Veeam® Software annonce un élargissement de sa collaboration en matière d’innovation avec HPE pour aider les organisations à moderniser et à faire évoluer leur cloud privé, d’une infrastructure prête pour l’IA et d’architectures validées à des solutions packagées reproductibles et prêtes à l’emploi pour les partenaires permettant d’accélérer les déploiements. Forts de leur alliance et s’appuyant sur l’approche Data Resilience by Design, un cadre qui place la résilience au cœur de la sécurité, de la gouvernance et de la restauration des données, Veeam et HPE développent de nouvelles capacités visant à accélérer l’adoption du cloud privé avec des architectures plus simples, des pipelines de données d’IA plus sûrs et une création de valeur plus rapide.

« Le cloud privé évolue rapidement car les entreprises cherchent à exploiter l’agilité du cloud, tout en bénéficiant d’un contrôle accru, d’une gouvernance renforcée et de la capacité d’opérationnaliser l’IA au plus près de leurs données », explique John Jester, Chief Revenue Officer (CRO) chez Veeam. « L’IA transformera les entreprises, mais seulement si les dirigeants peuvent avoir confiance dans les données qui l’alimentent. Cette confiance repose avant tout sur la résilience : la certitude que les données sont protégées, restaurables et gouvernées de bout en bout. En collaboration avec HPE, Veeam apporte cette couche de confiance aux environnements de cloud privé grâce à des architectures validées et des solutions prêtes à l’emploi pour les partenaires, afin d’aider les clients à protéger et gouverner leurs données, à réduire les risques tout au long des pipelines d’IA et à accélérer leurs résultats métier sans compromettre les performances ni l’agilité. »

HPE Private Cloud AI : nouvelles architectures validées pour les déploiements de cloud privé prêts pour l’IA

Veeam et HPE publieront de nouvelles architectures validées pour HPE Private Cloud AI afin d’accompagner les clients dans le déploiement d’environnements privés sécurisés et prêts pour l’IA. Usine d’IA clé en main co-développée avec NVIDIA dans le cadre du portefeuille NVIDIA AI Computing by HPE, HPE Private Cloud AI a été conçue pour fournir un espace de travail IA complet et sécurisé, intégrant un lac de données unifié, des modèles déployables et des cas d’usage agentiques. Alors que les exigences en matière de souveraineté des données se généralisent à l’échelle mondiale et que les attentes en matière d’éthique de l’IA passent du stade de déclarations de principe à celui d’obligations opérationnelles, les organisations ont besoin d’architectures concrètes qui peuvent protéger les données, renforcer la capacité de restauration et accroître la confiance dans le traitement des données par l’IA.

« Les entreprises se tournent vers le cloud privé pour répondre à leurs exigences en matière de performance et de souveraineté, tout en mettant en place les garde-fous nécessaires à l’IA », souligne Patrick Osborne, SVP of Technology Acceleration for hybrid cloud chez HPE. « Grâce à ces nouvelles architectures validées pour HPE Private Cloud AI et notre collaboration élargie avec Veeam, nous offrons à nos clients une approche prête à l’emploi pour déployer l’IA au plus près des données, en combinant une infrastructure éprouvée, une gouvernance renforcée et une confiance accrue dans la manière dont les données d’IA sont préparées, traitées et protégées lors du passage des phases pilotes à la production. »

Les architectures validées incluront les éléments suivants :

• La Veeam Data Platform et la solution Veeam Kasten, toutes deux composantes de la Veeam DataAI™ Command Platform, pour assurer la continuité opérationnelle des workloads virtualisés et basés sur Kubernetes qui soutiennent les initiatives d’IA.
• Une ingestion de données sécurisée permettant aux organisations de préparer et d’ingérer les données pour les cas d’usage de l’IA avec des contrôles renforcés et une plus grande confiance dans le traitement des données, en complément de HPE AI Essentials, qui gère le cycle de développement et de déploiement des modèles.

