choisir où les modèles s'exécutent et comment les charges de travail sont réparties.
L’ingénierie de plateforme façonnera la prochaine pile cloud native
Les exigences changeantes en matière d’infrastructure de l’IA agentique élargissent également les responsabilités des équipes d’ingénierie des plateformes.
Cochrane s'attend à ce que les ingénieurs de plate-forme jouent un rôle central dans l'adoption de l'IA en entreprise, en travaillant plus étroitement avec les unités commerciales pour comprendre quels agents et quels environnements d'applications préconfigurés sont nécessaires dans l'ensemble de l'organisation.
Cela déplace l’ingénierie de la plate-forme au-delà du provisionnement de l’infrastructure et de l’assistance aux développeurs. Les équipes devront de plus en plus contribuer à définir les éléments de base qui permettront aux développeurs de déployer des applications d'IA gouvernées sans avoir à assembler chaque composant indépendamment.
Cochrane voit également une opportunité pour la communauté cloud native de faire évoluer la façon dont elle partage les modèles d'infrastructure. L'écosystème CNCF a aidé les développeurs à adopter des projets open source individuels dans les domaines des réseaux, du stockage, de l'observabilité et d'autres catégories d'infrastructures. Mais à mesure que les architectures deviennent plus complexes, les organisations ont besoin de conseils sur la manière dont ces composants s’articulent.
Cochrane a prédit l'émergence de marchés sur lesquels les développeurs peuvent partager des piles prédéfinies et avisées pour des types de charges de travail spécifiques. Au lieu de sélectionner et de configurer des composants individuels, les équipes pourraient commencer avec une architecture testée et l'adapter à leurs besoins. Cela pourrait contribuer à réduire la complexité de la création d’applications agentiques tout en encourageant des pratiques de déploiement plus cohérentes.
Il s'attend également à une consolidation du marché du néocloud. Les fournisseurs axés principalement sur la capacité GPU nue peuvent être confrontés à des pressions à mesure que les entreprises exigent des capacités cloud plus larges. Ceux qui sont capables de se développer vers des plates-formes de cloud public entièrement publiques pourraient être mieux placés pour servir les charges de travail de production.
La plate-forme cloud existante de Vultr lui fournit une base pour cette transition, a déclaré Cochrane, avec ses investissements dans l'infrastructure de calcul traditionnelle et d'IA spécialisée.
L'essentiel
L'IA d'entreprise change la définition de l'infrastructure cloud. Les GPU restent importants, mais les applications agentiques nécessitent une base plus large incluant des processeurs, des environnements d'exécution sécurisés, une mise en réseau, un stockage, une souveraineté des données et des services cloud natifs intégrés.
Cela crée une opportunité pour les fournisseurs capables de fournir plus qu’une capacité d’accélérateur spécialisée. Cela place également les équipes d’ingénierie des plateformes dans une position plus stratégique alors que les entreprises s’efforcent de standardiser la manière dont les applications d’IA sont créées, déployées et gouvernées.
La prochaine phase du marché du néocloud pourrait donc être déterminée moins par celui qui peut offrir la plus grande capacité GPU que par celui qui peut fournir l'environnement complet dont les entreprises ont besoin pour exécuter l'IA en production.
Comme le suggèrent les commentaires de Cochrane, le défi infrastructurel ne consiste plus simplement à rendre disponible le calcul de l’IA. Cela rend l’ensemble du système autour de l’IA pratique à exploiter à l’échelle de l’entreprise.