Accenture et Google Cloud lancent l’Accenture Gemini Enterprise Business Group, une nouvelle entité mondiale destinée à accompagner les entreprises dans le déploiement de la plateforme d’IA agentique Gemini Enterprise.
Cette structure s’inscrit dans l’Accenture Google Business Group et représente, selon les deux partenaires, un investissement conjoint significatif, dont le montant n’a pas été précisé.
Jusqu’à 1 000 ingénieurs déployés chez les clients
Le cœur du dispositif repose sur le modèle du « forward deployed engineer » (FDE), popularisé par Palantir, qui consiste à envoyer des ingénieurs travailler directement dans les locaux des clients pour concevoir et construire des applications d’IA sur mesure.
Google Cloud va former jusqu’à 1 000 FDE d’Accenture, qui viendront s’ajouter aux experts sectoriels et fonctionnels du cabinet de conseil chargés d’aider à industrialiser ces déploiements.
Un petit groupe de FDE propres à Google Cloud interviendra également, mais seulement sur des engagements limités auprès de très grands comptes.
Accenture revendique déjà près de 50 000 professionnels formés aux technologies Google Cloud. L’organisation doit se concentrer sur quatre priorités : l’adoption de Gemini Enterprise via des accélérateurs et méthodologies dédiés, la construction de solutions sectorielles réutilisables, la mise en place de centres de capacités pour transformer les expérimentations en déploiements à l’échelle de l’entreprise, et enfin l’accompagnement au changement pour favoriser l’adoption par les utilisateurs.
Les deux entreprises citent un premier cas d’usage concret : YouTube.
La plateforme a déployé un agent Gemini Enterprise pour absorber les pics de demande liés au NFL Sunday Ticket, avec à la clé une amélioration de 11 % de la satisfaction client et une réduction de 37 % du temps de traitement moyen des demandes.
Convaincre des clients encore hésitants
Pour Julie Sweet, présidente et directrice générale d’Accenture, les entreprises ont cru la promesse de l’IA mais peinent à la concrétiser et demandent désormais de l’aide pour y parvenir.
Ce constat rejoint les difficultés largement documentées depuis près de quatre ans, soit depuis le lancement de ChatGPT : le retour sur investissement de l’IA générative en entreprise reste inégal, freiné par les difficultés d’intégration aux systèmes existants et de personnalisation aux besoins métiers.
Thomas Kurian, le patron de Google Cloud, pointe une difficulté plus profonde. Au-delà des questions techniques, les entreprises peinent à comprendre comment repenser leurs processus métiers avec l’IA, et comment faire évoluer leur organisation et leurs effectifs en conséquence.
C’est précisément ce que la nouvelle entité doit adresser, selon les deux dirigeants.
Un modèle déjà éprouvé, dans un marché encombré
Avant même la création officielle de ce groupe, Accenture opérait déjà avec des FDE organisés en « pods », associant ingénieurs et experts métiers, process et données, travaillant à la fois avec les directions informatiques et de plus en plus avec les directions fonctionnelles comme les directions financières.
Les FDE transmettent ensuite généralement le projet à d’autres équipes d’Accenture chargées de la montée en charge.
Ce positionnement s’inscrit dans une tendance du secteur.
En août, Google n’a pas chômé. De nouveaux composants conçus pour Gemini dans la gamme Pixel 11, le déploiement de Gemini Omni 1.1 Flash et le lancement de Gemini dans Chrome sur Android. En sus, le géant introduit des outils vocaux utilisables en mode mains libres dans Google Workspace et Gemini Live. Et cette semaine n’échappe pas à la cadence imposée. « Dans le prolongement de la dynamique créée par 3.7 Flash, lancé il y a trois semaines, nous présentons aujourd’hui Gemini 3.8 », annonce fièrement Google.
Sur CyberGym, plateforme de référence du secteur pour la détection des vulnérabilités, Gemini 3.8 Flash Cyber affiche des performances de pointe en matière de découverte autonome de vulnérabilités.
En observant les annonces des dix-huit derniers mois, un constat s’impose. Éditeurs de cybersécurité, spécialistes de l’API Management, plateformes de données, fournisseurs cloud et acteurs nés avec l’IA développent des fonctions qui répondent aux mêmes problématiques. Leur objectif : contrôler les appels aux modèles de langage, appliquer des politiques de sécurité, maîtriser les coûts et gouverner les agents, tout en traçant leurs interactions et en limitant la dépendance à un fournisseur unique.
Tous cherchent, avec des approches différentes, à devenir le point de contrôle entre le système d’information et l’IA.
Dans l’histoire des infrastructures IT, ce type de convergence a souvent annoncé l’émergence d’une nouvelle catégorie de logiciels. Mais elle peut aussi annoncer autre chose : une course où chaque acteur tente d’imposer son propre control plane, au risque de recréer, autour de l’IA, la fragmentation que les AI Gateways sont précisément censés résoudre.
Les éditeurs cyber veulent protéger les agents
Les plateformes de cybersécurité ont été conçues pour protéger des utilisateurs, des postes de travail, des serveurs ou des applications. L’essor des agents IA introduit une nouvelle catégorie d’entités numériques : elles disposent de droits d’accès, utilisent des identités techniques, consultent des données et exécutent des actions de façon autonome. Elles deviennent donc elles-mêmes une nouvelle surface d’attaque.
Le cas de Palo Alto Networks illustre bien cette bascule, avec un calendrier resserré. En mars 2026, l’éditeur lance Prisma AIRS 3.0, avec un module « AI Agent Gateway » alors en accès limité. Fin avril, il annonce son intention de racheter Portkey, l’un des éditeurs d’AI Gateway les plus établis ; l’acquisition est finalisée le 29 mai. Six semaines plus tard, le 22 juillet, il annonce la disponibilité générale de Prisma AIRS AI Gateway, qui intègre directement la technologie de Portkey.
Dans sa communication, Palo Alto Networks avance un chiffre destiné à illustrer l’accélération du phénomène. Selon les données observées par l’éditeur, la part du trafic réseau d’entreprise liée au protocole MCP serait passée de 11 % fin 2025 à plus de 41 % à la mi-2026. Un chiffre fourni par l’éditeur, à considérer comme un indicateur de tendance plutôt que comme une mesure indépendante du marché.
CrowdStrike suit une trajectoire différente, centrée sur l’identité des agents. En juin dernier, l’éditeur lance « Continuous Identity for AI Agents », une fonctionnalité de Falcon issue de la technologie de SGNL, rachetée pour 740 millions $. Le principe est de réévaluer en permanence les droits d’un agent, action après action, plutôt que de lui accorder un accès permanent. CrowdStrike ne cherche toutefois pas à devenir lui-même une AI Gateway. L’éditeur mise sur une stratégie d’écosystème, avec des intégrations à plusieurs gateways, dont Kong, LiteLLM, Databricks, Microsoft Azure, TrueFoundry et Google Cloud
Cisco avance sur un terrain proche avec Duo, qui traite désormais l’agent comme un objet d’identité à part entière, avec ses propres règles d’authentification et son propre cycle de vie. Zscaler, enfin, a présenté en juin 2026 ce qu’il revendique comme la première plateforme Zero Trust complète pour l’IA agentique, avec un « AI Broker » pour l’accès aux agents et un « AI Access Graph » pour cartographier les liens entre identités, applications et données. Une extension directe de sa logique réseau historique aux flux agent-à-agent et aux appels MCP, plus difficiles à intercepter que du trafic utilisateur classique.
