Dans de nombreuses entreprises, les investissements dans l'IA sont directement liés aux résultats, tels que l'amélioration de la prise de décision, l'accélération du développement de produits et la fourniture d'expériences utilisateur plus personnalisées.
Réfléchissez à la manière dont les entreprises développent des produits sur des plateformes et des services basés sur le cloud. Plutôt qu'une idée unique, l'avantage concurrentiel provient de l'accumulation de connaissances au fil des années d'interactions avec les clients, de tests, d'échecs, de retours d'information et d'améliorations. Plus une entreprise conserve et applique de connaissances institutionnelles, plus elle peut progresser rapidement.
Les systèmes d'IA commencent à fonctionner de la même manière. Au début, le défi consistait à entraîner le modèle. À mesure que les déploiements gagnent en maturité, leur valeur dépend de plus en plus de leur capacité à conserver, accéder et réutiliser efficacement les données accumulées grâce aux interactions et aux résultats antérieurs. Le travail semble gérable au départ, mais les attentes augmentent à mesure que les déploiements mûrissent. Il ne suffit plus que les systèmes analysent ce qui s'est déjà produit. On attend d'eux qu'ils continuent d'apprendre, d'affiner leurs recommandations et d'adapter leurs expériences à mesure que de nouvelles données sont recueillies. Le modèle reste important, mais la capacité du système à conserver les informations déjà recueillies et à les réutiliser en cas de besoin l'est tout autant.
Le comportement des clients, les résultats antérieurs et l'évolution des tendances doivent tous être conservés et rester accessibles, ce qui change la donne. Les performances du modèle restent importantes, mais elles ne font plus tout. La question plus large est de savoir si le système lui-même peut maintenir ce contexte à mesure qu'il évolue.
Pendant des années, les discussions sur l'IA se sont concentrées sur les modèles et le calcul. Les organisations ont investi dans les GPU, embauché des data scientists et se sont concentrées sur la formation. Le stockage a soutenu le processus, en conservant les ensembles de données et en restant en grande partie en arrière-plan.
Maintenant que ces systèmes sont largement déployés, autre chose apparaît. Les modèles fonctionnent en continu et le travail est passé de la création d'intelligence à sa mise à l'échelle. On parle souvent d'IA agentive — des systèmes qui ne se contentent pas de répondre aux requêtes, mais qui prennent en compte le contexte et s'appuient sur ce qu'ils ont déjà accompli.
Ils génèrent des résultats, exploitent les données stockées et s'appuient sur les interactions précédentes. Ce qui ressemble à une simple requête n'est souvent qu'une étape d'un cycle continu de récupération du contexte, d'amélioration des réponses et de réintégration de nouvelles informations dans le système.
L'amélioration des systèmes dépend de plus en plus de la manière dont ces données sont conservées, consultées et réutilisées efficacement dans les différents flux de travail. Dans les environnements hyperscale — infrastructures cloud massives et distribuées à l'échelle mondiale où fonctionnent ces systèmes — le stockage objet devient le système d'enregistrement des données accumulées. Conçue à grande échelle sur des disques durs, elle fournit la base durable et économique qui permet aux systèmes d'IA de préserver le contexte, de l'étendre au fil du temps et de s'améliorer en permanence.
Des archives au système d'enregistrement
Une fois que les systèmes commencent à fonctionner de cette manière, le rôle du stockage commence à changer. Dans le développement de produits, les commentaires des clients, les résultats antérieurs, les données de tests et les interactions précédentes continuent d'orienter les améliorations futures. Le même schéma se répète dans tous les secteurs où les systèmes d'IA dépendent de la conservation et de la réutilisation des données.
Le stockage objet a longtemps été considéré comme une destination où les données atterrissent une fois qu'elles ne sont plus utilisées. Ce modèle fonctionnait lorsque les charges de travail étaient épisodiques. Mais les systèmes d'IA qui apprennent et évoluent en permanence n'ont pas de point final net.
Chaque interaction laisse une trace. Les résultats s'accumulent et, lorsqu'ils sont conservés, ils deviennent partie intégrante du contexte de fonctionnement du système. Au lieu de disparaître, ces résultats restent disponibles aux côtés de tout ce qui les a précédés et façonnent la suite des événements. À mesure que ces systèmes se développent, le stockage d'objets acquiert un rôle plus central : non seulement comme un référentiel, mais aussi comme la couche où les données accumulées persistent, restent accessibles et peuvent être réintégrées dans les flux de travail actifs pour éclairer les résultats futurs.
