Huawei inaugure une nouvelle ère d’intelligence avec l’IA révolutionnaire

En bref

• 🚀 Huawei accélère la bascule vers une intelligence artificielle plus autonome, dite agentique, capable de raisonner et d’agir dans les processus métier.
• 📈 Les investissements IA côté entreprises suivent une trajectoire spectaculaire : d’environ 16 Md$ en 2023 à près de 90 Md$ attendus en 2029, avec un effet domino sur les data centers.
• 🧩 Les workloads deviennent imprévisibles : la planification de capacité « à l’ancienne » craque face aux usages IA lancés en quelques minutes.
• 🛡️ La priorité glisse de la « fiabilité » à la résilience (récupérabilité totale, remédiation rapide, défense multicouche contre les rançongiciels).
• 🏢 Huawei pousse une stack privée on-premise pour protéger données sensibles et conformité, plutôt que de dépendre uniquement de services publics.
• 🛒 Le cas Auchan illustre une migration à grande échelle vers une virtualisation distribuée : continuité d’activité et baisse forte du TCO sur 5 ans.

À mesure que l’IA quitte le laboratoire pour s’installer dans la caisse d’un magasin, dans le cockpit d’un réseau télécom ou dans l’atelier d’une usine, une évidence s’impose : la facture ne se mesure pas seulement en GPU. Elle se cache dans le volume de données qui explose, dans les pics de charge qui surgissent sans prévenir, et dans les risques qui se déplacent vers des terrains plus sournois, comme l’empoisonnement de modèles ou la compromission d’une chaîne de sauvegarde. Dans ce paysage en pleine accélération, Huawei se positionne en architecte d’une informatique taillée pour une ère « reasoning and action », où des agents deviennent capables de décider, d’exécuter et de conserver du contexte.

Cette technologie est présentée comme révolutionnaire, non pas parce qu’elle promet des réponses plus élégantes à un prompt, mais parce qu’elle réorganise l’entreprise autour de flux continus : données consolidées, inférence omniprésente, et gouvernance de bout en bout. Des démonstrations vues à Paris lors d’un forum dédié aux infrastructures donnent à voir ce que cela implique concrètement : stockage repensé, virtualisation GPU, stratégies de résilience, et une pile complète pensée pour l’avenir numérique. L’enjeu, lui, reste très humain : comment laisser l’innovation avancer vite, sans perdre le contrôle des actifs les plus sensibles ?

Huawei et l’IA agentique : une nouvelle ère d’intelligence artificielle pour l’entreprise numérique

Le passage de l’IA générative « prompt-réponse » à l’IA agentique marque une rupture d’informatique comparable à celles du mainframe, du client-serveur puis du cloud. Là où la première vague s’arrêtait souvent à l’assistance, l’agentique introduit des systèmes capables de raisonner puis d’agir en autonomie, en enchaînant des étapes et en gérant un contexte persistant. Dans une direction achats, un agent peut analyser les contrats, vérifier des clauses à risque, lancer une demande de validation, puis préparer une synthèse prête à être arbitrée. La promesse est enthousiasmante, mais elle n’est pas neutre : chaque action crée des traces, chaque trace devient donnée, et chaque donnée devient un coût… ou un avantage compétitif.

Les projections partagées par un institut d’analyse du marché donnent une idée de la vitesse du basculement : les dépenses des entreprises dans l’IA passeraient d’environ 16 milliards de dollars en 2023 à près de 90 milliards en 2029. Dans le sillage, les investissements cumulés en équipements et data centers pourraient atteindre l’ordre du millier de milliards. Derrière ces chiffres, une mécanique simple : plus il y a d’IA, plus il faut de calcul, mais surtout plus il faut de données prêtes, gouvernées, accessibles, et défendues. Et c’est précisément sur ce terrain que Huawei veut s’imposer, en articulant innovation matérielle, plateforme logicielle et méthodes d’exploitation.

Un autre indicateur frappe : le nombre d’agents en circulation. On parle déjà de dizaines de millions d’agents actifs, avec une trajectoire qui viserait plusieurs milliards à horizon cinq ans. Pris au pied de la lettre, cela signifie qu’une organisation ne gérera plus seulement des utilisateurs humains, mais une foule de processus semi-autonomes, chacun réclamant mémoire, droits, logs, accès à des bases de connaissances et capacité d’exécution. Le débat ne se limite donc pas à « quel modèle choisir ? », mais s’étend à « quelle chaîne de valeur construire autour du modèle ? ». Qui possède la connaissance ? Qui contrôle les données de référence ? Qui surveille les actions des agents ?