Ces trajectoires différentes traduisent une même logique : chaque cyberéditeur cherche à prolonger son point de contrôle historique jusqu’aux agents. L’AI Gateway devient ainsi l’une des nouvelles interfaces de la logique Zero Trust où l’on vérifie non seulement qui est autorisé à agir mais aussi ce que l’agent peut faire et dans quel contexte.
Les spécialistes des API veulent éviter d’être contournés
Pour les acteurs de l’API Management, la problématique est différente. Depuis quinze ans, les API Gateway occupent une place stratégique dans les systèmes d’information : une part importante des échanges applicatifs y transite, et les équipes d’architecture y définissent l’authentification, la limitation de débit, la supervision et le routage.
L’IA pourrait remettre en cause cette position. Si les développeurs appellent directement les modèles de langage sans passer par l’infrastructure existante, une partie croissante des échanges risque d’échapper aux plateformes de gouvernance déjà en place. Les spécialistes des API cherchent donc à étendre leur périmètre plutôt qu’à laisser une infrastructure parallèle émerger.
L’exemple de Kong est représentatif : l’éditeur présente son AI Gateway comme une extension de plugins sur sa plateforme Kong Konnect existante. Les flux applicatifs continuent de transiter par la même infrastructure, mais sont désormais aussi dirigés vers des modèles de langage, avec les mêmes mécanismes d’authentification et de quotas déjà en place pour les API classiques.
Google fait évoluer Apigee dans une direction similaire, en l’articulant à la nouvelle plateforme d’agents que le groupe a lancée en avril 2026 en rebaptisant Vertex AI en Gemini Enterprise Agent Platform. Un changement qui va au-delà du nom, puisqu’il absorbe aussi Agentspace et repositionne l’ensemble autour de la construction, du déploiement et de la gouvernance d’agents plutôt que du seul entraînement de modèles.
D’autres éditeurs d’API Management plus spécialisés, comme Gravitee, Tyk ou WSO2, suivent une trajectoire comparable en ajoutant des fonctions de routage LLM, de gouvernance MCP et de suivi des coûts d’inférence à leurs plateformes existantes.
Le principe reste le même dans tous les cas : réutiliser les mécanismes déjà déployés pour les API ( authentification, quotas, journalisation, observabilité ) plutôt que de les faire reconstruire par chaque équipe projet pour l’IA. L’IA ne crée pas une infrastructure parallèle ; elle prolonge l’architecture existante.
Les plateformes de données veulent rapprocher les agents des données
Une troisième famille avance avec une approche différente : les plateformes de données. La conviction est que la valeur de l’IA ne réside pas uniquement dans le modèle, mais surtout dans les données auxquelles il accède.
Snowflake en fournit une première illustration. Fin mai 2026, l’éditeur annonce l’acquisition de Natoma, spécialiste de la gouvernance du protocole MCP. Deux mois plus tard, il lance Cortex AI Gateway pour contrôler les interactions des agents avec les modèles, les outils, les serveurs MCP et les données de l’entreprise.
La solution s’adresse aussi bien aux agents natifs de Snowflake qu’à ceux développés sur des plateformes tierces comme Claude Code ou Cursor, et s’intègre notamment avec Okta, SailPoint et 1Password pour la gestion des identités.
Databricks suit une trajectoire comparable avec Unity AI Gateway. Construit sur Unity Catalog, le service transpose aux modèles et aux agents les mécanismes de gouvernance déjà appliqués aux données : permissions, traçabilité et audit. Il ajoute des fonctions spécifiques à l’IA, comme le contrôle des dépenses, le routage entre fournisseurs et la prévention des fuites de données personnelles.
Databricks revendique déjà plusieurs milliers de clients utilisant Unity AI Gateway, dont Rivian, Asana et Edmunds. Selon l’éditeur, plus d’un quadrillion de tokens ont transité par la gateway au cours des douze derniers mois.
L’éditeur a par ailleurs choisi une approche ouverte en intégrant à Unity AI Gateway des spécialistes de la sécurité, dont CrowdStrike, Palo Alto Networks et Zscaler. L’objectif est de permettre aux entreprises de conserver leurs outils de sécurité existants tout en les appliquant aux interactions avec les modèles, les agents et les outils. Une logique d’écosystème qui contraste avec les plateformes cherchant à intégrer l’ensemble des fonctions de sécurité en interne.
Les annonces successives de Snowflake et Databricks montrent que la gouvernance des agents est en train de devenir un nouveau terrain de concurrence pour les plateformes Data & IA. Leur avantage est de pouvoir prolonger vers les modèles et les agents les politiques de contrôle déjà appliquées aux données, sans nécessairement ajouter une couche de gouvernance indépendante.
Les hyperscalers avancent en ordre dispersé
Une quatrième famille d’acteurs, les hyperscalers, aborde le problème sous un angle différent : intégrer les fonctions de gouvernance de l’IA à leur propre environnement plutôt que de les vendre comme un produit autonome.
AWS a lancé Amazon Bedrock AgentCore Gateway, qui fournit un point d’accès unique aux agents pour accéder à des outils, des serveurs MCP et d’autres agents via A2A. La plateforme peut également router les requêtes vers différents fournisseurs de modèles et connecter des services comme Salesforce, Slack, Jira ou Asana.
Microsoft combine deux briques complémentaires. Azure API Management fournit les fonctions d’AI Gateway, tandis qu’Entra Agent ID, disponible généralement depuis mai 2026, attribue une identité propre aux agents et permet d’en contrôler les accès, y compris lorsqu’ils sont construits sur des plateformes tierces.
Google a choisi une approche plus intégrée. Avec le lancement de Gemini Enterprise Agent Platform, qui succède à Vertex AI, l’éditeur regroupe dans une même plateforme la construction, le déploiement et la gouvernance des agents, plutôt que de présenter l’AI Gateway comme une brique autonome.
L’avantage de cette approche est net pour une DSI déjà engagée sur un cloud donné : l’identité, la facturation et une partie de l’observabilité restent dans le même environnement, sans couche supplémentaire à opérer. La contrepartie l’est tout autant : dans un contexte multicloud, ces trois approches ne se substituent pas les unes aux autres, et une entreprise utilisant AWS, Azure et Google Cloud simultanément peut se retrouver avec trois mécanismes de gouvernance de l’IA distincts plutôt qu’une couche transverse unique.
