Comment NTT DATA et NVIDIA accélèrent le déploiement de l’IA en entreprise

GTC 2026 : IBM et NVIDIA accélèrent l’IA en entreprise avec une nouvelle stratégie

IBM et NVIDIA ont annoncé lors de la conférence GTC 2026 un renforcement majeur de leur partenariat stratégique, avec un objectif clairement affiché : aider les entreprises à franchir le cap du déploiement massif de l'IA. Face à un constat partagé dans l'industrie, de nombreuses organisations testent l'IA sans parvenir à l'industrialiser, les deux géants proposent une approche bout en bout couvrant les données, l'infrastructure et les outils de déploiement. L'obstacle principal à l'adoption à grande échelle n'est pas financier. Les investissements sont là, mais les freins structurels persistent : données dispersées et difficiles à exploiter, infrastructures inadaptées aux exigences de calcul de l'IA moderne, contraintes réglementaires dans les secteurs sensibles, et manque d'expertise interne pour orchestrer l'ensemble. C'est précisément ce triptyque, données, infrastructure, gouvernance, que le partenariat IBM-NVIDIA entend adresser de façon intégrée. Sur le plan technique, IBM intègre les GPU NVIDIA dans son moteur watsonx.data, notamment via l'accélération du moteur SQL Presto. Les résultats sont probants : lors d'un déploiement chez Nestlé, sur un système de suivi des commandes actif dans 186 pays, le temps de traitement est passé de 15 minutes à 3 minutes, soit une réduction de 83 % et un gain de performances global multiplié par 30. Pour les données non structurées, documents, rapports, contenus multimédias, les deux groupes combinent Docling (solution open source) et les modèles Nemotron de NVIDIA afin de les rendre exploitables par l'IA sans perte de traçabilité. Côté infrastructure, NVIDIA s'appuie sur le système de stockage IBM Storage Scale System 6000, certifié pour les plateformes NVIDIA DGX, garantissant une compatibilité optimale avec les environnements GPU haute performance. En perspective, IBM prévoit d'intégrer les puces NVIDIA Blackwell Ultra dans son cloud dès 2026, pour l'entraînement de modèles, l'inférence et le raisonnement avancé. Ces GPU seront également intégrés à Red Hat AI Factory, plateforme conçue pour simplifier le développement et le déploiement de projets IA. IBM Consulting accompagnera les entreprises via sa plateforme IBM Consulting Advantage, avec un accent particulier sur les organisations soumises à des contraintes de souveraineté des données, grâce à des solutions permettant un traitement 100 % local.

Cursor déploie l'IA au sein de l'entreprise

Pauline Brunet, vice-présidente de l'ingénierie déployée sur le terrain (forward deployed engineering) chez Cursor, a détaillé la stratégie d'entreprise de la startup lors d'un entretien avec Latent Space à l'occasion de l'AI Engineer World's Fair. Chez Cursor, plateforme de codage assistée par IA, cette fonction consiste à envoyer des ingénieurs directement chez les clients pour déployer des applications hautement configurables, adaptées à leurs systèmes et processus internes. L'équipe de Brunet travaille aujourd'hui avec des organisations issues des services financiers, des télécommunications, du développement logiciel, de la technologie et des semi-conducteurs, en aidant les directions IT et les CTO à mettre en place ce qu'elle appelle une "usine logicielle IA" (AI software factory), couvrant l'ensemble du cycle de vie du développement, de la planification à la maintenance en passant par l'écriture, la révision et les tests de code. Cursor prévoit de multiplier par dix la taille de cette équipe de forward deployed engineers d'ici la fin décembre. Le recrutement cible exclusivement des ingénieurs logiciels comptant au moins cinq ans d'expérience en production, capables de concevoir des systèmes et de faire des arbitrages techniques, tout en ayant une expérience significative de la relation client. Plusieurs recrues viennent d'entreprises comme Spotify, Rippling et Palantir, où elles avaient déjà déployé des systèmes en production pour des clients. Cette montée en puissance illustre un enjeu central de l'adoption de l'IA en entreprise : dépasser les usages individuels et isolés pour atteindre une transformation à l'échelle de l'organisation. Selon Brunet, le concept d'usine logicielle répond à un problème structurel actuel, à savoir que les différentes étapes du développement (conception, développement, gestion de produit) restent aujourd'hui cloisonnées entre équipes distinctes, chacune optimisant son propre travail avec l'IA de façon indépendante, sans cohérence d'ensemble. L'ambition de Cursor est de connecter ces silos pour créer un flux de travail unifié où les agents IA interviennent à chaque étape du cycle de développement logiciel. Ce virage traduit une évolution plus large du secteur de l'IA en entreprise, où le rôle de forward deployed engineer, à mi-chemin entre ingénierie logicielle, développement produit et implémentation client, s'impose comme une fonction stratégique. Il ne s'agit plus seulement de vendre un outil clé en main, mais d'accompagner sur le long terme des organisations complexes dans l'intégration d'agents IA à grande échelle, un mouvement que plusieurs acteurs de la tech observent de près alors que la compétition s'intensifie autour de l'automatisation du développement logiciel.