Les données continuent de circuler entre les différents niveaux. Elle est stockée en mémoire, intégrée aux couches de traitement et utilisée en temps réel — souvent plusieurs fois au sein d'un même flux de travail. Mais elle doit finalement persister quelque part. Il doit rester accessible, durable et prêt à être réutilisé.
Ce rôle incombe de plus en plus au stockage objet, qui, dans les clouds hyperscale, repose sur des disques durs. En fait, plus de 90 % de la capacité des centres de données cloud réside sur des disques durs, reflétant non seulement l'endroit où les données sont placées, mais aussi l'endroit où elles doivent vivre à grande échelle.¹ Le stockage est la façon dont l'IA conserve le contexte. À grande échelle, cela cesse d'être une considération secondaire et devient un élément déterminant de ce que le système peut faire.
La question des données a changé.
À l'époque de la formation, la question des données était simple : en avons-nous suffisamment pour construire un modèle utile ?
Dans des systèmes de ce type, une autre question commence à se poser : le système peut-il accéder aux bonnes données, au bon moment, souvent de manière répétée pendant son fonctionnement ?
C'est là que cela cesse d'être théorique. On observe des systèmes qui puisent sans cesse dans des données stockées, affinant leurs résultats à mesure que le contexte s'enrichit. Ce qui apparaît comme une requête unique est souvent en réalité une série de recherches effectuées en coulisses, chacune dépendant des données déjà conservées. À mesure que ces systèmes mûrissent, les données acquièrent un nouveau rôle. Ce qui reste en stockage entre deux utilisations actives n'est pas inactif. Cela fait partie des connaissances du système : les résultats, les interactions et les signaux antérieurs qui déterminent la suite des événements. Ce contexte accumulé commence à compter autant que le modèle lui-même. À grande échelle, les charges de travail d'IA continuent de générer d'énormes volumes de données, mais une grande partie de celles-ci est encore traitée comme transitoire — utilisée une seule fois puis jetée — au lieu d'être conservée comme un élément sur lequel le système peut s'appuyer.
C'est là qu'apparaît une nouvelle contrainte. À mesure que les données deviennent un actif à long terme, le défi n'est plus simplement de savoir combien il est possible de stocker, mais combien d'entre elles peuvent rester accessibles, durables et réutilisables à mesure que les systèmes continuent de se développer.
Le marché s'adapte déjà à cette réalité. IDC prévoit que la capacité de stockage d'objets connaîtra une croissance annuelle composée de 25,6 %, reflétant la demande croissante de données persistantes et accessibles à grande échelle.²
Lorsque le stockage et le calcul se désynchronisent
En théorie, les systèmes d'IA sont conçus pour être efficaces. En pratique, cette efficacité devient plus difficile à maintenir à mesure qu'ils prennent de l'ampleur. L'informatique continue de progresser grâce à des modèles toujours plus performants et sophistiqués. À mesure que les déploiements gagnent en maturité, la quantité de données que ces systèmes conservent et utilisent croît encore plus rapidement.
Les organisations sont de plus en plus performantes dans la récupération et l'utilisation de l'information, en intégrant les données pertinentes dans les flux de travail au moment opportun. Mais dans le même temps, le volume de ce qu'ils souhaitent conserver ne cesse d'augmenter. Les données historiques de l'entreprise, les résultats antérieurs, les interactions avec les clients et les connaissances organisationnelles accumulées prennent tous plus de valeur à mesure que les systèmes mûrissent. De plus en plus, la qualité des résultats d'un système d'IA reflète la profondeur et l'étendue des informations auxquelles il peut accéder.
Lorsque les performances sont insuffisantes, le réflexe est encore d'ajouter de la puissance de calcul. Mais cela ne résout pas toujours le problème de fond. Au-delà du traitement des données, le problème le plus difficile consiste à maintenir l'accès aux données accumulées qui donnent du contexte aux systèmes, et à garantir qu'elles puissent être conservées, récupérées et réutilisées à mesure que les systèmes évoluent.