Les acteurs AI-native : les pionniers de la gateway IA
Une dernière catégorie est née directement avec les applications d’IA. Des acteurs comme LiteLLM, Helicone, OpenRouter ou Portkey ont construit leurs offres autour de besoins apparus avec les LLM : router les requêtes entre plusieurs modèles et fournisseurs, suivre la consommation, gérer les clés et les coûts ou observer les interactions des agents.
Portkey illustre toutefois la difficulté pour ces spécialistes de conserver leur indépendance lorsque le marché se structure. Racheté par Palo Alto Networks en mai 2026, l’éditeur montre comment les fonctions développées par les acteurs AI-native peuvent être progressivement intégrées à des plateformes plus larges de cybersécurité, d’API Management, de données ou de cloud.
Ce que révèle cette convergence
Le rapprochement de ces cinq familles d’acteurs montre que l’AI Gateway devient une couche stratégique de contrôle de l’IA. Mais cette convergence ne conduira pas forcément à une gateway unique : le marché pourrait plutôt voir coexister plusieurs briques capables de coopérer.
Pour les DSI, la question sera donc de savoir où placer le point de contrôle principal et comment faire interagir les autres briques avec lui. Faute de coordination, la multiplication des offres pourrait paradoxalement recréer une nouvelle fragmentation de la gouvernance de l’IA.
Pendant plusieurs années, la croissance du cloud public reposait principalement sur la migration des applications et des infrastructures d’entreprise.
Les derniers résultats trimestriels d’Amazon, de Microsoft et d’Alphabet montrent que le moteur a changé. L’IA générative est devenue le principal facteur de consommation de ressources cloud, qu’il s’agisse de l’entraînement des modèles, de leur inférence ou de l’exécution d’agents IA.
Mais si les trois hyperscalers affichent une accélération de leur activité cloud, leur trajectoire sont différentes. Microsoft conserve la croissance la plus élevée, AWS retrouve un rythme qu’il n’avait plus connu depuis plusieurs années et Google Cloud poursuit sa progression en s’appuyant sur l’adoption de Gemini et de Vertex AI.
AWS retrouve une croissance de près de 40 %
Amazon Web Services enregistre un chiffre d’affaires trimestriel de 42,2 milliards $, en progression de 37 % sur un an. Il s’agit de sa croissance la plus élevée enregistrée depuis plusieurs années.
Pour Andy Jassy, le patron d’Amazon, cette accélération est directement liée aux investissements des entreprises dans l’IA générative. Le groupe met notamment en avant la progression de l’adoption d’Amazon Bedrock, la demande pour ses puces Trainium ainsi que l’utilisation croissante des infrastructures GPU destinées à l’inférence.
Le successeur de Jeff Bezos indique également que la demande dépasse encore les capacités actuellement disponibles. Et d’affirmer qu’une partie des capacités de calcul prévues pour 2027 est déjà réservée par des clients.
Pour soutenir cette demande, Amazon prévoit désormais 220 milliards $ de dépenses d’investissement en 2026, principalement consacrées au développement de nouveaux datacenters et de capacités de calcul destinées à l’IA.
Azure maintient la dynamique la plus forte
Microsoft conserve la croissance cloud la plus élevée parmi les grands hyperscalers.
Azure affiche une progression de 43 % sur un an tandis que l’ensemble de l’activité Microsoft Cloud atteint 59,3 milliards $ de chiffre d’affaires trimestriel, en hausse de 27 %.
Le groupe attribue cette performance à la diffusion croissante de ses offres d’IA, notamment Azure AI et Microsoft 365 Copilot. Microsoft indique désormais compter plus de 30 millions d’utilisateurs payants de Microsoft 365 Copilot.
Autre indicateur mis en avant : Azure génère désormais plus de 100 milliards $ de chiffre d’affaires annuel, confirmant le changement d’échelle de la plateforme.
Malgré l’ampleur des investissements réalisés dans les infrastructures IA, Microsoft maintient son programme de dépenses d’investissement de 175 milliards $ pour l’exercice 2026.
Google Cloud poursuit son accélération
Google Cloud confirme également une nette accélération de sa croissance. Pour son deuxième trimestre fiscal, la division a généré 24,8 milliards $ de chiffre d’affaires, en hausse de 82 % sur un an. Son résultat opérationnel atteint 8,8 milliards $, contre 2,8 milliards un an plus tôt, tandis que son carnet de commandes progresse à 514 milliards $.
Le groupe met notamment en avant l’adoption de Gemini Enterprise, désormais utilisé par près de 90 % des entreprises du Fortune 100, ainsi que la progression de Vertex AI et des infrastructures Google Cloud Platform (GCP) dédiées à l’IA.
Alphabet a relevé ses prévisions pour 2026 et prévoit désormais des dépenses d’investissement comprises entre 195 et 205 milliards $ principalement destinées au développement de ses centres de données et de ses infrastructures de calcul pour l’IA.
Ce trimestre confirme le changement d’échelle de Google Cloud. Longtemps distancé par AWS et Azure, le troisième hyperscaler mondial affiche désormais la croissance la plus rapide du marché.
Une compétition qui se déplace vers la capacité d’exécution
Les trois fournisseurs soutiennent que la capacité de calcul devient un facteur de différenciation aussi important que les modèles d’IA eux-mêmes. Leurs performances illustrent cette évolution : le cloud devient la plateforme d’exécution de l’IA d’entreprise, combinant puissance de calcul, modèles de langage, outils de développement, services d’inférence et applications
Pour les DSI, cette évolution pourrait avoir des conséquences directes sur la planification des projets IA. Les capacités disponibles, les délais de mise à disposition des ressources ou encore les engagements contractuels avec les fournisseurs cloud pourraient devenir des critères de sélection aussi importants que les fonctionnalités des plateformes.
L’IA générative transforme profondément nos usages numériques. Cependant, envoyer des données privées sur des serveurs distants inquiète légitimement. L’architecture Apple Private Cloud Compute apporte une réponse inédite à ce problème. Cette technologie prolonge la sécurité ultra-stricte de nos appareils directement dans le cloud.
Cette infrastructure a été conçue pour propulser Apple Intelligence. Elle rompt radicalement avec le modèle du cloud traditionnel. Le système exclut tout traitement opaque ainsi que les accès pour les administrateurs. Cet article décrypte ses fondations, son ouverture récente à des tiers et son impact futur.
Définition et concept d’Apple Private Cloud Compute
Le Apple Private Cloud Compute est une infrastructure de serveurs distants dédiée à l’intelligence artificielle. Ce système prend le relais lorsque votre appareil local manque de ressources matérielles. Il s’active spécifiquement pour exécuter les modèles d’IA les plus lourds. Cette solution décentralisée offre ainsi une puissance de calcul indispensable au quotidien.
