De la migration vers le cloud à la gouvernance de l’IA : le centre de gravité de la liste des capacités des entreprises en matière de transformation numérique se déplace

Introduction

Appinventiv, fournisseur de services informatiques et d’ingénierie de produits numériques, a publié sur son site web un guide de transformation numérique des entreprises intitulé « Digital Business Transformation: A Pocket Guide ». Il ne s’agit pas d’un rapport d’étude sectorielle, mais d’un document méthodologique et d’un catalogue de services destiné aux clients entreprises : il décompose la transformation numérique en plusieurs axes de compétences — conception et ingénierie de produits, conseil et migration cloud, données et analytique, cybersécurité, IoT, AR/VR, IA, etc. — et, sous l’IA, distingue plus finement le développement d’IA générative, le développement d’agents IA, le conseil en IA, le développement RAG, le développement de Copilot, la vision par ordinateur, l’apprentissage automatique et le conseil en gouvernance de l’IA, entre autres entrées.

Pour les observateurs du secteur, la valeur de ce type de page ne réside pas dans ses conclusions, mais dans sa structure. Elle revient à regrouper les questions que les clients entreprises posent aujourd’hui le plus fréquemment : les clients ne demandent plus seulement « comment migrer les charges de travail vers le cloud », mais « les données présentes dans le cloud peuvent-elles alimenter un modèle », « le modèle peut-il s’intégrer aux flux de travail existants », « comment rendre des comptes sur la conformité une fois l’usage terminé ». Les entrées qu’un prestataire choisit de mettre dans son catalogue, et celles qu’il place en évidence, sont elles-mêmes le reflet de la demande du marché.

I. Contexte de l’événement : un guide, mais aussi une carte des besoins

Au cours des dix dernières années, le récit dominant de la transformation numérique (Digital Business Transformation) a été celui du « passage au cloud » : migrer les charges de travail des centres de données internes vers le cloud public, découper les applications monolithiques en microservices, confier le processus de publication aux pipelines CI/CD. Cette voie a atteint un haut degré de maturité : conseil cloud, migration cloud, hébergement cloud, DevOps, modernisation des applications héritées figurent presque systématiquement au catalogue de tous les prestataires informatiques.

Le changement est intervenu après 2023. Les grands modèles ont fait de « l’intelligence » une capacité d’infrastructure appelable via API, là où elle exigeait auparavant un projet de long terme spécifiquement lancé. La manière dont les entreprises posent leurs questions a changé en conséquence : il ne s’agit plus de « faut-il faire de l’IA », mais de « quel segment de processus traiter en premier, où sont les données, qui est responsable en cas d’incident ». La structure du catalogue de ce guide décompose précisément ces trois questions en entrées de services livrables — services de données, ingénierie de l’IA, gouvernance de l’IA.

Il faut préciser que les guides de fournisseurs ont naturellement une dimension d’autopromotion. CloudTechDaily s’y intéresse non pas parce qu’il apporte des conclusions faisant autorité, mais parce qu’il fournit un échantillon vérifiable de « l’offre de services » : la manière dont les offreurs classent les services accuse généralement un retard de 6 à 18 mois sur la demande ; il ressemble donc davantage à une carte des besoins déjà constituée qu’à une prophétie sur l’avenir.

II. Analyse technique : les quatre niveaux d’une liste de capacités

Si l’on examine ce catalogue dans le détail, les capacités de transformation numérique des entreprises peuvent être résumées en quatre niveaux. Comprendre ces quatre niveaux est particulièrement important pour les managers non techniques, car cela détermine l’ordre dans lequel le budget doit être dépensé.Première couche : Infrastructure et plateforme. Elle inclut le conseil cloud, la migration cloud, les services cloud managés, DevOps et la modernisation des applications legacy. Elle résout le problème suivant : déplacer les systèmes d’un centre de données auto-hébergé vers un pool de ressources élastiques, et rendre le processus de livraison reproductible et auditable. À ce niveau, la technologie est déjà standardisée ; la différence ne réside pas principalement dans la technologie, mais dans la gestion de la continuité d’activité pendant la migration.

Deuxième couche : Données. Elle inclut le big data, l’analyse de données et la business intelligence. Elle résout le problème suivant : rendre les données interrogeables, fiables et réutilisables. C’est le véritable seuil des projets d’IA : la capacité des modèles peut se louer, les actifs de données, eux, ne peuvent être accumulés que par l’entreprise elle-même.

Troisième couche : Intelligence. Elle inclut l’IA générative, les agents IA, le RAG, Copilot, l’apprentissage automatique, la vision par ordinateur et les agents vocaux. Ces termes doivent être distingués :

• IA générative : capacité de modèle à générer du texte, des images, du code, etc. ; c’est la capacité sous-jacente elle-même.
• RAG (génération augmentée par récupération) : consiste d’abord à rechercher le contenu pertinent dans la base de connaissances propre à l’entreprise, puis à le confier au modèle pour générer une réponse, afin de réduire le risque que le modèle « réponde sans fondement » ; c’est la manière la plus courante pour une entreprise de connecter un grand modèle à ses connaissances internes.
• Agent IA : pas seulement générer un texte, mais pouvoir appeler des outils et accomplir des tâches en plusieurs étapes, par exemple consulter une commande, créer un ticket, déclencher une approbation.
• Copilot : assistant opérationnel intégré aux logiciels bureautiques et métier existants, l’utilisateur n’a pas besoin de changer de système.