Ces architectures validées simplifient les déploiements et aident les clients à passer plus rapidement des projets pilotes de l’IA à la production, tout en maintenant des garde-fous opérationnels adaptés aux environnements de cloud privé des entreprises.

Cloud privé HPE résilient : reproductible et prêt à l’emploi pour les partenaires

Dans le prolongement de l’annonce récente de HPE concernant son cloud privé unifié, HPE et Veeam mettent à la disposition de leurs partenaires des outils de dimensionnement et des modèles intelligents pour faciliter le positionnement et le déploiement d’environnements de cloud privé résilients reposant sur HPE Private Cloud PC3000 avec HPE Morpheus Software VM Essentials. L’objectif est d’aider les partenaires à standardiser les architectures, à rationaliser le cadrage des projets et à accélérer les déploiements, afin que les clients puissent étendre leurs environnements de cloud privé avec une plus grande prévisibilité et des coûts opérationnels réduits grâce à Veeam et HPE Private Cloud.

Pour simplifier davantage l’adoption et la modernisation, Veeam fournit également un guide pratique de migration des machines virtuelles vSphere vers des machines virtuelles exécutées sur HPE Morpheus. Grâce à la Veeam Data Platform, HPE Private Cloud aide ses clients et partenaires à planifier et à mener à bien ces transitions à mesure qu’ils font évoluer leurs stratégies de cloud privé, tout en préservant la résilience et la capacité de restauration requises pour les workloads critiques de l’entreprise.

Élargir la feuille de route du cloud privé pour inclure la sécurité, la gouvernance et la confiance dans l’IA

À mesure que l’IA évolue du statut d’outils d’assistance à celui d’agents autonomes agissant sur les données d’entreprise à la vitesse des machines, les organisations sont confrontées à un écart croissant entre leur confiance dans leur niveau de préparation à l’IA et leur capacité à produire des éléments probants exploitables en audit, attestant que leurs pipelines de données, leurs contrôles d’accès, leurs mécanismes de gouvernance et leurs capacités de restauration peuvent résister à l’examen des conseils d’administration, des auditeurs et des autorités réglementaires. La confiance dans l’IA est élevée, mais la confiance seule ne suffit pas pour passer à l’échelle. C’est pourquoi Veeam et HPE mettent tout en œuvre pour aider leurs clients à opérationnaliser la confiance dans l’IA, et non simplement à l’envisager comme un objectif.

La Veeam DataAI Command Platform est la première infrastructure unifiée de confiance pour les données et l’IA à l’ère agentique. Elle regroupe des domaines clés, notamment DataAI Security, DataAI Governance, DataAI Compliance, DataAI Privacy et DataAI Resilience, optimisé par le DataAI Command Graph, la couche d’intelligence de Veeam qui alimente toute la plateforme dotée de centaines de connecteurs couvrant tous les environnements cloud, les applications SaaS et les environnements on-prem.

S’appuyant sur l’approche Data Resilience by Design, les deux entreprises étendent leur collaboration afin de créer un lien entre les résultats en matière de résilience (protection, capacité de reprise et restauration fiable) et la gouvernance et les contrôles nécessaires à une IA de confiance. Pour contribuer à combler ce déficit d’exécution, HPE Services servira de partenaire pilote au nouveau Data and AI Trust Maturity Model de Veeam, un cadre alimenté par la recherche et validé par les clients, qui offre aux dirigeants une méthode claire et objective pour évaluer leur situation réelle, mesurer leurs progrès, et prioriser les capacités nécessaires pour renforcer leur niveau de préparation à la confiance autour de quatre piliers fondamentaux : la compréhension, la sécurité, la résilience et l’activation.

L’adoption de l’intelligence artificielle progresse rapidement dans les entreprises, mais elle s’accompagne de nouvelles interrogations sur la souveraineté, la conformité et la résidence des données. Les fournisseurs cherchent désormais à proposer davantage de flexibilité dans leurs modèles de déploiement.