Contrairement au cloud standard, il applique les mêmes exigences de confidentialité qu’un processeur sécurisé local. Les serveurs forment un environnement de calcul totalement isolé du monde extérieur. Cet espace hautement protégé est conçu pour sanctuariser la vie privée des utilisateurs. Aucun tiers ne peut observer ou manipuler les opérations en cours.
Le concept clé repose sur l’absence totale de persistance des données. Les informations envoyées par les utilisateurs ne font que transiter temporairement par le système. Elles ne sont jamais stockées sur des disques durs ni utilisées pour entraîner des modèles. Ce cloud privé garantit mathématiquement et matériellement qu’aucune entité externe ne peut intercepter les requêtes.
Les limites physiques de l’intelligence artificielle sur l’appareil
Les puces modernes d’Apple intègrent un composant matériel dédié appelé le Neural Engine. Ce co-processeur équipe les puces mobiles comme l’A17 Pro et l’A18. Il est aussi présent sur toute la gamme des processeurs M pour ordinateurs. Ce composant matériel excelle dans l’exécution de modèles d’intelligence artificielle légers.
Ces tâches courantes s’exécutent directement au sein des circuits intégrés de l’appareil. Ce traitement local offre une latence extrêmement faible au quotidien. Il garantit une confidentialité totale puisque aucune donnée ne quitte le silicium. Les corrections grammaticales, la génération de résumés courts et le tri des notifications reposent sur ce modèle autonome.
Cependant, l’avènement des agents autonomes impose des calculs d’une tout autre échelle. Leurs modèles avancés dépassent largement les capacités en mémoire vive (RAM) des smartphones. Une exécution locale viderait la batterie en quelques minutes et provoquerait une surchauffe matérielle. Le basculement vers des serveurs distants devient alors une réalité physique et mathématique incontournable.
Les cinq piliers de sécurité d’Apple Private Cloud Compute
Apple a conçu le Private Cloud Compute autour de principes de sécurité très stricts. Le premier pilier est le traitement sans état ou Stateless Computation. Le serveur utilise vos données uniquement pour répondre à la requête en cours. Dès que c’est fait, tout est définitivement effacé de la mémoire vive sans jamais toucher un disque SSD.
Le système repose également sur un verrouillage numérique total du micrologiciel jusqu’à l’application d’IA. Des signatures cryptographiques bloquent à coup sûr toute modification logicielle extérieure. Les équipes techniques d’Apple ne disposent d’ailleurs d’aucun accès privilégié à ces serveurs. Il n’existe aucune commande d’urgence à distance pour contourner ces barrières de sécurité.
L’architecture technique empêche aussi de cibler un utilisateur ou un profil précis. Un pirate devrait compromettre l’intégralité du réseau mondial pour intercepter une seule demande. Une telle tentative d’intrusion déclencherait immédiatement une alerte de sécurité majeure. Pour prouver ces engagements, Apple publie le code source de ses serveurs pour des audits indépendants.
L’architecture technique et le traitement sans état des données
L’appareil évalue d’abord la complexité de chaque demande adressée à Apple Intelligence. Si le modèle local ne suffit pas, le système isole uniquement les données indispensables. Ces informations sont empaquetées puis chiffrées avec la clé publique du serveur. La requête traverse ensuite internet sous une forme totalement illisible.
Le paquet de données atteint les serveurs sécurisés du cloud privé. À son arrivée, la requête est déchiffrée au sein d’une enclave matérielle isolée. Les informations se chargent exclusivement dans la mémoire vive éphémère de la machine. Le grand modèle d’IA traite ensuite ces éléments pour générer la réponse.
Ce résultat est chiffré puis immédiatement renvoyé vers l’appareil d’origine. Dès que le transfert est terminé, le serveur lance une purge logicielle complète. La portion de mémoire RAM utilisée est entièrement réécrite avec des données aléatoires. Aucun journal système ni fichier temporaire ne subsiste après cette opération.
L’évolution de l’infrastructure d’Apple Private Cloud Compute vers le cloud tiers
Au départ, le Apple Private Cloud Compute tournait uniquement dans les centres de données d’Apple. Ses serveurs utilisaient des puces Apple Silicon haut de gamme. Mais le succès massif d’Apple Intelligence a vite saturé ces installations. Construire de nouveaux bâtiments ne suffisait plus à suivre la cadence.
Pour surmonter ce défi, Apple a changé de stratégie en juin 2026. La firme a annoncé l’extension de son infrastructure chez des hébergeurs tiers. Cette décision permet d’absorber efficacement les requêtes d’IA les plus lourdes au niveau mondial. C’est un virage historique pour la gestion technique du projet.
Apple prouve ainsi que ses protocoles logiciels protègent vos données, même à l’extérieur. La confidentialité ne dépend plus de la propriété physique du centre de données. La sécurité repose désormais sur une cryptographie solide liée directement au silicium des puces. Ce modèle avancé garantit une étanchéité totale et élimine les risques d’interception.
Le rôle des puces NVIDIA Blackwell et de Google Cloud
Pour étendre son infrastructure, Apple s’est alliée à Google Cloud et NVIDIA. Google fournit ses centres de données et son réseau mondial. NVIDIA apporte de son côté ses processeurs graphiques de nouvelle génération, basés sur l’architecture Blackwell. Ces puces offrent la puissance brute et la bande passante indispensables aux modèles d’IA d’Apple.
Héberger des données chez un tiers exige toutefois une sécurité absolue. L’architecture déploie donc un bouclier matériel de pointe. La technologie NVIDIA Confidential Computing isole d’abord les données au cœur de la puce graphique. En complément, le système Intel TDX verrouille les processeurs centraux dans des zones de confiance hermétiques.
Le dernier verrou contrôle directement l’intégrité physique des serveurs. À l’allumage, une puce matérielle Google Titan vérifie la conformité de chaque machine. Un registre cryptographique immuable (append-only ledger) prend ensuite le relais pour surveiller l’infrastructure en continu. Ce double contrôle empêche toute modification malveillante du matériel.
La transparence matérielle et le programme de Bug Bounty
Pour prouver sa bonne foi, Apple mise sur une transparence totale. Elle publie systématiquement le code de chaque mise à jour de ses serveurs. Des experts en cybersécurité et des cabinets indépendants analysent librement ces fichiers. Ils vérifient ainsi qu’aucune faille ou collecte cachée de données n’est dissimulée.
Pour faciliter leur travail, Apple fournit un outil appelé le VRE (Virtual Research Environment). Cet environnement virtuel fait tourner le logiciel serveur directement sur un Mac grand public. Les chercheurs peuvent ainsi analyser et tester le système en toute autonomie. Cette démarche permet de s’assurer que toutes les promesses de sécurité sont tenues.
Pour motiver ces spécialistes, Apple propose des récompenses financières records. Signaler une fuite de données dans les journaux système rapporte 250 000 $. L’interception de requêtes ou l’exécution de code offre jusqu’à 1 million de dollars. Le plafond atteint même 2 millions de dollars pour une compromission totale du cloud.
