Les modèles d’IA deviennent des locataires éphémères dans les infrastructures de données pérennes des entreprises. Pourtant, beaucoup d’organisations remodèlent leur architecture autour de chaque nouveau modèle. Le marché s’interroge : faut-il privilégier les modèles ouverts ou fermés, locaux ou étrangers ? Ces questions sont légitimes mais leur pertinence est éphémère. Les classements des modèles évoluent chaque mois, les conditions des fournisseurs changent, et ce qui semblait rare il y a six mois devient aujourd’hui une commodité.

Le vrai défi pour les DSI n’est plus de choisir un modèle, mais de construire une fondation de données assez extensible pour absorber les changements continus sans fragmenter l’écosystème ou perdre le contrôle. Les gagnants de l’IA en entreprise seront ceux qui parviendront à concilier extensibilité et souveraineté.

L’extensibilité, un impératif opérationnel

Pendant la phase d’expérimentation, les limites architecturales sont faciles à masquer. Une équipe peut connecter un nouveau modèle à un jeu de données copié, prouver un cas d’usage et déclarer le pilote réussi. En production, la réalité est tout autre : identité, permissions, résidence des données, latence, récupération et coûts deviennent cruciaux. Chaque fois que ces contrôles sont reconstruits autour d’un modèle, celui-ci devient une dépendance.

Changer de modèle peut alors nécessiter de déplacer des données, recréer des politiques d’accès, revalider des pipelines et relancer des revues de conformité. Selon une étude Harris Poll auprès de 600 DSI, 81% prévoient d’utiliser plusieurs fournisseurs de modèles de langage en 2026, et 93% constatent que les performances varient selon les cas d’usage. Plus de la moitié ont déjà changé de fournisseur, principalement pour des raisons de coûts.

Cette multiplicité des modèles n’est plus une perspective future : c’est déjà la réalité opérationnelle. Le vrai coût apparaît dans l’écart entre les attentes et l’architecture existante. Quand un modèle est profondément intégré dans la logique applicative, les pipelines de données et les structures de requêtes, son remplacement se transforme en projet d’ingénierie pluriannuel plutôt qu’en simple changement de configuration.

Le contrôle là où réside la valeur durable

Les modèles deviennent interchangeables, mais le contexte d’entreprise ne l’est pas. La vraie valeur réside dans la masse de données gouvernées : historique client, état opérationnel, propriété intellectuelle et savoir institutionnel. C’est cette couche de données qui constitue le point de contrôle durable.

L’identité, l’accès, la localité, l’audit et les politiques doivent être appliqués au plus près des données, dans un environnement que l’entreprise peut contrôler, étendre et déplacer. Le modèle peut alors être inspecté, mis en sandbox ou remplacé dans ces limites.

Un schéma courant illustre ce principe. Une équipe configure les contrôles de récupération et d’accès directement sur le format d’embedding et l’API d’un modèle pour accélérer la mise en production. Quelques années plus tard, une nouvelle réglementation ou un modèle plus performant incite au changement. Si la gouvernance était faussée autour du modèle initial, il faudra tout reconstruire : politiques d’accès, validation des pipelines et preuve de conformité dans l’environnement du nouveau fournisseur.

À l’inverse, une gouvernance appliquée à la couche de données permet au nouveau modèle d’hériter des politiques et des audits existants dès le premier jour, maintenant la clôture de sécurité même lorsque le modèle change. Cela ne rend pas la provenance ou la sécurité des modèles insignifiantes, mais permet de contenir ces risques.

En 2026, seulement 19% des DSI estiment que leurs initiatives IA ont atteint ou dépassé les objectifs métiers. L’architecture n’est pas la seule responsable, mais les systèmes optimisés pour la première démonstration ne deviennent rarement des plateformes de production durables par hasard.