NTT DATA et NVIDIA déploient des usines d'IA d'entreprise à grande échelle

NTT DATA et NVIDIA franchissent une étape majeure dans l'industrialisation de l'IA d'entreprise avec le lancement d'une offre conjointe de « fabriques d'IA » prêtes pour la production. Cette initiative vise à fournir aux organisations un modèle reproductible et gouverné pour déployer l'IA à grande échelle, aussi bien dans le cloud qu'en environnement edge. L'enjeu est de taille : la majorité des programmes d'IA d'entreprise échouent non pas au stade du pilote, mais dans la transition vers un système opérationnel réel. C'est précisément ce fossé que la plateforme entend combler. En standardisant l'architecture autour du stack NVIDIA, GPU haute performance, réseau accéléré et logiciels NVIDIA AI Enterprise, NTT DATA réduit le temps et les coûts du passage du proof-of-concept à la production industrielle, tout en intégrant un cadre de gouvernance dès le départ. La plateforme s'appuie sur deux composants techniques centraux : NVIDIA NeMo, une suite pour construire des systèmes d'IA agentique sur infrastructure GPU, et NVIDIA NIM Microservices, des conteneurs pré-optimisés pour le déploiement d'applications IA via API. Trois cas d'usage concrets illustrent déjà le modèle : un hôpital spécialisé en oncologie utilise les plateformes NVIDIA HGX (avec Dell) pour l'analyse radiologique avancée ; un équipementier automobile mondial a réduit ses délais de mise en production grâce à une validation sur bare metal ; et un fabricant américain du secteur technologique simule une ligne de production de batteries nouvelle génération avant tout déploiement physique. Selon Abhijit Dubey, CEO de NTT DATA, l'objectif est d'offrir « un environnement puissant et sécurisé pour adopter l'IA agentique avec des retours mesurables dès le départ ». NTT DATA se distingue en étant le seul prestataire mondial de services IT présent sur les trois pistes partenaires de NVIDIA simultanément : Solution Provider, Cloud Partner et Global System Integrator. Dans un contexte où les directions financières exigent désormais des retours sur investissement concrets, ce positionnement de bout en bout pourrait s'avérer décisif.

Les prérequis pour réussir le déploiement de l’IA à l’échelle de l’entreprise

Beaucoup d'entreprises savent aujourd'hui construire un prototype d'intelligence artificielle en quelques semaines, mais peinent ensuite à le faire passer en production. Le problème ne se situe pas dans la phase de preuve de concept, généralement rapide et peu coûteuse, mais dans l'étape suivante : connecter l'outil au système d'information existant, l'ouvrir à des centaines voire des milliers d'utilisateurs internes, et garantir sa disponibilité et sa fiabilité dans la durée. Un POC, construit sur un jeu de données restreint et testé par une poignée d'utilisateurs, ne dit rien de la capacité d'un système à tenir la charge, à s'intégrer aux outils métiers déjà en place, ou à respecter les contraintes de sécurité et de conformité propres à une organisation. Cette difficulté a des conséquences concrètes pour les directions informatiques et les métiers : des projets IA prometteurs restent bloqués au stade pilote, sans jamais générer la valeur attendue, tandis que les budgets et l'attention se dispersent sur de multiples expérimentations non industrialisées. Pour les entreprises, l'enjeu n'est plus de prouver que l'IA fonctionne, mais de démontrer qu'elle peut être déployée de façon robuste, mesurable et pérenne, au même titre que n'importe quelle autre brique du système d'information. Ce constat s'inscrit dans une phase de maturation plus large du marché de l'IA en entreprise, où l'expérimentation tous azimuts des deux dernières années cède peu à peu la place à des exigences d'industrialisation : gouvernance des données, supervision des modèles, formation des équipes et alignement avec les processus métiers existants. Les organisations qui réussissent ce passage à l'échelle sont celles qui traitent l'IA comme un projet technique et organisationnel à part entière, doté de ressources, de compétences et d'une feuille de route dédiées, plutôt que comme une simple extension de leurs initiatives d'innovation.

💬 Selon Le Fil IA : le vrai coût de l'IA en entreprise n'est pas dans le prototype, il est dans la plomberie qu'on ne montre jamais en démo. Tout le monde sait faire un POC qui claque en trois semaines, mais brancher ça sur le SI existant, tenir la charge avec mille utilisateurs, respecter la conformité, c'est un métier différent. D'ailleurs c'est là que la plupart des projets meurent, pas sur la techno elle-même mais sur l'industrialisation qu'on a sous-budgétée dès le départ.