L’intégration d’Apple Private Cloud Compute pour les développeurs tiers
Au départ, le Private Cloud Compute était réservé aux applications d’Apple comme Siri ou Notes. Les choses changent désormais pour l’ensemble de l’App Store. Grâce à l’API Foundation Models, les développeurs tiers intègrent ce cloud ultra-sécurisé. Il leur suffit d’ajouter une seule ligne de code à leurs projets.
Une fois configurée, l’application détecte seule si elle doit solliciter les serveurs distants. C’est un bond en avant immense pour les éditeurs indépendants. Sur iPhone, l’IA locale plafonne souvent à 4 000 tokens de contexte. Le passage au cloud fait immédiatement grimper cette limite à 32 000 tokens.
Les outils de gestion ou de retouche photo analysent ainsi des documents bien plus volumineux. Les applications gagnent également une vraie capacité de raisonnement multi-étapes. Elles peuvent désormais planifier et exécuter des actions autonomes complexes. Toute cette puissance s’invite dans nos outils sans jamais menacer notre vie privée.
Modèles serveurs et gestion des quotas via iCloud
Accéder à des infrastructures équipées de puces NVIDIA Blackwell coûte généralement une fortune. Apple innove pour soutenir son écosystème en modifiant ce modèle. Elle offre cet accès gratuitement aux membres du App Store Small Business Program. Ce programme regroupe les structures enregistrant moins de deux millions de téléchargements annuels.
Les petits studios peuvent ainsi rivaliser directement avec les géants de l’intelligence artificielle. Ils évitent de payer des factures astronomiques liées à la consommation de tokens. Pour financer ce réseau mondial, Apple répercute les coûts de calcul sur l’utilisateur final. Cette gestion s’effectue de manière transparente à travers l’infrastructure iCloud.
Chaque demande envoyée dans le cloud reste techniquement liée au compte de l’utilisateur. Des mécanismes de régulation appliquent des limites quotidiennes pour éviter la saturation. Les titulaires d’un compte gratuit se partagent ainsi un quota de base. Les abonnés aux forfaits payants iCloud+ bénéficient d’un accès prioritaire et de plafonds élargis.
Déploiement des agents autonomes et normes internationales
L’avenir de l’IA passe désormais par des agents capables de réaliser des actions complexes. Ces assistants devront bientôt réserver un vol ou analyser un dossier médical. Pour gagner la confiance du public, ils manipuleront forcément des données hautement sensibles. Le cloud hermétique d’Apple pose les bases de sécurité indispensables à cette évolution.
Cette architecture ultra-sécurisée bouscule d’ailleurs toute l’industrie technologique. Les concurrents subissent une pression croissante pour offrir des garanties de confidentialité équivalentes. À terme, le marché mondial devrait se tourner vers ce modèle du « zéro connaissance ». Je pense que cette transformation va durablement redéfinir la souveraineté des données face à une IA omniprésente.
En Europe, ce déploiement se heurte pourtant à de grands obstacles réglementaires. La technologie est prête mais les fonctions avancées restent bloquées dans l’Union. Ce gel découle des règles strictes du Règlement sur l’IA. La Commission européenne impose en effet des exigences de conformité, ce qui oblige Apple à adapter son modèle.
IBM et Google Cloud renforcent leur alliance avec une nouvelle offre dédiée à l’IA d’entreprise. Ils combinent ainsi expertise métier, cloud hybride et agents IA basés sur Gemini. Les deux géants veulent aider les organisations à accélérer le passage des projets pilotes à des déploiements opérationnels à grande échelle. Un marché qui représente plusieurs milliards de dollars.
De nombreuses entreprises peinent encore à industrialiser leurs initiatives d’IA. Ainsi, IBM et Google Cloud annoncent une nouvelle étape dans leur collaboration. Les deux groupes lancent une Google Cloud Practice dédiée. Celle-ci sera destinée à accompagner les organisations dans le déploiement d’agents IA, la modernisation de leurs systèmes critiques et l’exploitation de leurs données à grande échelle.
Cette initiative s’appuie sur les technologies Gemini de Google Cloud et sur l’expertise sectorielle d’IBM Consulting. Elle répond au défi du marché de transformer les expérimentations IA en solutions de production. Celles qui sont capables de générer un impact concret sur les opérations, la prise de décision et la compétitivité des entreprises.
IBM et Google Cloud créent une offre commune pour accélérer l’IA en entreprise
Le partenariat repose sur la création d’une entité dédiée qui regroupe des milliers de consultants IBM certifiés Google Cloud ainsi que des équipes d’ingénierie spécialisées. L’objectif est d’accompagner les entreprises dans la conception, le déploiement et la gestion de solutions d’IA au sein d’environnements hybrides souvent complexes.
IBM met donc à disposition son expertise en conseil, en transformation numérique et en modernisation des systèmes critiques. De son côté, Google Cloud apporte la puissance de sa plateforme Gemini Enterprise Agent, ses capacités de gestion des données. Ainsi que ses outils de cybersécurité.
We are pleased to announce a significant expansion of our strategic partnership as @IBM Consulting launches a new global Google Cloud Practice. This initiative is designed to assist enterprises in moving past AI pilots to scale production-grade AI, bringing thousands of Google… pic.twitter.com/JQqVLYKY8E
— Google Cloud Partners (@gcloudpartners) June 4, 2026
Les deux entreprises souhaitent fournir un cadre complet qui permettra aux organisations de passer plus rapidement de l’idée au déploiement opérationnel. Les consultants IBM pourront désormais développer et gérer directement des agents IA d’entreprise sur l’infrastructure Google Cloud. Et cela en s’appuyant sur des composants préconfigurés, des modèles réutilisables et des méthodologies déjà éprouvées sur le terrain.
Pour les entreprises, cette approche répond au besoin d’accélérer les projets d’IA. Et cela sans multiplier les développements spécifiques. Ni compromettre les exigences de gouvernance, de sécurité ou de conformité.
Des agents IA sectoriels pour automatiser les opérations métiers
L’un des éléments centraux de cette collaboration est la création d’un portefeuille d’agents IA spécialisés par secteur d’activité. Ces agents seront construits à partir d’IBM Consulting Advantage et optimisés pour fonctionner avec les modèles Gemini de Google Cloud.
Plusieurs secteurs sont ciblés dès le lancement. Notamment la banque, l’assurance, les administrations publiques, les télécommunications, l’énergie, le commerce de détail, la sécurité et les sciences de la vie.
L’objectif est de répondre à des cas d’usage concrets plutôt que de proposer des solutions génériques. Les entreprises pourront ainsi automatiser certains processus métiers,accélérer la prise de décision et améliorer l’efficacité opérationnelle. Et cela grâce à des systèmes qui exploitent leurs données métier dans un contexte réglementaire souvent exigeant.