Pour rendre la transformation tangible, un fil conducteur aide : celui d’une entreprise fictive, Novalys, distributeur spécialisé dans l’électronique grand public. Novalys déploie en quelques semaines des agents pour optimiser les prix, anticiper les ruptures, et automatiser le support client. Résultat : des gains visibles sur les délais de décision, mais aussi une explosion des journaux applicatifs, des données conversationnelles et des artefacts d’inférence. En interne, les métiers se félicitent de la vitesse. Côté DSI, la question surgit immédiatement : où stocker, comment trier, comment protéger ? La suite du sujet se joue alors sur l’infrastructure, bien plus que sur le vernis applicatif.

Dans ce contexte, les débats observés lors d’événements dédiés aux technologies émergentes prennent une autre saveur, car ils relient hype et contraintes concrètes. Une lecture utile sur la dynamique des tendances peut être trouvée via un panorama des technologies émergentes en 2026, qui aide à replacer l’agentique dans une trajectoire plus large. Un insight s’impose : l’IA agentique transforme l’entreprise, mais c’est l’architecture de données qui décide si la transformation sera durable.

Workloads IA imprévisibles : Huawei face à la nouvelle physique du stockage, du calcul et du réseau

Le choc opérationnel de l’IA dans l’entreprise ne vient pas seulement de la puissance requise, mais de l’irrégularité des charges. Les workloads deviennent éphémères, parfois déclenchés par un métier en quelques minutes, puis amplifiés par des boucles d’agents qui travaillent en arrière-plan. Dans un monde pré-IA, un plan de capacité s’appuyait sur des cycles relativement stables : évolution des ERP, croissance du stockage, montée en charge saisonnière. Désormais, une campagne marketing, une alerte fournisseur ou un incident logistique peut déclencher des rafales d’inférences, de recherche sémantique et de génération de documents. Comment dimensionner un système quand la demande se comporte comme une météo capricieuse ?

Le stockage se retrouve en première ligne. Le flash a dominé pour ses performances, mais son coût au gigaoctet devient un sujet lorsqu’on accumule des données d’entraînement, des embeddings, des caches d’inférence, des versions de modèles, et des historiques conversationnels. Les organisations réclament des architectures hybrides : conserver la vitesse là où elle est critique, tout en amortissant la masse sur des niveaux moins coûteux. Sauf qu’elles n’acceptent plus le retour en arrière : pas question de réintroduire des lenteurs « mécaniques » qui cassent les parcours utilisateurs. Ce compromis pousse les constructeurs à réinventer les chemins de données, à accélérer les métadonnées, et à intégrer des moteurs de recherche sémantique directement dans les couches de stockage.

Dans les opérations, une dérive est devenue familière : des équipes métiers mettent en production des services IA cloud en quelques clics, sans forcément aligner la DSI, parce que « ça marche » immédiatement. La dette arrive ensuite : factures, performances, conformité, et dépendance. Sur ce point, il est éclairant de comparer cette dynamique avec d’autres univers, par exemple l’évolution des stratégies IA dans l’écosystème open source et les plateformes. Un détour par les annonces IA observées au Red Hat Summit permet de mesurer comment l’industrialisation passe aussi par l’outillage, la standardisation et la gouvernance. Pour une entreprise comme Novalys, la leçon est simple : l’IA ne peut pas rester un patchwork de « poches » isolées, sinon la consolidation à l’échelle devient douloureuse.

Le coût caché se traduit aussi en productivité. Une estimation fréquemment citée dans les cercles DSI : les organisations qui n’auront pas des données « prêtes pour l’IA » subiront une perte de productivité notable. Concrètement, cela se voit quand un agent passe 30 secondes à chercher un document introuvable, quand les doublons polluent les bases de connaissances, ou quand des droits mal définis bloquent des workflows. Les erreurs de données ne font pas que ralentir : elles augmentent aussi le risque de décisions erronées, ce qui est plus grave quand l’agentique exécute des actions et pas seulement des recommandations.

Du réseau à l’inférence : la performance devient une question de chemin, pas seulement de puissance

Dans une architecture IA moderne, les goulets d’étranglement se déplacent. Il ne suffit plus d’ajouter des cartes accélératrices : il faut orchestrer les flux entre stockage, calcul et réseau, tout en garantissant un niveau de service acceptable sous incident. Huawei met en avant une séparation plus nette entre plan de contrôle et plan de données via des approches matérielles dédiées, afin d’éviter que le CPU des baies ne devienne le point de saturation. Dans une journée type chez Novalys, cela peut faire la différence entre une recherche sémantique fluide sur les fiches produits (texte + image + audio) et un système qui s’essouffle dès qu’un pic survient.