Quatrième couche : Gouvernance et sécurité. Elle inclut la sécurité cloud, la sécurité opérationnelle (SecOps), le conseil en cybersécurité et le conseil en gouvernance de l’IA. Son rôle est de délimiter le périmètre des trois premières couches : quelles données peuvent sortir du domaine, quelles sorties de modèle doivent être tracées, quelles décisions automatisées doivent conserver une revue humaine.

Les quatre couches ne sont pas juxtaposées, mais entretiennent une dépendance unidirectionnelle : la limite supérieure des résultats de la couche intelligence est déterminée par le degré de préparation de la couche données ; le degré d’ouverture de la couche données est lui-même contraint par la couche gouvernance. Si une couche manque, tout projet d’IA s’arrêtera au stade de la preuve de concept.

III. Analyse de l’impact sur l’entreprise : des dépenses par projet aux dépenses récurrentes

Impact sur les coûts. La transformation traditionnelle reposait principalement sur des projets de migration ponctuels, avec une forme de dépense plutôt orientée projet ou de type dépenses d’investissement ; la phase d’IA, elle, repose principalement sur une puissance de calcul d’inférence continue, le stockage vectoriel et de base de connaissances, les frais d’appel aux modèles ainsi que la main-d’œuvre de gouvernance des données, ce qui se traduit par des dépenses d’exploitation stables. Cela signifie que la logique d’approbation du budget technologique doit changer : auparavant, c’était « plafonné dès la mise en production » ; aujourd’hui, c’est « plus on l’utilise, plus on dépense ». Les entreprises doivent étendre les mécanismes de visibilité des coûts FinOps aux appels de modèles et aux étapes de récupération, sinon il est difficile de répondre à la question : « cette fonctionnalité d’IA vaut-elle vraiment la peine ? »Impact sur le déploiement. Passer de « l'achat de logiciels » à « l'assemblage de plateformes ». Les entreprises ont besoin de compétences en ingénierie de plateforme pour gérer de manière unifiée l'accès aux modèles, les versions de prompts, les index de recherche et les autorisations d'outils. Ce travail ne peut pas être entièrement externalisé à un produit existant, car il dépend fortement des détails des processus propres à l'entreprise.

Impact sur l'exploitation. La mise en production des agents introduit de nouveaux objets d'exploitation : versions de prompts et de modèles, fraîcheur du contenu de recherche, autorisations d'appel d'outils, stratégies de nouvelle tentative en cas d'échec et de dégradation. Les indicateurs de surveillance traditionnels ne suffisent pas à couvrir ces objets, et la mise en place de l'observabilité doit être anticipée.

Impact sur la sécurité et la conformité. La classification et la catégorisation des données, les restrictions de transfert transfrontalier, l'audit des sorties de modèles, l'explicabilité des décisions automatisées deviendront toutes des points de contrôle de conformité. L'AI Act de l'Union européenne, le cadre de gestion des risques liés à l'IA du NIST et d'autres règles intègrent désormais le « risque lié aux modèles » dans le champ de la gouvernance formelle ; les entreprises opérant à l'international doivent également évaluer les options de cloud souverain (Sovereign Cloud).

Faut-il l'adopter ? L'ordre d'évaluation suggéré est le suivant : d'abord, vérifier si les données sont structurées et si leur utilisation est autorisée ; ensuite, examiner si le processus cible est suffisamment stable pour justifier une automatisation ; enfin, vérifier si les limites de conformité le permettent. Si les trois critères sont remplis, alors seulement discuter du choix du modèle.

IV. Analyse de la concurrence

Fournisseurs de cloud : empilement continu vers le haut. AWS, Microsoft Azure, Google Cloud, etc. proposent des offres packagées de puissance de calcul sous-jacente, d'API de modèles et d'outils d'orchestration d'agents, et s'étendent naturellement vers la couche d'intelligence. Ils en bénéficient le plus, mais font face au même problème : les clients souhaitent du multi-cloud et du multi-modèle, tandis que les fournisseurs veulent verrouiller. Les passerelles multi-modèles et les standards ouverts deviennent donc des atouts clés dans les négociations avec les entreprises.

Intégrateurs de systèmes et prestataires d'externalisation : modèle de livraison sous pression. L'automatisation par agents va elle-même absorber une partie du travail de livraison à forte intensité de main-d'œuvre. L'espace de différenciation se déplace vers la connaissance sectorielle, la gouvernance des données et l'expérience en conformité ; la marge de manœuvre des modèles d'arbitrage purement humain se réduit.