Ce déséquilibre commence également à se manifester dans la planification des infrastructures. À mesure que les systèmes d'IA conservent et réutilisent davantage de données, la couche de données devient un élément plus important des décisions d'architecture qui déterminent l'efficacité avec laquelle ces systèmes peuvent évoluer.
Finalement, les systèmes sont limités non pas par leur vitesse d'exécution, mais par la quantité de leur historique qu'ils peuvent conserver comme état utilisable.
Le matériel sous-jacent au logiciel
Les décisions que les organisations prennent aujourd'hui en matière d'infrastructures détermineront jusqu'où leurs systèmes d'IA pourront réellement aller.
Une grande partie de ce fonctionnement est décrite comme étant définie par logiciel, et une part importante du comportement du système est façonnée par la manière dont les données sont distribuées et consultées. Mais à mesure que le déploiement s'étend, une autre réalité devient plus difficile à ignorer : la capacité de croissance de ces systèmes est en fin de compte déterminée par le matériel sous-jacent.
L'infrastructure d'IA fonctionne sur plusieurs couches. La mémoire confirme ce qui se passe actuellement. La technologie Flash permet un accès haut débit là où la latence est un facteur important. Sous ces deux systèmes, le stockage d'objets à grande échelle sur disques durs fournit une base durable où les données restent disponibles pour une utilisation à long terme.
À mesure que les systèmes deviennent plus continus, cette distinction s'accentue. Les niveaux de performance gèrent le traitement immédiat tandis que le stockage objet garantit la disponibilité des données déjà traitées. Ces systèmes générant et réutilisant en permanence de grands volumes de données non structurées, ils ne peuvent pas être maintenus uniquement grâce à des niveaux de performance. Alors que la densité, la durabilité et l'échelle passent de considérations secondaires à des contraintes centrales, les disques durs restent essentiels.
Le logiciel détermine le comportement du système. Le matériel détermine ce qu'il peut savoir.
Pourquoi la densité devient le facteur décisif
À un moment donné, tout investissement dans l'IA se heurte à la même question : comment le système peut-il continuer à croître sans dépasser l'infrastructure sous-jacente ? C'est à la densité de stockage que l'on répond à cette question. La véritable contrainte en matière d'IA d'entreprise est la continuité, et non la puissance de calcul. La capacité à stocker davantage de données sans étendre l'infrastructure a une incidence directe sur la capacité d'évolution d'un système.
À grande échelle, l'effet s'amplifie. Dans un déploiement d'un exaoctet, la plateforme Mozaic™ 4+ de Seagate améliore l'efficacité de l'infrastructure d'environ 47 % par rapport aux déploiements standard de 30 To, tout en réduisant l'encombrement du centre de données et la consommation d'énergie.3
La décision relative aux infrastructures et la décision commerciale s'avèrent être la même. Les systèmes qui conservent ce qu'ils ont appris, le récupèrent efficacement et le réutilisent à travers des millions d'interactions verront leur valeur croître considérablement. Les systèmes construits sur une infrastructure qui traite les données comme transitoires finiront par plafonner. Non pas parce que les modèles sont erronés, mais parce que les fondations sur lesquelles ils reposent ne peuvent pas supporter le poids.
Le stockage est la manière dont l'IA accumule des connaissances — et à grande échelle, ce contexte conservé détermine la quantité d'informations que le système peut tirer de son propre passé, s'adapter et restituer à l'entreprise.
Apprenez comment les architectures de stockage multi-niveaux — alimentées par des disques durs — prennent en charge le stockage d'objets à grande échelle.
Références
- Seagate Technology, « Charges de travail des centres de données Seagate entièrement prises en charge par des systèmes de stockage hybrides et sur disque dur », Seagate U.S.,
https://www.seagate.com/blog/seagate-data-center-workloads-hdd-hybrid-storage/
- IDC, Prévisions du stockage objet, 2024-2028 : Mise à jour et prévisions du marché mondial du stockage de fichiers et d'objets, 2024.
- Seagate Technology, « Seagate propose les disques durs de plus grande capacité du secteur avec la technologie Mozaic 4+ nouvelle génération », 3 mars 2026
https://www.seagate.com/stories/articles/seagate-delivers-industrys-highest-capacity-hard-drives-with-next-generation-mozaic-4/
