LinkedIn, Walmart et Zendesk expliquent comment ils adaptent leur infrastructure à la vitesse des agents IA (VB Transform 2026)

« Nous avons peut-être 20 mois » pour rebâtir face aux agents IA, selon la VP infrastructure de Meta à VB Transform 2026

Meta doit reconstruire son infrastructure pour un monde ou les agents IA, et non plus les humains, deviennent les principaux utilisateurs des systemes de donnees. C'est le message qu'a livre Barak Yagour, vice-president ingenierie charge de l'infrastructure de donnees chez Meta, lors de sa keynote a VB Transform 2026, ou il est monte sur scene avec des lunettes Ray-Ban Meta AI sur le nez. Selon lui, les requetes agentiques touchant les systemes de donnees de Meta ont ete multipliees par 30 en un seul semestre, un renversement qui bouscule des hypotheses batties depuis vingt ans. Ce phenomene depasse largement Meta : le trafic automatise a depasse le trafic humain sur internet des l'an dernier, atteignant 51% du total selon le rapport 2025 Bad Bot d'Imperva, et il croit environ huit fois plus vite que le trafic humain d'apres le rapport 2026 sur le trafic IA de HUMAN Security. Yagour identifie trois piliers qui vacillent simultanement : la capacite, l'identite et la vitesse. Sur la capacite, un seul ingenieur peut desormais faire tourner dix agents, chacun generant des sous-agents, de sorte qu'une organisation de 1000 personnes peut produire une charge equivalente a 100 000 utilisateurs du jour au lendemain. Sur l'identite, un agent ne correspond a aucune categorie existante des controles d'acces : ni utilisateur humain avec badge, ni service deploye classique, alors qu'il prend des decisions de maniere autonome. Sur la vitesse, Yagour cite le chiffre selon lequel GitHub Copilot redige 46% du code moyen d'un utilisateur, tout en rappelant que ce code doit encore etre teste, deploye et surveille, un pipeline CI/CD qui ne s'accelere pas simplement parce que l'auteur est une machine. Cette transformation a des consequences concretes pour toutes les entreprises qui integrent des agents IA dans leurs operations. Plutot que de bloquer le trafic genere par les agents, Yagour preconise de rendre l'infrastructure elle-meme consciente de leur presence, avec des controles dynamiques capables de comprendre les hierarchies d'agents, une attribution des couts qui remonte jusqu'au cas d'usage a l'origine, et un throttling adaptatif selon la priorite. L'enjeu depasse la seule performance technique : il s'agit de repenser la gouvernance a l'heure ou les analystes humains, qui servaient traditionnellement de filtre informel entre donnees brutes et decisions metier, sont progressivement remplaces par des systemes automatises. Chez Meta, cette bascule s'est deja traduite concretement : en fevrier, l'entreprise a lance ses "agentic data apps", et en seulement trois mois, 63% des tableaux de bord publies en interne ont ete construits avec ces nouveaux outils, portes par la meme croissance de 30x des requetes agentiques. Face au risque de chaos que representerait une autonomie sans garde-fous, Meta a mis en place des "environnements de donnees de confiance" : les agents peuvent y explorer librement les donnees, mais chaque resultat produit reste tracable jusqu'a sa source et fait l'objet d'un controle, avec un masquage systematique des champs sensibles avant diffusion. Pour Yagour, l'urgence est reelle : les organisations disposeraient d'environ vingt mois pour operer cette transition avant que l'ecart avec les infrastructures pensees pour les humains ne devienne intenable.

💬 Vingt mois, ça fait un chiffre qui va piquer pas mal de DSI qui pensaient avoir encore le temps. Le vrai basculement, ce n'est pas la charge, c'est l'identité : le goulot d'étranglement de l'IA agentique, c'est qu'on n'a toujours pas inventé le badge d'accès pour un agent, qui ne rentre ni dans la case utilisateur ni dans la case service. Reste à voir si les "environnements de confiance" de Meta tiennent en prod, parce que sur le papier c'est propre, mais tracer chaque résultat jusqu'à sa source à l'échelle de milliers d'agents, ça va coûter cher en ingénierie avant de coûter cher en compute.

