Influence des données contextuelles sur la valeur de l'IA

Alors que l'IA s'invite de plus en plus souvent dans les opérations commerciales, les organisations ne se contentent plus de regarder les capacités des modèles et les scores de référence : elles s'intéressent désormais aux aspects économiques et à la valeur de leurs données. À grande échelle, la consommation de jetons, l'utilisation de l'infrastructure et le coût de la gestion du contexte déterminent de plus en plus la capacité de l'IA à générer une valeur commerciale durable.

Désormais, les organisations qui tirent le plus de valeur de l'IA ne sont pas forcément celles qui exploitent les plus grands modèles. Ce sont celles qui possèdent les connaissances opérationnelles les plus approfondies et la capacité de les mettre à disposition quand et où elles en ont besoin. En effet, un meilleur contexte signifie souvent que moins d'efforts sont nécessaires pour parvenir à une réponse utile. En limitant les faux départs et les calculs redondants, il est possible pour les systèmes d'IA d'atteindre des résultats utiles plus efficacement.

Selon OpenAI¹, les investissements en IA devraient être évalués en fonction des résultats commerciaux plutôt que de la seule consommation de jetons. Cette perspective soulève une problématique plus générale : les résultats dépendent de plus en plus du contexte. Plus un système d'IA dispose d'un contexte pertinent, moins il aura d'efforts à fournir pour atteindre son objectif.

Qu'il s'agisse d'un agent du service client ou d'un assistant de programmation, un contexte limité signifie souvent plus de cycles de récupération, plus de boucles de raisonnement et une plus grande consommation de jetons avant de produire un résultat utile. Un contexte riche, en revanche, permet à l'IA d'atteindre le même résultat plus vite, améliorant ainsi à la fois ses performances et sa rentabilité.

Cette perspective économique met davantage en lumière le mode d'exploitation des données. Bon nombre des applications d'IA les plus performantes reposent sur l'accès à des informations contextuelles. Alors que les systèmes d'analyse traditionnels étaient conçus pour répondre à des questions connues, les systèmes d'IA peuvent réutiliser les données, les connaissances et les travaux antérieurs dans le cadre de flux de travail, d'équipes et d'applications futures. Résultat : les données ainsi conservées continuent de créer de la valeur longtemps après que leur objectif initial a été atteint.

Importance croissante de la conservation des données contextuelles

Auparavant, une grande partie des données collectées était liée à une tâche spécifique. Les tickets d'assistance permettaient de résoudre les problèmes des clients, les documents techniques soutenaient les projets en cours et les rapports répondaient aux questions commerciales immédiates. Une fois ces besoins satisfaits, la valeur à long terme de ces données n'était plus vraiment d'actualité.

Or cette logique ne s'applique pas tout à fait aux systèmes d'IA. Les connaissances créées dans un but précis peuvent s'avérer précieuses dans des contextes totalement différents. Un document de conception rédigé pour justifier une décision technique sur un projet peut ultérieurement aider une autre équipe à comprendre les compromis, à éviter de répéter les mêmes erreurs ou à accélérer des travaux connexes. Ce qui n'était au départ qu'une documentation de projet devient une mémoire institutionnelle.

La tâche initiale n'est peut-être même plus l'exploitation la plus utile des données ; des applications futures pourraient leur révéler une utilité bien plus grande.

Décider des données à conserver

Ce constat oblige les organisations à reconsidérer non seulement les données à stocker, mais aussi les connaissances, l'historique et le contexte devant rester accessibles aux futurs employés, applications et systèmes d'IA.

Si les coûts de stockage, la gouvernance et les exigences réglementaires continuent d'influencer ce qui doit être conservé, archivé ou éliminé, l'IA remodèle ces décisions à mesure que les données gagnent en valeur. Les choix en matière d'infrastructures de stockage, qui reposaient autrefois principalement sur les coûts, la conformité ou la valeur commerciale immédiate, doivent désormais également tenir compte d'une inconnue : les opportunités futures.

La plupart des données d'entreprise sont déjà réparties entre des environnements multicloud, sur site et périphériques. Et la gravité des données rend souvent le transfert de ces informations peu pratique ou non rentable, expliquant en partie pourquoi les modèles de déploiement hybrides sont devenus la norme pour de nombreuses organisations adoptant l'IA.

Mais ces environnements hybrides n'échappent pas à cette problématique : déterminer quelles données conserver et où les stocker. C’est là que de nombreuses organisations constatent un fossé grandissant entre la valeur de leurs données et la manière dont les décisions en matière de conservation sont encore prises. Les données sont souvent considérées avant tout comme un coût de gestion, tandis que l'IA les transforme en un atout pour les applications et les opportunités futures.

C'est une des principales raisons pour lesquelles un système d'archivage évolutif et durable est plus important que jamais. Les entreprises ont besoin d'architectures de données capables de conserver une trace des connaissances institutionnelles, de l'historique opérationnel et des informations générées par l'IA. Pour beaucoup, cela signifie adopter des approches hybrides qui permettent aux données de rester là où la gouvernance, la performance, la souveraineté ou les considérations économiques l'exigent, tout en rendant ces informations accessibles aux systèmes d'IA.

L'intérêt des disques durs

À mesure que les agents d'IA gagneront en autonomie, ils généreront et consommeront beaucoup plus de données contextuelles que les applications traditionnelles. Dans cet environnement, chaque interaction, flux de travail, décision et résultat peut venir enrichir le corpus croissant de connaissances que peut réutiliser une organisation.

Selon IDC, la production annuelle de données devrait ainsi plus que tripler entre 2025 et 2030, passant de 218 zettaoctets en 2025 à plus de 718 zettaoctets d'ici 2030, l'IA agentique étant considérée comme une source croissante de données générées par les machines².

Même en ne conservant qu'une fraction de ces informations, l'ampleur du problème reste colossale. Le défi ne consiste plus seulement à collecter les données. Les organisations doivent encore déterminer quelles sont celles à conserver, en plus de veiller à ce qu'elles restent accessibles au bon moment et au bon endroit. À mesure que les organisations conservent des volumes croissants de données contextuelles pour leurs employés, leurs applications et leurs systèmes d'IA, les aspects économiques du stockage prennent toute leur importance.

Au-delà de la réduction des coûts, le stockage rend possible la préservation des connaissances et leur accès à l'échelle requise par les systèmes d'IA. Les architectures de stockage d'objets qui sous-tendent les plates-formes cloud modernes ont été conçues en tenant compte de cette réalité, combinant un logiciel de gestion des données avec une infrastructure de stockage capable de conserver durablement les données à grande échelle. Cette approche architecturale permet aux organisations de conserver et de réutiliser les connaissances entre les employés, les applications et les systèmes d'IA.

La valeur des données subsiste désormais une fois la tâche initiale terminée. Les informations qui restent accessibles peuvent contribuer à répondre à de futures questions, à améliorer les processus et à créer de nouvelles opportunités. Alors que les systèmes d'IA s'appuient de plus en plus sur les connaissances accumulées et le contexte, les données conservées pourraient jouer un rôle tout aussi important que celles créées. Déterminer quelles informations seront importantes à l'avenir, et veiller à leur accessibilité, est le seul moyen de continuer à créer de la valeur. Une information qui disparaît est une opportunité définitivement perdue.

Pour en savoir plus : L'IA a besoin d'un contexte persistant. Votre infrastructure peut-elle suivre le rythme ?.

Notes de bas de page

1. https://openai.com/index/managing-ai-investments-in-agentic-era
2. IDC, Prévisions du marché : IDC Global DataSphere Forecast, 2026–2030, Juin 2026