Scality, leader mondial des logiciels de stockage cyber-résilients pour l'ère de l'IA, annonce aujourd'hui les résultats d'une étude indépendante menée par Freeform Dynamics. Intitulée « Storage Infrastructure for Enterprise AI: Lessons From Seasoned Adopters on Building Scalable Sovereign Environments », cette étude analyse le passage en production des workloads IA. Le constat est sans appel : le stockage est le point de friction majeur lors du passage à l'échelle.
À mesure que l'adoption de l'IA se généralise, de nombreuses organisations déploient une IA privée (ou IA souveraine) pour garder le contrôle total sur l'infrastructure, les modèles et les données. Exécuter les workloads d'IA au plus près des données de l'entreprise améliore les performances, garantit la conformité réglementaire et permet de maîtriser les coûts à long terme. Face à la baisse continue des coûts d'infrastructure, l'IA privée s'impose comme un complément pragmatique aux services d'IA dans le cloud.
Dans ces environnements, le stockage objet s’impose comme le socle des pipelines d'IA sur site (on-premises). Lors du passage en production, les choix d'infrastructure répondent à des exigences croissantes en matière de fiabilité, de gouvernance, de contrôle des coûts et de gestion du cycle de vie.
L'IA en production : une problématique de pipeline de données
Bien que les GPU et la puissance de calcul captent l'essentiel de l'attention, l'étude de Freeform Dynamics révèle un changement de priorité : les entreprises adoptant l'IA privée privilégient désormais des systèmes capables d'orchestrer, de gouverner, de protéger et de réutiliser les données sur l'ensemble du pipeline d'inférence.
Principales conclusions :
● 91 % des entreprises utilisant l'IA privée en production signalent un usage significatif du stockage objet, soit le taux d'adoption le plus élevé parmi les architectures de stockage. 44 % l'utilisent de manière intensive et 47 % de manière importante — devançant légèrement le stockage en mode fichier et dépassant largement le stockage bloc.
● 81 % des entreprises considèrent qu'une infrastructure d'IA privée sous leur contrôle est critique pour leur succès, portée par des impératifs de souveraineté, de conformité et de proximité des données.
● 57 % des entreprises placent la performance du stockage comme priorité pour éviter les goulots d'étranglement, contre 54 % pour la disponibilité des GPU/calcul et 52 % pour la bande passante réseau. Cela confirme que le stockage est désormais aussi critique que le compute.
● Architectures hybrides : 44 % des entreprises adaptent leur infrastructure de calcul existante pour l'IA (42 % pour le stockage), tandis que 40 % construisent des environnements dédiés (39 % pour le stockage), prouvant que les architectures hiérarchisées (tiered) et hybrides sont la norme.
● Risques de saturation : 40 % des entreprises citent la gestion des métadonnées à grande échelle comme un risque majeur de congestion, et 38 % signalent des difficultés à gérer des workloads mixtes (besoin de haut débit pour l'entraînement et de faible latence pour l'inférence).
« La plupart des débats du secteur réduisent l'infrastructure d'IA à un simple défi de puissance de calcul », explique Tony Lock, directeur de l'engagement et analyste chez Freeform Dynamics. « Or, cette étude démontre que les entreprises en phase de production font face à une réalité système bien plus globale. Elles ont besoin d'architectures simples et évolutives, capables de maintenir les données à proximité, de supporter divers types d'IA et de concilier performance, gouvernance et cyber-résilience sur l'ensemble du pipeline. »
Implications pour les équipes d'infrastructure
L'étude s'appuie sur le retour d'expérience d'entreprises ayant déjà industrialisé l'IA. L'activité quotidienne de l'IA étant de plus en plus axée sur l'inférence, les entreprises convergent vers des architectures hiérarchisées (tiering) associant des couches rapides pour les workloads actifs à des couches capacitaires évolutives pour les données persistantes. Dans ce modèle, le stockage objet compatible S3 fait office de couche fondamentale.