La virtualisation des ressources de calcul fait partie de l’équation. Quand une carte haut de gamme coûte une fortune, la mutualisation devient presque une règle de bonne gestion : pourquoi immobiliser une capacité entière pour une tâche qui n’en consomme qu’un fragment ? L’IA à grande échelle ressemble de plus en plus à une économie de partage… mais à l’intérieur du data center. Insight final : dans l’ère agentique, la performance ne se résume pas à la puissance installée, elle dépend de la fluidité des chemins de données.

Résilience et cybersécurité : Huawei mise sur une défense multicouche pour l’ère des rançongiciels augmentés par l’IA

Le vocabulaire des décideurs change : longtemps, l’infrastructure se présentait en promesses de fiabilité (disponibilité, RPO, RTO, performances soutenues). Désormais, une idée gagne du terrain : face à des charges imprévisibles et des menaces évolutives, la priorité devient la résilience, c’est-à-dire la capacité à encaisser le pire et à récupérer intégralement. Cette nuance est plus qu’un mot. Elle réoriente la conception des architectures, les procédures d’exploitation, et même la façon dont les fournisseurs argumentent.

Pourquoi ce glissement ? Parce que l’adversaire s’est modernisé. Les attaquants utilisent l’IA pour analyser une cible, repérer une configuration faible, générer un code malveillant sur mesure, et accélérer le cycle d’attaque. À cela s’ajoutent des risques propres à l’IA : empoisonnement de données, manipulation de corpus, altération de bases de connaissances utilisées par des agents, ou injection de contenus conçus pour détourner les actions. Une entreprise comme Novalys, qui automatise des commandes fournisseurs, ne peut pas tolérer qu’un agent reçoive un signal falsifié et déclenche des achats frauduleux. La sécurité devient donc une discipline « de la donnée à l’action ».

La méthode d’exploitation et l’automatisation : réduire le temps de réaction pour limiter l’impact

Sur le terrain, la résilience se joue en minutes. Des méthodes d’exploitation structurées, avec détection proactive, identification rapide, qualification et analyse des workloads touchés, prennent de la valeur. Cela implique des outils de monitoring adaptés aux environnements hybrides, capables de distinguer une panne de stockage, un problème réseau, une saturation CPU ou un comportement anormal lié à l’inférence. La question rhétorique qui revient dans les salles de crise est crue : « Combien de temps avant de comprendre ce qui se passe vraiment ? » Chaque minute d’incertitude coûte en activité, en réputation et parfois en conformité.

La sauvegarde redevient le dernier rempart, mais elle doit prouver sa propreté

La sauvegarde n’est plus une tâche de fond. Dans un monde de rançongiciels, elle devient la frontière entre une interruption et une catastrophe. Des approches modernes mettent l’accent sur la compression optimisée, l’analyse par IA des données sauvegardées, puis la réplication vers une zone isolée où l’intégrité de la copie est vérifiée avant restauration. La logique est simple : restaurer vite ne suffit pas, il faut restaurer sain. Novalys, par exemple, pourrait exiger qu’une base de connaissances utilisée par ses agents ne soit réinjectée en production qu’après validation dans un environnement de « salle blanche ».

Pour rendre l’idée opérationnelle, voici une liste de contrôles concrets qui structurent une défense multicouche, sans tomber dans la théorie :

• 🧱 Segmentation des données en blocs plus petits et distribués pour éviter l’effet « volume entier bloqué ».
• 🔎 Détection proactive d’anomalies sur les patterns d’accès (pics d’écriture, chiffrement suspect, lectures massives).
• 🧪 Vérification de la restaurabilité dans une zone isolée avant remise en production.
• 🔐 Gouvernance des droits des agents (principe du moindre privilège, rotation des secrets, journaux d’action).
• 🧭 Traçabilité des données utilisées pour entraîner, affiner et alimenter les bases de connaissances.

Les impacts humains ne sont pas à ignorer : la montée de l’automatisation et de l’IA change aussi les métiers, parfois brutalement. Une lecture complémentaire sur les débats autour de l’emploi et de l’automatisation peut être consultée via une analyse sur l’IA et les suppressions d’emplois. Insight final : dans l’IA agentique, la meilleure performance est inutile si la restauration est incertaine.

