Rapport sur l’état de préparation des infrastructures de données 2026

Les besoins liés à l’IA dépassent le niveau de préparation des infrastructures. Une nouvelle étude mondiale commandée par Seagate et menée auprès de plus de 2 700 décideurs du secteur des technologies d’entreprise a révélé que 99 % d’entre eux s’attendent à ce que l’IA augmente les besoins en stockage au cours des trois prochaines années, mais que seulement 38 % se disent pleinement préparés.

Cet écart de préparation prend une importance croissante à mesure que l’IA entre dans une nouvelle phase. La première ère de l’IA a été marquée par des avancées majeures dans les modèles et les capacités de calcul. La prochaine ère sera façonnée par les décisions concernant les infrastructures de données nécessaires pour déployer l’IA à grande échelle de manière efficace et durable, tout en exploitant la valeur des données à long terme. Les organisations sont confrontées à une nouvelle réalité : la réussite de l’IA repose sur des innovations en matière d’infrastructure, les données étant désormais un actif stratégique pour l’entreprise plutôt qu’un centre de coûts.

Dans ce contexte, l’étude a examiné plusieurs dynamiques auxquelles les organisations doivent s’adapter pour préparer l’avenir des infrastructures d’IA :

• Croissance des données pilotée par l’IA
• Préparation des infrastructures au déploiement de l’IA
• Priorités d’investissement dans les infrastructures
• Durabilité et efficacité accrue
• Stratégie de stockage et évolutivité à long terme

Ces dynamiques mettent en évidence la nécessité de poursuivre les investissements dans la stratégie de données, la gouvernance et les systèmes indispensables à la réussite de l’IA. Elles définissent ainsi un nouvel impératif : la mise à l’échelle durable.

La mise à l’échelle durable consiste à accroître les capacités d’IA et sa valeur commerciale tout en améliorant continuellement l’efficacité des infrastructures sous-jacentes. Alors que les décideurs politiques, les organismes de réglementation et le public examinent de plus près la croissance des infrastructures d’IA, la mise à l’échelle durable jouera un rôle essentiel dans la viabilité à long terme d’une économie d’IA robuste et saine.

Les cinq changements stratégiques qui suivent illustrent comment les organisations mettent en pratique la mise à l’échelle durable et où se situent les principales opportunités et difficultés.

L’IA génère déjà une valeur commerciale mesurable. 86 % des répondants qualifient de modéré ou d’important le retour sur les investissements de leur organisation dans l’IA, dont 33 % font état d’un retour important et mesurable. Ces résultats renforcent les enjeux liés aux données dont dépend l’IA. Lorsque les modèles, les applications et les décisions reposent sur les données, leur stockage n’est plus une simple fonction de support. Il devient alors un levier pour améliorer les résultats de l’IA au fil du temps. Cette tendance se retrouve sur l’ensemble des marchés, avec des rendements modérés ou importants signalés aux États-Unis (87 %), en Chine (91 %), en Inde (91 %), au Japon (75 %), en France (82 %), au Royaume-Uni (86 %) et en Allemagne (82 %).

La croissance attendue est considérable. La quasi-totalité des personnes interrogées s’attend à ce que l’IA augmente les besoins en volume de stockage au cours des trois prochaines années. Sept répondants sur dix prévoient une hausse d’au moins 26 %, dont 32 % une augmentation de plus de 50 %. Cette tendance est presque universelle d’un marché à l’autre, allant de 98 % au Japon à 100 % en Inde, en France, au Royaume-Uni et en Allemagne, les États-Unis et la Chine affichant tous deux 99 %.

La conclusion est claire : les organisations doivent anticiper à la fois une augmentation du volume des données et une valeur croissante de celles-ci. Une approche à court terme axée uniquement sur les besoins en capacité immédiats peut conduire à des données fragmentées, difficiles d’accès ou coûteuses à réutiliser. Une vision à plus long terme relie les décisions de conservation, d’accès et de gouvernance à la valeur future que l’organisation prévoit de tirer de l’IA.

Ce changement est déjà visible dans la façon dont les dirigeants décrivent le stockage. 98 % des personnes interrogées considèrent que l’IA transforme le stockage de données, autrefois simple fonction de support, en infrastructure stratégique pour l’entreprise. Ce résultat marque un changement de priorité : les décisions en matière de stockage influencent désormais directement la rapidité avec laquelle les organisations exploitent leurs données et leur capacité à en préserver la valeur. Ce constat reste constant sur tous les marchés, allant de 96 % au Japon et en Allemagne à 100 % en Inde, avec 99 % aux États-Unis et au Royaume-Uni, 98 % en Chine et 97 % en France.