Les entreprises recherchent à présent des solutions directement adaptées à leurs contraintes sectorielles. Dans les secteurs fortement réglementés, la valeur se situe dans la capacité à intégrer l’IA aux processus existants. Et aussi garantir la traçabilité, la conformité et la sécurité des données.
IBM prévoit également de développer des interfaces communes qui permettent de connecter plus facilement les données d’entreprise à Gemini. L’objectif est d’éviter la fragmentation des informations. Cela facilitera aussi le déploiement de l’IA à grande échelle, quel que soit l’environnement technologique du client.
Moderniser le cloud hybride pour déployer l’IA à grande échelle
Par ailleurs, le partenariat cible la modernisation des infrastructures. Selon IBM, les entreprises traversent actuellement l’un des cycles de modernisation technologique les plus complexes depuis plusieurs décennies. De nombreuses organisations doivent faire coexister des applications historiques, des systèmes sur site et plusieurs fournisseurs cloud. Sans oublier les nouvelles plateformes d’IA.
Les deux partenaires souhaitent donc se différencier. La nouvelle offre couvre la modernisation du cloud hybride, la cybersécurité, la gouvernance des données et la résilience opérationnelle.
Parmi les éléments technologiques mises en avant figurent BigQuery pour l’exploitation des données et Confluent pour la gouvernance et le traitement en temps réel. Les solutions IBM watsonx et watsonx Orchestrate enrichissent aussi les capacités décisionnelles et l’automatisation des agents IA. Red Hat OpenShift est désormais disponible directement depuis la console Google Cloud. C’est pour simplifier la gestion des applications dans les environnements hybrides.
L’expérience acquise lors de projets de transformation à grande échelle constitue un autre argument clé. IBM et Google Cloud citent notamment leur collaboration avec Airbus. Les équipes ont contribué à la séparation opérationnelle de deux entités aéronautiques en moins de 18 mois. Ils ont aussi modernisé plus d’une centaine de systèmes critiques liés à l’ingénierie, à la fabrication et au service client.
Il y a AWS, Microsoft et Google Cloud ; mais n’oublions pas Alibaba Cloud.
On nous a fait la remarque au Google Cloud Summit Paris 2026. Nous nous intéressions à la façon dont clients et partenaires percevaient la constitution des stacks agentiques chez les « trois grands » clouders américains. Avec un angle en particulier : convergence ou divergence ?
Alibaba nous a été mentionné pour sa promptitude à implémenter OpenClaw / Hermes, à l’appui d’une sandbox spécifique. NVIDIA a souvent été cité en parallèle, lui qui s’est aussi positionné sur le sujet, sous la bannière OpenShell.
Google Cloud, en avance sur les modèles first-party
Des TPU aux agents prépackagés, le niveau de maîtrise de Google Cloud sur sa stack n’a pas échappé aux participants (quelque 3600 annoncés). Et la marque Gemini Enterprise Agent Platform, forme de rebrand de Vertex AI, semble avoir fait son effet.
Cette maîtrise – ou tout du moins sa démonstration – a particulièrement transparu au niveau des LLM. Dans la keynote introductrice du Summit, il n’y en a guère eu que pour Gemini. Une famille qui s’oriente de plus en plus ouvertement sur la « quadrimodalité » (texte, image, audio, vidéo). Gemini Omni et Gemma 4 en sont les derniers témoins. On nous a rappelé, à ce propos, que Gartner avait classé Google comme « leader » sur la multimodalité.
Sur la data, un Microsoft plus « siloté », un AWS plus « agnostique »
Des divergences, il y en a aussi côté data. Dans ces métiers, on a tendance à considérer le socle Microsoft Foundry comme plus fragmenté que les piles de Google Cloud et d’AWS. Ce dernier a une approche plus agnostique (« venez comme vous êtes »), nous indique-t-on, même si les deux autres s’ouvrent progressivement.
Sur l’infrastructure, l’opinion est largement à la convergence. Le mot « commodité » ressort souvent. On nous cite, par exemple, les SaaS de chunking « au coût négligeable » et la normalisation des tokenizers qui favorise la portabilité des RAG.
MCP, dénominateur commun mais pas universel
Il existe, plus globalement, une certaine parité sur les éléments nécessaires à l’industrialisation (sécurité, habilitation, évaluations…), nous explique-t-on. L’arrivée de standards d’industrie y contribue. MCP en tête, même si, nous signale-t-on, il n’est pas forcément la meilleure manière d’exposer des API. Google Cloud a d’ailleurs fait la part des choses : s’il a « MCPisé » ses services, il propose d’autres voies d’interaction, comme Workspace CLI et Antigravity CLI.
Si l’infra n’est pas un grand marqueur de différenciation entre clouders, elle leur donne un avantage sur les labs IA. Claude a aujourd’hui un meilleur rapport coût/performance sur GCP que sur les serveurs d’Anthropic, témoigne un partenaire Google Cloud.
Une convergence dans l’impulsion de l’IA agentique, moins dans les cibles
Clients et partenaires sont globalement de l’avis que les « trois grands » convergent dans leur manière d’impulser l’IA agentique. Leur historique joue néanmoins. AWS reste orienté B2B. Il est, par exemple, le seul à pouvoir revendiquer de véritables use cases en modernisation mainframe. Microsoft, au contraire, est orienté B2C. Google l’est aussi majoritairement. On lui prête, en parallèle, un mindset plus « ouvert »… au risque d’abandonner plus facilement des produits. On nous mentionne, à ce propos, la mauvaise surprise qu’avait eue Veolia à l’annonce de l’arrêt de Google Cloud Print, alors qu’il avait standardisé son parc sur du Chromebook.
Quand on demande directement aux équipes de Google Cloud, elles revendiquent en premier lieu l’historique du groupe en matière de recherche fondamentale. En vitrine, DeepMind, à qui on doit l’article fondateur « Attention is All You Need »… et, entre autres, AlphaFold, que nous a spontanément cité un partenaire (ce modèle ouvert prédit la structure des protéines à partir de leur séquence en acides aminés).
La séparation des responsabilités remise en cause
Convergence ou divergence, le paradigme agentique remet en tout cas en cause certaines bonnes pratiques. Dont la séparation des responsabilités dans les systèmes, selon Nacim Rahal, VP data & IA de Doctolib, intervenu lors de la keynote. « On peut avoir un agent capable de faire plein de choses différentes. Des choses qui impactent les systèmes eux-mêmes, mais aussi le design de l’organisation qui va permettre de les produire. On va avoir des product managers qui vont directement modifier les prompts des systèmes. Des data engineers, ML engineers et software engineers qui se retrouvent à travailler ensemble sur le même genre de tâche ».