Stack privée on-premise Huawei : data lake, plateforme de données, modèles et framework d’agents

L’un des messages les plus structurants dans la stratégie de Huawei consiste à recommander une pile IA privée, déployée en local, pour les organisations qui « prennent l’IA au sérieux ». L’argument est double : protection des données sensibles (clients, salariés, propriété intellectuelle) et respect des réglementations. L’idée n’est pas de nier la valeur du cloud public, mais de rappeler qu’une entreprise ne peut pas se contenter d’API externes quand ses actifs informationnels deviennent le carburant d’agents capables d’agir. Pour Novalys, cela se traduit par une politique claire : les données de fidélité et les négociations fournisseurs restent dans un périmètre maîtrisé, tandis que des usages moins critiques peuvent tirer parti de services externes.

La pile est souvent décrite en cinq couches, qui s’enchaînent comme une chaîne industrielle :

1. 🏞️ Data lake : consolidation de toutes les données pour alimenter inférence et agents.
2. 🗂️ Plateforme de données : orchestration de la base de connaissances, de la mémoire et des caches.
3. 🧠 Couche computing : exécution de l’inférence au plus près des workflows.
4. 📦 Couche modèles : entraînement, affinage, évaluation, alignement réglementaire.
5. 🤖 Framework d’agents : développement, exécution sécurisée, auto-évolution contrôlée.

Ce découpage a une vertu : il clarifie où se jouent les arbitrages. Un data lake solide réduit les frictions ; une plateforme de données robuste évite la duplication de connaissances ; une couche d’inférence bien dimensionnée protège l’expérience utilisateur ; une gestion des modèles rigoureuse limite les dérives ; un framework d’agents bien gouverné évite les actions non maîtrisées. Et au cœur de tout cela se trouve une question très numérique : comment transformer des masses hétérogènes en connaissance actionnable, sans créer un monstre ingérable ?

Cas concrets : santé et automobile, deux stress-tests pour l’infrastructure

Dans la santé, un exemple marquant met en scène un établissement hospitalier ayant drastiquement réduit le temps de production d’un rapport de pathologie sur lame, passant de dizaines de minutes à quelques secondes, grâce à un modèle entraîné sur un corpus médical massif et à une grappe de calcul adaptée. Au-delà de la performance, l’élément clé est la réplicabilité : si le modèle et la chaîne de données sont industrialisés, d’autres hôpitaux peuvent bénéficier de la même qualité, ce qui change l’équation à l’échelle d’un pays. Dans l’automobile, l’enjeu monte d’un cran : développer un véhicule autonome de niveau avancé impose de gérer plus de 100 pétaoctets de données capteurs et contextuelles. La difficulté n’est pas uniquement de stocker, mais de retrouver vite des séquences rares, indispensables pour entraîner un modèle fiable. Qui peut répondre rapidement à une requête du type : « combien de scènes montrent un chien traversant au feu rouge, sous la pluie, de nuit » ?

Ces exemples servent de miroir aux entreprises plus classiques. Novalys n’a pas 100 Po de données, mais elle a des cas rares aussi : retours produits atypiques, fraudes sporadiques, incidents logistiques exceptionnels. Si l’architecture ne permet pas de retrouver ces événements en secondes, l’apprentissage s’appauvrit et l’agentique perd en pertinence. Insight final : la stack privée devient crédible quand elle relie gouvernance, vitesse d’accès et maîtrise des risques.

La discussion conduit naturellement au sujet suivant : quand cette pile devient réalité, la question n’est plus « peut-on migrer ? », mais « peut-on migrer sans arrêter le business ? ».

Migration et ROI : Auchan, virtualisation distribuée et alternatives dans l’écosystème informatique Huawei

Les annonces de technologie ne valent que si elles résistent à l’épreuve d’un grand groupe. Sur scène, le témoignage d’un retailer international a rendu le sujet concret : un acteur né au début des années 1960, présent dans une douzaine de pays, avec environ 3 000 magasins, un chiffre d’affaires de l’ordre de 32 milliards d’euros et près de 160 000 collaborateurs. Son constat initial avait de quoi faire grimacer n’importe quelle DSI : un portefeuille applicatif disproportionné, une chaîne fournisseurs plus complexe que celle de pairs comparables, et un coût total de possession largement au-dessus de la cible. Quand l’infrastructure devient un frein, l’IA n’est plus un bonus, elle devient un révélateur des inefficacités.