La mise en production de l'IA à grande échelle oblige les entreprises à repenser leur infrastructure

Le déploiement de l'intelligence artificielle à grande échelle est en train de redessiner l'architecture informatique des entreprises. C'est le constat que dressent Tarkan Maner, président et directeur commercial de Nutanix, et Thomas Cornely, vice-président exécutif en charge du produit, qui observent une bascule profonde dans la façon dont les organisations abordent l'IA. Après des mois de prototypes et d'expérimentations dans le cloud, les entreprises cherchent désormais à déployer ces systèmes sur des charges de travail réelles, pour des milliers d'utilisateurs simultanés. Cornely résume l'écart : "Faire un prototype, c'est une chose. Déployer ce prototype pour 10 000 employés, c'en est une autre." La montée en puissance des agents IA, capables d'enchaîner des tâches complexes en toute autonomie, amplifie encore cette pression : les infrastructures doivent gérer des workflows multi-étapes, des charges imprévisibles en temps réel, et coordonner l'accès aux données entre équipes. Ce passage du pilote à la production révèle des contraintes pratiques que l'expérimentation en cloud avait masquées. Les questions de gouvernance des données, de contrôle, de sécurité et de coût prennent rapidement le dessus dès que les volumes augmentent. Les cas d'usage qui progressent le plus vite sont la recherche documentaire et la récupération de connaissances, la détection prédictive des menaces en cybersécurité, les workflows de développement logiciel, et le support client. Dans le secteur bancaire, notamment en Europe et aux États-Unis, des établissements déploient déjà des outils de reconnaissance faciale et de détection prédictive des cyberattaques pilotés par l'IA. L'enjeu n'est pas de remplacer les décisions humaines, mais de trouver le bon équilibre entre l'automatisation et l'intervention humaine, ce que Maner résume par l'idée d'une "harmonie" entre agents IA, robotique et capital humain, optimisée pour de meilleurs résultats opérationnels. Cette transformation s'inscrit dans un contexte de mutation accélérée qui touche l'ensemble des secteurs, des industries réglementées comme la banque, la santé et les administrations publiques jusqu'à la distribution et la manufacture. Des frameworks comme OpenClaw facilitent désormais la création d'agents par des équipes qui n'ont pas de compétences en infrastructure IA, ce qui accroît la pression sur les plateformes chargées de sécuriser ces déploiements. La trajectoire dominante est claire : débuter dans le cloud pour accéder rapidement aux ressources, puis rapatrier les applications critiques sur site à mesure qu'elles entrent en production, sur des plateformes qui résolvent les problèmes de sécurité et de coût à la fois. Nutanix se positionne explicitement sur ce segment, voyant dans cette transition une opportunité de croissance majeure à mesure que les entreprises cherchent des partenaires capables d'accompagner l'IA de l'expérimentation au déploiement industriel.

NVIDIA ouvre son informatique IA à grande échelle et invite ses partenaires à soutenir le développement de l'infrastructure IA

NVIDIA a dévoilé un nouveau modèle économique destiné à ouvrir l'accès à ses infrastructures de calcul aux startups d'IA, créateurs de modèles, entreprises et organismes de recherche qui manquaient jusqu'ici de capital pour financer des équipements aussi coûteux. Ce dispositif repose sur un partage de revenus avec des "AI clouds" partenaires : ces fournisseurs de cloud vendront des services alimentés par la technologie NVIDIA, l'entreprise percevant à la fois le revenu classique lié à la vente de matériel et une part des revenus générés par la capacité mise à disposition. Deux entreprises figurent parmi les premières à s'engager dans ce cadre. Sharon AI va déployer jusqu'à 40 000 GPU NVIDIA Grace Blackwell GB300, dans ce que son cofondateur et PDG James Manning décrit comme une étape clé de la mission de l'entreprise pour offrir une infrastructure de calcul IA souveraine et à grande échelle. Firmus, de son côté, construit un site "DSX AI factory" à Batam, en Indonésie, dont la puissance devrait atteindre 360 mégawatts pour jusqu'à 170 000 GPU NVIDIA. Selon Tim Rosenfield, co-PDG de Firmus Technologies, les entreprises spécialisées en IA ont besoin d'un accès à une infrastructure de calcul évolutive, économe en énergie et en coûts, pour rester compétitives à l'échelle mondiale. Cette initiative répond à un changement structurel de la demande en calcul : l'IA passe désormais du stade de l'entraînement de modèles à celui de la production à grande échelle, avec des "usines à IA" qui doivent tourner en continu pour générer des tokens en volume. Or les jeunes pousses du secteur peinaient à obtenir des financements pour ce type d'infrastructure, même lorsqu'elles disposaient d'engagements clients à long terme, faute de garanties suffisantes pour les prêteurs. En alignant ses intérêts économiques sur ceux des clouds partenaires, NVIDIA espère accélérer l'adoption de ses plateformes par le segment le plus dynamique du marché, tout en s'assurant un flux de revenus récurrent indexé sur l'usage réel. Pour les créateurs de modèles, fournisseurs d'inférence et plateformes d'agents, cela signifie un accès plus rapide à du calcul accéléré de bout en bout, sans avoir à attendre les longues étapes de sélection de site, d'approvisionnement énergétique, de construction et de mise en service du matériel. Des acteurs déjà bien installés dans l'écosystème, comme Baseten, Fireworks AI et Together AI, illustrent où se dirige la demande : ils ont besoin d'un accès immédiat à de la capacité cloud pour l'entraînement, le post-entraînement, l'ajustement fin et l'inférence agentique à fort volume, au service de développeurs et d'entreprises qui déploient l'IA en production. Leurs clients recherchent un accès fiable à du calcul NVIDIA à mesure que leur usage grandit, tout en gardant une flexibilité commerciale pour passer du stade pilote à la production. Ce nouveau modèle s'inscrit dans la stratégie plus large de NVIDIA de structurer un réseau mondial de partenaires cloud et d'usines à IA, conçu pour soutenir la montée en puissance rapide de l'intelligence artificielle générative et agentique dans les prochaines années.