Sur les 25 000 employés de RATP Dev, « plus de 1000 » ont basculé sur Gemini Enterprise. « On n’a pas été des early adopters », admet Hiba Farès, présidente du directoire. L’entreprise avait commencé à expérimenter des solutions en 2023, mais elle n’a véritablement poussé au-delà du test & learn qu’à partir de fin 2025. « Je commençais à percevoir une maturité, explique Hiba Farès. Des gens qui parlaient de vrais use cases [pouvant] apporter un ROI intéressant. » « Notre data commençait à circuler un peu trop à l’extérieur de l’entreprise », admet-elle aussi, évoquant « 50 requêtes de shadow AI par collaborateur sur les devices professionnels ».
« Voir en apprentissage ces gens qui ont une vraie autorité sur le métier, ça a débloqué quelque chose », déclare l’intéressée à propos du codir, qui est allé se former chez Google. RATP Dev a aussi 50 « champions » volontaires… qui ne viennent pas de l’IT, ni du digital. « Ce ne sont pas des spécialistes du métier. Ce sont les personnes auxquelles vous avez envie de parler autour de la machine à café. » Ces « capteurs de terrain » font remonter, au quotidien, les besoins et les points de friction.
Webedia-Elephant étend son partenariat avec Google Cloud et YouTube. L’accord couvre la modernisation de l’architecture de données, le déploiement de l’IA dans les opérations et la création d’un studio dédié aux outils d’IA générative.
Le groupe de médias migre l’ensemble de son architecture de données vers BigQuery. L’objectif est de disposer d’une base commune à toutes ses activités de médias, de production, de publicité et de création de contenus numériques. Cette centralisation doit permettre de lancer de nouveaux projets plus rapidement et de mieux exploiter les données existantes.
Webedia-Elephant déploie Gemini Enterprise dans dix pays, la une plateforme d’IA intégrée à l’écosystème Google Cloud, qui permet aux employés d’interagir directement avec les données, documents et applications de leur organisation grâce à des agents IA.
Déploiement massif de Gemini Enterprise
Le groupe cible les fonctions de production, de marketing d’influence et d’édition. Pour la production en particulier, l’outil doit réduire les délais et les coûts de mise sur le marché. Google Cloud accompagne ce déploiement avec un programme de formation destiné à l’ensemble des métiers et fonctions du groupe.
Le groupe lance un AI Creator Studio baptisé « Human After All ». Il donne accès à des outils d’IA générative multimodale : aide à l’écriture de scripts, amélioration de l’imagerie, de l’audio et de la vidéo.
Les équipes créatives, les agences d’influence et les équipes de production pourront utiliser ces outils pour produire des contenus. L’intégration de Gemini dans Google Workspace facilite déjà la collaboration entre équipes.
Thales et Google Cloud annoncent la création d’une nouvelle entité dédiée au cloud souverain en Allemagne. Cette structure sera détenue et contrôlée à 100 % par Thales en Allemagne. Elle disposera d’un personnel et d’une direction allemands, et fonctionnera de manière juridiquement et opérationnellement indépendante de Google Cloud.
L’infrastructure sera hébergée en Allemagne, soumise au droit allemand, s’appuiera sur la technologie de Google Cloud, mais dans une infrastructure isolée. Elle cible les organismes publics allemands et les secteurs soumis à de fortes contraintes réglementaires.
Aucun tiers, y compris des entités non européennes, ne pourra accéder aux données qui y sont stockées ou traitées.
La solution est disponible en accès anticipé depuis l’annonce. La disponibilité générale est prévue d’ici fin 2026. L’offre vise ensuite les certifications C5 et le cadre C3A, propres au marché allemand.
Le modèle S3NS reproduit à l’échelle européenne
Cette région allemande reprend le modèle technologique et opérationnel de PREMI3NS, l’offre de S3NS déjà déployée en France. S3NS a obtenu la qualification SecNumCloud 3.2 pour cette offre fin 2025.
La mise en place des deux régions, française et allemande, ouvre une capacité de reprise d’activité transfrontalière entre les deux sites, tout en maintenant les exigences de souveraineté propres à chaque pays. Selon Thales, c’est la première fois qu’un modèle de cloud de confiance vise simultanément plusieurs certifications locales dans deux pays européens distincts.
Thales est présent en Allemagne depuis 1880. Le groupe y emploie 2 300 collaborateurs répartis sur neuf sites, dans les domaines de la défense, de la sécurité, de l’aéronautique et de l’identité numérique.
Le nom officiel de la nouvelle entité allemande sera communiqué dans les prochains mois.
A l’occasion de son évènement annuel Google Cloud Next ’26 qui se tient à Las Vegas ( 22 au 24 avril ), Google Cloud va défendre, à l’instar de ses concurrents, l’avènement de « l’Entreprise Agentique ». Derrière ce concept, une promesse technique : des agents IA capables de percevoir, raisonner et agir de manière autonome pour piloter des processus métier de bout en bout.
Gemini Enterprise, la plateforme pivot
La principale annonce de l’édition 2026 est le rebranding et l’extension substantielle de Vertex AI sous le nom Gemini Enterprise Agent Platform.
La plateforme se structure autour de quatre fonctionnalités piliers : créer (via Agent Studio, une interface low-code, et le Agent Developer Kit), scaler (runtime inférieur à une seconde, agents longue durée pouvant fonctionner jusqu’à sept jours), gouverner (Agent Gateway couplé à Model Armor) et optimiser (observabilité OpenTelemetry et simulations automatisées).
L’orchestration agent-à-agent, une gestion fine des identités d’agents (Agent Identity) et un marketplace partenaires intégrant Atlassian, ServiceNow ou Oracle complètent le tableau. Du côté des modèles disponibles, la plateforme donne accès à Gemini 3.1 Pro, Gemini 3.1 Flash Image, Lyria 3 et, fait notable, aux modèles Claude d’Anthropic jusqu’à Claude 4.7, signe d’une approche délibérément multi-modèles.
L’application Gemini Enterprise elle-même s’enrichit d’un Agent Designer, d’une Inbox dédiée aux agents, de « Skills » pour l’automatisation de tâches répétitives, d’un Canvas multi-applications et de connecteurs natifs vers Salesforce et Slack.
TPU de 8e génération : Google défie NVIDIA sur l’inférence agentique
Le TPU 8t, dédié à l’entraînement, affiche 121 FP4 exaflops, soit 2,8 fois la puissance du TPU Ironwood (7e génération). Le TPU 8i, optimisé pour l’inférence à basse latence, promet une réduction de 80 % de la latence pour les swarms d’agents. Les deux puces doublent la performance par watt par rapport à la génération précédente.
Ces TPU s’accompagnent du système de stockage Lustre (10 To/s), du réseau Virgo et de l’architecture Boardfly. Google maintient par ailleurs une stratégie ouverte en continuant à proposer des GPU NVIDIA et ses processeurs Axion aux côtés de ses propres siliciums.
