BusinessLe Big Data6sem

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

Résumé IASource uniqueImpact UE

NTT DATA et NVIDIA s'associent pour s'attaquer à l'un des talons d'Achille de l'IA en entreprise : le fossé entre la démonstration et le déploiement opérationnel. Les deux groupes lancent conjointement des usines d'IA — des plateformes intégrées combinant la puissance de calcul GPU de NVIDIA, sa connectivité réseau haute performance et des logiciels d'IA d'entreprise — afin d'accompagner les organisations sur l'ensemble du cycle de vie de leurs projets, de l'entraînement des modèles jusqu'aux applications en production.

L'enjeu est considérable pour le secteur : une majorité de projets pilotes IA échouent à franchir le seuil de l'industrialisation, faute d'infrastructure adaptée et de gouvernance claire. En proposant une architecture standardisée, NTT DATA et NVIDIA entendent réduire à la fois le temps et le coût de ce passage critique, tout en intégrant des règles de conformité dès la conception. Pour les entreprises, cela représente un raccourcissement significatif du délai de retour sur investissement sur leurs initiatives IA.

Sur le plan technique, la plateforme repose sur deux briques logicielles NVIDIA : NeMo, une suite dédiée à la création de systèmes multi-agents sur GPU, et les microservices NIM, des conteneurs préconfigurés accompagnés d'API facilitant le déploiement applicatif. NTT DATA y ajoute des prototypes GenAI pré-qualifiés, prêts pour la production. Des cas d'usage concrets illustrent déjà l'approche : un centre de recherche oncologique utilise les plateformes NVIDIA HGX en collaboration avec NTT DATA et Dell Technologies pour accélérer les analyses radiologiques ; un équipementier automobile mondial valide ses charges de travail sur l'infrastructure avant déploiement, réduisant sensiblement ses délais de mise en production ; une entreprise technologique américaine s'appuie sur la simulation accélérée de NVIDIA pour tester virtuellement une ligne de production de batteries de nouvelle génération.

John Fanelli (NVIDIA) souligne que les entreprises ne cherchent plus de simples outils d'expérimentation, mais des environnements évolutifs capables de soutenir leurs initiatives à long terme. Si le modèle des usines d'IA semble prometteur, sa généralisation se heurtera inévitablement aux réalités de chaque secteur : hétérogénéité des systèmes existants, coûts d'infrastructure GPU et compétences internes nécessaires pour exploiter pleinement ces plateformes.

Impact France/UE

NTT DATA dispose d'une présence significative en Europe, rendant cette offre d'usines IA directement accessible aux DSI européens cherchant à industrialiser leurs déploiements GenAI.

Dans nos dossiers

NVIDIA

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1Le Big Data

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

Lors du GTC 2026, IBM et NVIDIA ont renforcé leur partenariat pour aider les entreprises à passer de l'expérimentation à un déploiement massif de l'IA, en s'attaquant aux freins liés aux données dispersées, aux infrastructures inadaptées et aux contraintes réglementaires. La collaboration intègre les GPU NVIDIA dans le moteur watsonx.data d'IBM via l'accélération SQL Presto, avec des résultats concrets : chez Nestlé, le temps de traitement des commandes est passé de 15 à 3 minutes (−83 %, performances ×30 dans 186 pays). L'offre couvre toute la chaîne IA — données structurées et non structurées (via Docling et les modèles Nemotron), infrastructure (IBM Storage Scale System 6000 certifié NVIDIA DGX) — pour une solution bout-en-bout en entreprise.

UENestlé, groupe suisse opérant dans 186 pays, a réduit son temps de traitement des commandes de 83% grâce à ce partenariat, démontrant un impact concret pour les grandes entreprises européennes qui cherchent à industrialiser leurs déploiements IA tout en respectant les contraintes réglementaires.

BusinessActu

1 source

2OpenAI Blog

Accenture et OpenAI accélèrent le succès entreprise de l'IA

Accenture partenaire avec OpenAI pour aider les entreprises à intégrer des capacités d'IA autonome dans leur fonctionnement principal, afin de débloquer de nouveaux potentiels de croissance.