Plateformes de données et SaaS d'entreprise : la valeur dépend du degré de préparation. Les systèmes tels qu'ERP et CRM deviennent « l'extrémité d'exécution » des agents — le modèle se charge du jugement, le système métier de l'enregistrement comptable. Celui qui rend les interfaces, les autorisations et l'audit plus clairs sera plus facilement intégré.

Prestataires d'ingénierie natifs de l'IA : opportunités et risques coexistent. Les prestataires cités dans les sources se positionnent sur leur site officiel comme ayant une capacité d'ingénierie produit axée sur l'IA. L'opportunité pour ces acteurs réside dans leur capacité d'intégration multi-cloud et multi-modèle ainsi que dans leur expérience de gouvernance ; le risque réside dans la vitesse d'évolution des capacités des plateformes de modèles : le développement personnalisé d'aujourd'hui pourrait devenir une fonctionnalité intégrée de la plateforme demain.

Bénéficiaires et acteurs sous pression. Les bénéficiaires sont ceux qui maîtrisent la puissance de calcul, les points d'entrée des modèles et les hubs de données, ainsi que les prestataires capables d'offrir une certitude en matière de gouvernance et de conformité ; les acteurs sous pression sont l'externalisation traditionnelle offrant uniquement un arbitrage de main-d'œuvre, ainsi que les fournisseurs de middlewares dont les fonctionnalités sont susceptibles d'être intégrées par les plateformes.## V. Observation des tendances du secteur : la liste des capacités est en train d’être réorganisée par l’IA

Ce catalogue permet d’observer quatre tendances de long terme.

Premièrement, le cloud natif d’IA (AI Native Cloud). Les hypothèses d’architecture par défaut des plateformes cloud passent d’une approche « centrée sur les applications » à une approche « centrée sur les données et l’inférence », le stockage, le réseau et l’ordonnancement étant optimisés pour les services de modèles.

Deuxièmement, l’infrastructure d’agents (Agent Infrastructure). Lorsque les agents passent de la démonstration à la production, l’enregistrement des outils, la gestion des permissions, la traçabilité de l’exécution et la mesure des coûts deviennent une couche d’infrastructure à part entière.

Troisièmement, le degré de préparation des données devient le véritable goulot d’étranglement. Les capacités des modèles peuvent s’acheter, pas les actifs de données. Au cours des prochaines années, la part de la gouvernance des données et de la gestion des données de référence dans les budgets IT des entreprises connaîtra très probablement une hausse subie.

Quatrièmement, cloud souverain et priorité à la conformité. La résidence des données, la réglementation sectorielle et les règles au niveau national rendront la question « où exécuter les modèles » aussi importante que celle « quel modèle utiliser ».

Il faut toutefois tenir compte des contraintes : l’approvisionnement en électricité et en refroidissement des centres de données d’IA, le déficit de compétences en interne et le rythme de mise en œuvre des cadres de gouvernance limiteront tous la vitesse d’expansion de la couche d’intelligence. La direction est certaine, le rythme ne l’est pas.

CloudTechDaily Insight

La principale portée de ce guide est de remplacer le sens par défaut de la « transformation numérique ». Au cours des dix dernières années, la transformation numérique équivalait à la migration vers le cloud et à la modernisation, et les critères d’acceptation étaient de savoir si les systèmes avaient été entièrement migrés et si les processus étaient mis en production. Aujourd’hui, ce que les entreprises achètent réellement, c’est une chaîne complète allant des données aux modèles, des modèles aux processus, et des processus à l’audit. Le cloud est passé de destination à socle, l’IA d’option additionnelle à élément principal, et la gouvernance d’une tâche du service conformité à une partie de la conception d’architecture.

Trois implications directes pour la stratégie IT des entreprises. Premièrement, la structure budgétaire doit être ajustée : convertir une partie des budgets autrefois consacrés à des migrations ponctuelles en dépenses d’exploitation continues d’inférence et de gouvernance des données, et mettre en place les capacités correspondantes de visualisation des coûts, sans quoi les projets d’IA seront arrêtés dès la deuxième année en raison d’une facture échappant à tout contrôle. Deuxièmement, le renforcement des capacités doit suivre un ordre : la gouvernance des données, l’ingénierie de plateforme et l’observabilité doivent précéder le choix des modèles ; les projets d’IA qui sautent ces trois étapes ont un taux de réussite extrêmement faible. Troisièmement, la stratégie fournisseurs doit être structurée en couches : maintenir l’interchangeabilité des capacités de calcul et des modèles sous-jacents, standardiser autant que possible la plateforme intermédiaire, et réserver les investissements de personnalisation à long terme aux processus et à l’expérience de gouvernance propres au secteur.

L’enseignement pour l’industrie du cloud computing est que la concurrence se déplace de « qui a les ressources les moins chères » vers « qui permet aux données des entreprises de produire des décisions de manière plus sûre ». Cela signifie que les relations entre fournisseurs de cloud, plateformes de données et prestataires de services passeront d’une simple superposition à un couplage profond, et que la capacité d’intégration, capable de comprendre à la fois les données, les modèles et les contraintes réglementaires, deviendra la ressource la plus rare à ce stade, et la plus difficile à remplacer par les capacités intégrées des plateformes.