Données, sécurité, productivité : les trois autres fronts
Agentic Data Cloud désigne la couche data repensée pour l’IA native : un Knowledge Catalog pour contextualiser les données d’entreprise, un Data Agent Kit et une architecture Lakehouse multi-cloud permettant aux agents d’agir directement sur les données.
Côté sécurité, Google intègre Wiz pour la threat intelligence, complété par des agents de détection et remédiation et une approche AI-APP adaptée aux environnements multi-cloud et hybrides.
Dans Google Workspace, les nouveautés se concentrent sur Drive Projects et des agents shopping capables de gérer un parcours d’achat complet, de la découverte au paiement, en langage naturel.
Des déploiements à grande échelle chez les clients
Les témoignages présentés illustrent une adoption déjà industrielle. Tata Steel opère plus de 300 agents en production.
The Home Depot rapporte des agents vocaux quatre fois plus rapides que les solutions précédentes. Macy’s a déployé son assistant « Ask Macy’s » en quatre semaines. Virgin Voyages affiche une réduction de 40 % du temps de production des campagnes marketing.
D’autres grands comptes comme Bosch (AskBosch), Mars, Merck ( qui adopte une stratégie « agentic-first » en R&D ) et la NASA pour la mission Artemis II figurent également parmi les références citées. En France, Valeo utilise Gemini pour Workspace à la fois pour la productivité générale et pour des cas d’usage IA agentique métiers.
Google Cloud revendique 14 % de parts de marché visés d’ici fin 2025 et positionne cette conférence comme une réponse directe à OpenAI, Anthropic (partenaire tout autant que concurrent), AWS et Azure.
La différenciation assumée porte moins sur les capacités de génération de code (sujet réservé à Google I/O en mai) que sur la gouvernance des agents et l’ouverture de la stack.
Gérer 70 aéroports répartis dans 14 pays, accueillir 320 millions de passagers par an et générer 4,5 milliards € de revenus : le défi opérationnel de Vinci Airports est à la mesure de son empreinte mondiale.
Le groupe a engagé une transformation data et IA d’envergure, en s’appuyant sur Google Cloud Platform.
Une dépendance à la maîtrise des flux
Le modèle de Vinci Airports repose sur deux piliers : les redevances aéronautiques, qui représentent environ 50 % des recettes, et les revenus commerciaux générés par les dépenses des passagers (duty-free, restauration, parkings), qui en constituent 30 à 40 %.
Cette structure impose d’anticiper avec précision les flux de passagers. De cette capacité prédictive découlent en cascade le dimensionnement des équipes, le calibrage de l’offre commerciale, les projections financières et la stratégie d’investissement.
La difficulté résidait dans l’extrême hétérogénéité du réseau. Chaque aéroport dispose de ses propres systèmes informatiques, de ses contraintes locales et de ses spécificités opérationnelles. Les données étaient dispersées, non standardisées et cloisonnées.
Une Data Factory pour fédérer les données du réseau
Cette infrastructure centralise la collecte de données issues de systèmes hétérogènes dans 14 pays, automatise les contrôles de qualité et harmonise les structures de données pour permettre des comparaisons fiables entre les plateformes.
L’architecture retenue s’appuie sur les briques éprouvées de Google Cloud : BigQuery pour le stockage et l’analyse de données massives, Vertex AI pour l’entraînement et le déploiement des modèles prédictifs, Cloud Run et Streamlit pour mettre à disposition des interfaces métier accessibles, Cloud Storage pour la gestion centralisée des modèles et Cloud Build pour l’intégration continue.
Ce choix architectural permet aux aéroports de conserver leurs outils locaux tout en exposant leurs données dans un référentiel commun, où elles sont nettoyées, structurées et exploitables pour alimenter des tableaux de bord, des analyses et des modèles d’IA.
Trois cas d’usage au cœur de la transformation
Le premier et principal cas d’usage porte sur la prédiction du trafic de passagers. Des modèles prédictifs multi-échelles ont été conçus pour répondre aux besoins de chaque niveau de management : projections annuelles pour la direction générale, vues hebdomadaires ou journalières pour les équipes opérationnelles, et analyses localisées par aéroport. Ces modèles croisent l’historique de trafic, des variables exogènes et des signaux faibles pour simuler des trajectoires et optimiser les arbitrages.
Le deuxième axe concerne l’efficacité opérationnelle. En analysant les cartes d’embarquement scannées, il est désormais possible d’anticiper les arrivées aux postes de sécurité. Croisées avec les capacités de traitement des files, ces données permettent d’ajuster les effectifs en temps réel, avec pour objectif de maintenir les temps d’attente sous les dix minutes.
Le troisième cas d’usage touche à l’optimisation commerciale. En croisant les données de trafic et les comportements d’achat, Vinci Airports identifie des profils de consommation selon les typologies de passagers et les destinations. Un voyageur britannique en transit ne dépense pas de la même façon qu’un passager français sur un vol domestique : ces patterns permettent de recommander aux commerçants des ajustements d’assortiment adaptés au profil de leur clientèle effective.
La qualité des données au coeur du projet
Artefact est intervenu dès les premières étapes du projet avec une approche collaborative impliquant les équipes opérationnelles dès le premier jour.
Cette démarche est décrite par Benoît Forest, directeur des Opérations et Data de Vinci Airports, comme une condition sine qua non : « Le timing d’embarquement des équipes opérationnelles est très important. Il doit commencer dès le jour un. Cela garantit que les data scientists comprennent les préoccupations métier et intègrent des besoins très opérationnels dans la conception des solutions. »
La qualité des données a constitué un autre enjeu majeur avec la mise en place des dispositifs automatisés de détection des fichiers manquants, de contrôle de la structure des données et de tests d’intégrité, avec alertes automatiques en cas d’anomalie.
Ces garde-fous, opérés entièrement dans Google Cloud Platform, préviennent les dérives silencieuses qui érodent la confiance des métiers dans les modèles.
« Je pense que le succès de ce projet réside dans la compréhension du défi stratégique métier, la définition du périmètre, le déploiement de la solution, la formation, et aujourd’hui l’outil est utilisé quotidiennement par les équipes métier », résume Benoît Forest.
Un cap vers l’IA générative
Vinci Airports engage ensuite une deuxième phase orientée vers la prédiction systématisée et l’IA générative. Trois cas d’usage sont à l’étude : un assistant GPT intégré aux tableaux de bord, un mode de requêtage conversationnel des bases de données, et un système d’extraction automatique de contenu documentaire (procédures, audits, rapports).
L’ambition est de dépasser les limites des dashboards Power BI actuels pour permettre à chaque collaborateur d’interroger directement l’ensemble des données via des agents IA autonomes, capables d’apporter des réponses à des questions complexes sans nécessiter de développement supplémentaire.
« L’IA nous permet ici de passer de l’intuition locale à la connaissance partagée, sans remplacer les équipes, mais en leur donnant les moyens de gagner du temps et de se concentrer sur la prise de décision », conclut Benoît Forest.
Connexion