UEAccenture, en collaboration avec OpenAI, aide les entreprises françaises et européennes à intégrer des capacités d'IA autonome dans leurs opérations, potentiellement stimulant la croissance et influençant le respect des futures réglementations comme l'AI Act.

BusinessOutil

1 source

3AI News

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

NTT DATA et NVIDIA s'associent pour proposer des "AI factories" d'entreprise — des plateformes full-stack intégrant les GPU NVIDIA, NeMo et NIM Microservices — permettant aux organisations de passer rapidement du pilote à la production à grande échelle. L'architecture couvre tout le cycle de vie de l'IA (entraînement, déploiement, gouvernance) dans des environnements cloud et edge. Parmi les premiers déploiements : un hôpital en oncologie pour l'analyse radiologique, un équipementier automobile pour réduire les temps de mise en production, et un fabricant américain utilisant la simulation accélérée pour valider une ligne de production de batteries.

UENTT DATA, présent en Europe, pourrait déployer ces plateformes d'IA industrielles auprès d'entreprises européennes dans les secteurs de la santé et de l'automobile.

OutilsActu

1 source

4MIT Technology Review

L'IA d'entreprise comme couche d'exploitation

La vraie ligne de fracture dans l'IA d'entreprise n'est pas celle que l'on suit habituellement dans les médias. Pendant que le débat public se focalise sur les benchmarks des modèles fondateurs, GPT contre Gemini, scores de raisonnement, gains marginaux de performance, l'avantage décisif se joue ailleurs : dans la couche opérationnelle, c'est-à-dire l'ensemble formé par les logiciels de workflow, la capture de données, les boucles de rétroaction et la gouvernance qui s'intercale entre les modèles d'IA et le travail réel. Des acteurs comme OpenAI et Anthropic vendent l'intelligence comme un service : on a un problème, on appelle une API, on obtient une réponse. Cette intelligence est généraliste, largement sans mémoire d'une session à l'autre, et de plus en plus interchangeable. À l'opposé, les organisations établies ont la possibilité de traiter l'IA comme une couche opérationnelle permanente : chaque exception, chaque correction, chaque validation humaine devient un signal d'apprentissage, et l'intelligence s'améliore à mesure que la plateforme absorbe davantage de travail. Ce modèle inverse la relation traditionnelle entre humains et machines. Dans une organisation de services classique, les opérateurs utilisent des logiciels pour effectuer un travail d'expert : la technologie est le médium, le jugement humain est le produit. Une plateforme pensée nativement pour l'IA renverse cette logique : le système ingère un problème, applique la connaissance accumulée du domaine, exécute de manière autonome ce qu'il peut traiter avec une haute confiance, et renvoie vers des experts humains uniquement les sous-tâches qui requièrent un jugement que le système ne maîtrise pas encore. Cette inversion n'est pas qu'un simple redesign d'interface, elle exige une matière première que les startups ne peuvent pas fabriquer rapidement : des données opérationnelles propriétaires, une large base d'experts dont les décisions quotidiennes génèrent des signaux d'entraînement, et une connaissance tacite accumulée sur des années quant à la façon dont le travail complexe se fait réellement. C'est là où réside le véritable enjeu stratégique de la décennie. Le récit dominant affirme que les startups agiles vont surpasser les acteurs établis en construisant des systèmes AI-native from scratch. Si l'IA était avant tout un problème de modèles, cette thèse tiendrait. Mais dans beaucoup de secteurs d'entreprise, c'est un problème de systèmes, intégrations, permissions, évaluation, gestion du changement, où l'avantage revient à ceux qui sont déjà ancrés dans des workflows à fort volume et à forts enjeux. La société Ensemble illustre cette approche avec une stratégie de "distillation de connaissance" : transformer l'expertise tacite et périssable des meilleurs opérateurs en signaux réutilisables, puis réinjecter ces résultats dans les workflows pour que le système continue à progresser. Les ingrédients existent déjà chez les acteurs historiques ; la question est de savoir qui saura les convertir en avantage compétitif durable avant que la fenêtre ne se referme.

BusinessOpinion

1 source