Avec la montée en puissance de l'inférence, les architectures de stockage évoluent vers un modèle hybride : des performances élevées pour les traitements en cours et une scalabilité massive pour les données historiques. Le stockage objet S3 devient ici la pierre angulaire de cette infrastructure
« La donnée définit le problème, et la plateforme détermine qui peut passer à l'échelle », affirme Paul Speciale, Chief Marketing Officer chez Scality. « Cette étude valide ce que nous observons sur le terrain : le succès de l'IA en production dépend de la capacité des équipes à opérationnaliser les données sur tout le cycle de vie. Scality fournit un socle natif S3, hiérarchisé et cyber-résilient, parfaitement aligné avec la construction de l'IA souveraine. »
Méthodologie : Enquête en ligne auprès de 504 professionnels de l'IT et de la donnée dans des entreprises de plus de 1 000 employés utilisant activement l'IA privée en production (USA, UK, France, Allemagne).`
À mesure que l'adoption de l'IA se généralise, de nombreuses organisations déploient une IA privée (ou IA souveraine) pour garder le contrôle total sur l'infrastructure, les modèles et les données. Exécuter les workloads d'IA au plus près des données de l'entreprise améliore les performances, garantit la conformité réglementaire et permet de maîtriser les coûts à long terme. Face à la baisse continue des coûts d'infrastructure, l'IA privée s'impose comme un complément pragmatique aux services d'IA dans le cloud.
Dans ces environnements, le stockage objet s’impose comme le socle des pipelines d'IA sur site (on-premises). Lors du passage en production, les choix d'infrastructure répondent à des exigences croissantes en matière de fiabilité, de gouvernance, de contrôle des coûts et de gestion du cycle de vie.
L'IA en production : une problématique de pipeline de données
Bien que les GPU et la puissance de calcul captent l'essentiel de l'attention, l'étude de Freeform Dynamics révèle un changement de priorité : les entreprises adoptant l'IA privée privilégient désormais des systèmes capables d'orchestrer, de gouverner, de protéger et de réutiliser les données sur l'ensemble du pipeline d'inférence.
Principales conclusions :
● 91 % des entreprises utilisant l'IA privée en production signalent un usage significatif du stockage objet, soit le taux d'adoption le plus élevé parmi les architectures de stockage. 44 % l'utilisent de manière intensive et 47 % de manière importante — devançant légèrement le stockage en mode fichier et dépassant largement le stockage bloc.
● 81 % des entreprises considèrent qu'une infrastructure d'IA privée sous leur contrôle est critique pour leur succès, portée par des impératifs de souveraineté, de conformité et de proximité des données.
● 57 % des entreprises placent la performance du stockage comme priorité pour éviter les goulots d'étranglement, contre 54 % pour la disponibilité des GPU/calcul et 52 % pour la bande passante réseau. Cela confirme que le stockage est désormais aussi critique que le compute.
● Architectures hybrides : 44 % des entreprises adaptent leur infrastructure de calcul existante pour l'IA (42 % pour le stockage), tandis que 40 % construisent des environnements dédiés (39 % pour le stockage), prouvant que les architectures hiérarchisées (tiered) et hybrides sont la norme.
● Risques de saturation : 40 % des entreprises citent la gestion des métadonnées à grande échelle comme un risque majeur de congestion, et 38 % signalent des difficultés à gérer des workloads mixtes (besoin de haut débit pour l'entraînement et de faible latence pour l'inférence).
« La plupart des débats du secteur réduisent l'infrastructure d'IA à un simple défi de puissance de calcul », explique Tony Lock, directeur de l'engagement et analyste chez Freeform Dynamics. « Or, cette étude démontre que les entreprises en phase de production font face à une réalité système bien plus globale. Elles ont besoin d'architectures simples et évolutives, capables de maintenir les données à proximité, de supporter divers types d'IA et de concilier performance, gouvernance et cyber-résilience sur l'ensemble du pipeline. »
Implications pour les équipes d'infrastructure
L'étude s'appuie sur le retour d'expérience d'entreprises ayant déjà industrialisé l'IA. L'activité quotidienne de l'IA étant de plus en plus axée sur l'inférence, les entreprises convergent vers des architectures hiérarchisées (tiering) associant des couches rapides pour les workloads actifs à des couches capacitaires évolutives pour les données persistantes. Dans ce modèle, le stockage objet compatible S3 fait office de couche fondamentale.
Avec la montée en puissance de l'inférence, les architectures de stockage évoluent vers un modèle hybride : des performances élevées pour les traitements en cours et une scalabilité massive pour les données historiques. Le stockage objet S3 devient ici la pierre angulaire de cette infrastructure
« La donnée définit le problème, et la plateforme détermine qui peut passer à l'échelle », affirme Paul Speciale, Chief Marketing Officer chez Scality. « Cette étude valide ce que nous observons sur le terrain : le succès de l'IA en production dépend de la capacité des équipes à opérationnaliser les données sur tout le cycle de vie. Scality fournit un socle natif S3, hiérarchisé et cyber-résilient, parfaitement aligné avec la construction de l'IA souveraine. »
Méthodologie : Enquête en ligne auprès de 504 professionnels de l'IT et de la donnée dans des entreprises de plus de 1 000 employés utilisant activement l'IA privée en production (USA, UK, France, Allemagne).`