La migration décrite s’articule autour d’un basculement depuis un data center historique vers une virtualisation distribuée sur trois sites. Deux sites fonctionnent en haute disponibilité au sein d’un même data center virtuel, tandis qu’un troisième site assure la reprise d’activité. Le point le plus parlant reste la contrainte métier : les magasins devaient continuer à fonctionner pendant la bascule. Ce genre d’exigence transforme un projet technique en exercice d’orfèvrerie opérationnelle : fenêtres de migration, tests de performance, validation applicative, coordination avec les équipes magasin, et plan de retour arrière.

Les métriques annoncées donnent une idée de l’ampleur : plus de 5 000 machines virtuelles exploitées sur la nouvelle infrastructure, un taux de succès de migration élevé dès le premier passage, et une promesse financière forte : une baisse importante du TCO sur cinq ans par rapport à la solution précédente. Derrière ces chiffres, un point attire l’attention dans le marché : la recherche d’alternatives à certains modèles de licences, notamment depuis les turbulences liées aux évolutions d’éditeurs majeurs de la virtualisation. Huawei met en avant un licensing présenté comme plus prévisible, ce qui parle à des organisations déjà heurtées par l’inflation des coûts cloud et hyperviseur.

Tableau de lecture : ce que change une architecture pensée pour l’IA et le réseau

Dimension 🧩	Avant (approche classique) 🕰️	Après (approche IA/agentique) 🚀
Workloads ⚙️	Prévisibles, cycles annuels	Éphémères, pics déclenchés par agents
Stockage 💾	Flash dominant, silo par application	Hybride, data lake central, recherche sémantique
Réseau 🌐	Dimensionné pour applicatif traditionnel	Optimisé pour flux data→inférence→actions
Sécurité 🛡️	Focus périmètre et antivirus	Défense multicouche, clean room, traçabilité des données IA
Économie 💶	Capex/opex séparés, licences variables	Prévisibilité recherchée, mutualisation des accélérateurs

Ce cas illustre aussi une règle d’or : les migrations réussies sont celles où la gouvernance est aussi forte que l’outillage. Qui décide qu’une application est « migrable » ? Qui valide la performance ? Qui arbitre entre dette technique et vitesse d’innovation ? Pour prolonger la réflexion sur la manière dont les organisations structurent leurs pratiques et leurs choix, un repère utile sur l’univers éditorial peut se trouver via la page de présentation du média qui contextualise les sujets et angles suivis. Insight final : l’IA révolutionnaire se juge moins au discours qu’à la capacité de migrer sans rupture, dans le respect du terrain.

Pourquoi l’IA agentique change-t-elle autant les infrastructures ?

Parce qu’elle exécute des séquences longues et autonomes (reasoning + action), ce qui multiplie les accès aux données, les traces, les caches d’inférence et les pics de charge. Les architectures historiques, dimensionnées pour des usages plus stables, peinent à suivre sans refonte du stockage, du calcul et du réseau.

Qu’entend-on par “stack IA privée on-premise” recommandée par Huawei ?

Il s’agit d’une pile déployée dans un périmètre maîtrisé (data center de l’organisation) incluant data lake, plateforme de données (connaissances, mémoire, cache), couche de calcul pour l’inférence, gestion des modèles et framework d’agents. L’objectif est de protéger les données sensibles et de mieux répondre aux contraintes réglementaires.

Pourquoi la sauvegarde redevient-elle centrale à l’ère des rançongiciels dopés à l’IA ?

Parce que les attaquants automatisent l’analyse des cibles et accélèrent l’exécution. Une restauration rapide n’est pas suffisante : il faut restaurer une copie vérifiée comme saine, parfois via une “clean room” isolée. La sauvegarde devient le dernier rempart pour garantir la récupérabilité.

Quels signaux montrent qu’une entreprise n’a pas des données “prêtes pour l’IA” ?

Des bases de connaissances pleines de doublons, des droits d’accès incohérents, des données non documentées, une incapacité à retrouver vite des cas rares, et des projets IA lancés en silos. Ces symptômes dégradent la qualité des réponses et augmentent les risques quand des agents passent à l’action.

Qu’est-ce qu’un bon indicateur de réussite lors d’une migration vers une infrastructure orientée IA ?

La continuité d’activité (zéro interruption métier), un taux de migration élevé dès les premiers passages, la stabilité des performances sous charge, et une trajectoire de coût total de possession plus prévisible. Le cas d’un retailer migré sur une virtualisation distribuée illustre l’importance de ces critères.