Agrandir

La plupart des organisations se montrent confiantes dans leur approche, mais un examen plus approfondi révèle une réalité plus nuancée. Alors que 83 % des répondants se disent pleinement ou en grande partie préparés aux besoins en données à long terme de l’IA, seuls 38 % s’estiment pleinement préparés. Le niveau de préparation perçu varie considérablement selon les marchés, allant de 96 % en Chine à 55 % au Japon, 89 % en Inde, 88 % au Royaume-Uni, 86 % aux États-Unis et en Allemagne et 74 % en France.

Ces résultats suggèrent que la préparation à l’IA ne repose pas uniquement sur les capacités de calcul ou les investissements. Les répondants identifient la maturité de leur stratégie d’IA, le budget et les ressources, ainsi que la gestion et la gouvernance des données comme leurs principales lacunes. Les difficultés rencontrées lors du déploiement dressent un tableau similaire. Parmi les principales contraintes opérationnelles, 53 % citent la qualité et la préparation des données et 43 % citent l’infrastructure de stockage, contre 27 % pour la disponibilité des ressources de calcul et 24 % pour les contraintes énergétiques.

Les répondants citent la qualité et la préparation des données (53 %) et l’infrastructure de stockage (43 %) comme les principaux défis du déploiement de l’IA, devant la disponibilité des ressources de calcul et les contraintes énergétiques.

Agrandir

Les répondants citent la qualité et la préparation des données (53 %) et l’infrastructure de stockage (43 %) comme les principaux défis du déploiement de l’IA, devant la disponibilité des ressources de calcul et les contraintes énergétiques.

Le déficit de préparation tient en définitive au socle de données. Les organisations ont donc besoin d’un socle de données coordonné qui articule la conservation et la gouvernance des données, le stockage et les ressources de calcul afin de déployer efficacement l’IA à grande échelle.

Les organisations considèrent de plus en plus l’investissement dans les centres de données comme une priorité stratégique plutôt que comme une dépense opérationnelle nécessaire. Plus des trois quarts des répondants classent cet investissement parmi leurs trois principales priorités d’infrastructure, et un sur cinq le considère comme sa priorité absolue.

Agrandir

Les prévisions de dépenses montrent également que les infrastructures d’IA ne se limitent pas aux GPU. Les infrastructures de sécurité et de conformité arrivent en tête des priorités d’investissement des organisations (44 %), suivies de la gestion et de la gouvernance des données (43 %). Les infrastructures d’IA et de GPU, ainsi que le renouvellement du matériel de stockage, arrivent ex æquo au troisième rang des priorités d’investissement (39 %).

La question stratégique n’est donc pas de savoir quelle couche de la pile doit bénéficier du budget le plus important. Il s’agit de déterminer si l’ensemble de l’infrastructure peut prendre en charge les flux de données vers les systèmes d’IA, préserver les données susceptibles de gagner en valeur et évoluer sans générer de nouvelles contraintes opérationnelles. L’investissement crée davantage de valeur lorsque les organisations évaluent conjointement ces interdépendances.

Les enjeux énergétiques et de durabilité influencent déjà la planification des infrastructures d’IA. 77 % des répondants affirment que leur organisation a retardé ou restructuré un projet d’expansion en raison de ces enjeux. Parmi eux, 36 % ont profondément revu leurs investissements prévus et 41 % ont enregistré des retards mineurs.

Ce constat fait de l’efficacité non plus une ambition future, mais une contrainte actuelle de planification. Les organisations doivent augmenter leurs capacités, tout en évaluant les implications de cette croissance sur la consommation d’énergie, l’espace, le refroidissement et le cycle de vie des équipements. Les décisions les plus pertinentes sont celles qui peuvent être rattachées à des exigences opérationnelles mesurables.

Les personnes interrogées s’attendent à des progrès. Aujourd’hui, 39 % des répondants qualifient leurs opérations de stockage de « très durables ». Cette proportion atteint 61 % lorsqu’ils envisagent la situation de leurs opérations dans cinq ans. Les attentes varient également en fonction des investissements disponibles : 70 % des organisations dont le budget annuel de développement durable est de 100 millions de dollars ou plus s’attendent à ce que leurs opérations soient « très durables » d’ici cinq ans, contre 48 % pour celles dont le budget est inférieur à 1 million de dollars.

Les organisations définissent et évaluent de plus en plus la durabilité de leurs infrastructures à travers l’efficacité opérationnelle, et non plus uniquement par le biais des rapports environnementaux. La consommation d’énergie est le facteur le plus fréquemment pris en compte lors de l’évaluation de l’empreinte environnementale du matériel de stockage, cité par 62 % des répondants. La durée de vie et la longévité des appareils arrivent ensuite, à 55 %. La quasi-totalité des personnes interrogées s’accorde également à dire que l’allongement du cycle de vie des équipements de stockage de données a un impact significatif sur la durabilité des opérations des centres de données.