💬 NVIDIA ne vend plus juste des puces, il devient actionnaire de la demande : en prenant une part des revenus de ses clouds partenaires, il aligne son intérêt sur le taux d'usage réel des GPU, pas sur le seul volume de vente. Bon, sur le papier ça débloque enfin les startups qui avaient les clients mais pas les garanties bancaires pour financer une usine à IA. Reste que ça renforce encore la dépendance de tout l'écosystème inférence à un seul fournisseur, et ça, ça devrait inquiéter plus de monde que ça n'en a l'air.

Merck et Mastercard obtiennent des résultats concrets avec les agents IA : l'infrastructure d'abord

Merck accélère sa recherche médicamenteuse d'un tiers et produit ses supports marketing conformes 70 à 80 % plus vite grâce à des agents d'intelligence artificielle, selon Sean Finnerty, vice-président des plateformes digitales du groupe pharmaceutique américain, qui s'exprimait lors d'un récent événement AI Impact Series. Concrètement, les brouillons de campagnes marketing générés par l'IA sont conformes à la réglementation à 99 %, réduisant les cycles de révision de plusieurs mois à quelques jours. En recherche scientifique, un cycle de découverte médicamenteuse a été raccourci d'un tiers, soit environ un an gagné avant qu'un traitement n'atteigne les patients. Derrière ces résultats, une infrastructure imposante : 2 500 comptes AWS, de nombreux abonnements Microsoft Azure, des intégrations Google Cloud Platform, 47 sites périphériques et des centaines de bases de données stockant plusieurs pétaoctets de données structurées et non structurées, répartis entre Oracle, SQL, Excel, transcriptions téléphoniques et autres dépôts. Ces gains ne sont pas tombés du ciel. Finnerty insiste sur un principe qu'il nomme la stratégie "plomberie d'abord" : avant de déployer des agents, il faut bâtir l'infrastructure qui les rend fiables, sécurisés et interopérables. Sans cela, chaque projet isolé devient une dette technique. Pour Merck, l'enjeu est particulièrement fort dans le domaine réglementaire : une campagne vaccinale dans l'État de Géorgie répond à des règles différentes de celle lancée au Canada, et la moindre erreur peut avoir des conséquences légales. L'IA prend désormais en charge les premières ébauches, là où des équipes humaines effectuaient auparavant de longues boucles de validation, libérant du temps pour des tâches à plus forte valeur ajoutée. La leçon tirée par Merck s'appuie directement sur l'expérience du passage au cloud dans les années 2010, une période que Finnerty décrit comme chaotique, mais dont les entreprises qui ont correctement posé les bases ont finalement tiré le meilleur parti. Le groupe s'appuie aujourd'hui sur plusieurs solutions en parallèle, Databricks, Amazon Redshift et d'autres, car "il n'existe pas de solution unique pour résoudre chaque problème". L'objectif affiché est d'intégrer ces couches d'infrastructure aux protocoles émergents comme MCP (Model Context Protocol) et A2A (Agent2Agent), pour permettre aux agents de fonctionner de façon fluide quelle que soit la plateforme cloud sous-jacente. Avec des milliers d'agents à venir selon Finnerty, la question de leur enregistrement, de leur sécurisation et de leur accès aux bonnes données devient un enjeu stratégique autant que technique.