Ces résultats étayent une vision opérationnelle de la mise à l’échelle durable. Plutôt que de s’en tenir à des considérations environnementales générales, les organisations peuvent évaluer des choix d’infrastructure spécifiques en fonction de la consommation d’énergie, du taux d’utilisation des capacités, de la durée de vie des équipements et du coût énergétique par téraoctet. Ces indicateurs rapprochent les objectifs de durabilité des réalités économiques quotidiennes des infrastructures.

À mesure que l’IA augmente la quantité, la variété et la valeur des données indispensables à la réussite et à la croissance des organisations, les modèles commerciaux qui reposent sur ces données sont de plus en plus façonnés par les infrastructures sous-jacentes. Optimiser la rentabilité et l’efficacité opérationnelle de cette croissance est tout aussi important qu’augmenter les capacités. Cela implique d’intégrer des principes d’efficacité à la conception des infrastructures afin d’augmenter les capacités tout en améliorant continuellement l’utilisation des ressources, les marges bénéficiaires et le retour sur investissement à long terme.

L’évolution vers une infrastructure axée sur l’efficacité se reflète dans les pratiques opérationnelles adoptées par les organisations :

• 52 % utilisent l’IA pour déterminer leurs besoins en stockage et leurs exigences opérationnelles (États-Unis : 48 %, Chine : 55 %, Inde : 62 %, Japon : 54 %, France : 47 %, Royaume-Uni : 53 %, Allemagne : 42 %).
• 46 % investissent dans les énergies renouvelables (États-Unis : 44 %, Chine : 41 %, Inde : 58 %, Japon : 37 %, France : 45 %, Royaume-Uni : 49 %, Allemagne : 47 %).
• 40 % adaptent la consommation d’énergie aux besoins réels liés aux données, plutôt que de faire fonctionner les infrastructures en continu (États-Unis : 34 %, Chine : 44 %, Inde : 48 %, Japon : 41 %, France : 29 %, Royaume-Uni : 41 %, Allemagne : 40%).
• 31 % réutilisent la chaleur générée par les infrastructures de données (États-Unis : 26 %, Chine : 37 %, Inde : 32 %, Japon : 24 %, France : 38 %, Royaume-Uni : 31 %, Allemagne : 33%).

Cette même approche axée sur l’efficacité façonne également de plus en plus les architectures de stockage. Une approche adaptée aux charges de travail illustre cette évolution. Plutôt que d’appliquer une architecture unique à l’ensemble du cycle de vie des données, les organisations peuvent concevoir des systèmes qui trouvent le juste équilibre entre performances, capacité, efficacité et valeur à long terme selon les exigences de chaque charge de travail. Cette approche offre un cadre plus concret pour déployer l’IA à grande échelle tout en maîtrisant les coûts d’infrastructure et les besoins en ressources.

Les environnements d’IA regroupent différents types de données aux exigences variables en termes de performances, de capacité et d’accès. Les données d’entraînement, les ensembles de données actifs, le contexte d’inférence, les points de contrôle des modèles, le contenu source et les sorties conservées n’imposent pas tous les mêmes exigences à l’infrastructure. À mesure que l’IA se déploie à grande échelle, la conception axée sur l’efficacité prend une importance croissante. Les organisations qui alignent les technologies de stockage sur les exigences des charge de travail au sein d’architectures intelligentes à plusieurs niveaux peuvent améliorer leur efficacité économique, réduire leurs coûts opérationnels et bâtir un socle plus résilient pour soutenir la croissance à long terme.

La prochaine phase de l’IA générera davantage de données, mais la capacité seule ne déterminera pas quelles organisations parviendront à en exploiter la valeur. La différence se fera sur la capacité à maintenir les données disponibles et prêtes à l’emploi, tout en gérant efficacement les contraintes d’infrastructure liées à la croissance.

L’enquête montre que cette évolution est déjà engagée. Les organisations donnent la priorité aux investissements dans les centres de données, réévaluent le rôle du stockage et intègrent les considérations d’efficacité et de cycle de vie dans leurs plans d’expansion. Pourtant, l’écart entre une préparation partielle et une préparation complète reste important.

Pour combler cet écart, les organisations doivent adopter une stratégie d’infrastructure couvrant l’ensemble du cycle de vie des données. Elles doivent comprendre quelles données elles vont créer, à quelle vitesse les différentes charges de travail devront y accéder, combien de temps elles conserveront leur valeur et quelles mesures opérationnelles guideront leur croissance. Ces décisions jettent les bases d’une mise à l’échelle durable et d’une création de valeur pérenne grâce à l’IA.