L’intelligence artificielle est devenue un sujet stratégique pour de nombreuses organisations, y compris dans les secteurs les plus réglementés. Santé, finance, administration publique ou industrie cherchent à tirer parti de l’automatisation et de l’analyse avancée des données, tout en maintenant un niveau élevé de contrôle sur les informations traitées.

Cette tension entre innovation et gouvernance devient l’un des principaux défis des projets IA. Si les modèles hébergés dans le cloud public ont accéléré l’adoption de ces technologies, certaines organisations restent contraintes par des exigences de conformité, de confidentialité ou de résidence des données qui limitent leur capacité à externaliser certains traitements.

C’est dans ce contexte que Zoom introduit Zoom AI On-Prem. L’offre permet aux entreprises d’exécuter certaines fonctions d’intelligence artificielle directement dans des infrastructures qu’elles contrôlent, qu’il s’agisse de centres de données internes ou d’environnements cloud privés.

La solution s’appuie sur Zoom Node et permet notamment de traiter localement des fonctionnalités comme les sous-titres ou les transcriptions de réunions. L’objectif consiste à conserver les données sensibles dans l’environnement du client tout en bénéficiant des capacités d’automatisation associées à l’IA.

Cette annonce s’inscrit dans une tendance plus large observée sur le marché du cloud. Après plusieurs années dominées par une logique de centralisation, les entreprises recherchent désormais davantage de souplesse dans leurs architectures. Les modèles hybrides, multicloud et privés gagnent en importance à mesure que les contraintes réglementaires se renforcent.

L’essor de l’IA accélère encore ce mouvement. Les données utilisées pour entraîner, alimenter ou enrichir les systèmes d’intelligence artificielle deviennent des actifs stratégiques dont la gouvernance doit être maîtrisée. Les questions relatives à l’emplacement du traitement, à l’accès aux données ou à leur conservation occupent désormais une place centrale dans les décisions technologiques.

Pour les fournisseurs, la différenciation ne repose plus uniquement sur la puissance des modèles ou la richesse des fonctionnalités proposées. Elle dépend aussi de leur capacité à offrir plusieurs modes de déploiement afin de répondre aux exigences de sécurité, de conformité et de souveraineté propres à chaque organisation.

Une enquête HBR Analytic Services soutenue par Cribl montre que le déploiement des agents IA augmente les volumes de télémétrie, renchérit les coûts d’infrastructure et pousse les entreprises à moderniser leur socle data.

L’IA agentique ne transforme pas seulement les usages métiers de l’intelligence artificielle. Elle modifie aussi les besoins d’infrastructure des entreprises. En permettant à des agents IA d’exécuter des workflows complexes, d’interagir avec plusieurs systèmes et de prendre des décisions en fonction du contexte, les organisations augmentent mécaniquement leurs besoins en données, en connectivité, en gouvernance et en observabilité.

Les chiffres issus de l’enquête HBR Analytic Services soutenue par Cribl montrent que cette transformation est déjà visible. 80 % des répondants indiquent que leur organisation s’attend à devoir faire évoluer son infrastructure data à cause de l’IA agentique. Cette donnée illustre un basculement important : les projets IA ne peuvent plus être pensés uniquement comme des couches applicatives ajoutées à l’existant. Ils nécessitent un socle capable d’alimenter les agents en données fiables, accessibles et exploitables en continu.

La télémétrie occupe une place centrale dans cette évolution. Les agents IA génèrent et consomment des données liées au comportement des systèmes, aux interactions utilisateurs, aux performances applicatives et aux décisions automatisées. Le rapport indique que 76 % des organisations ayant des agents en production, en pilote ou en expérimentation constatent une hausse du volume de données de télémétrie. Pour près d’un tiers d’entre elles, ce volume a doublé ou davantage.

Cette hausse crée un défi pour les infrastructures existantes. Les outils traditionnels d’observabilité et de supervision, déjà sollicités par la multiplication des architectures cloud, microservices et distribuées, peuvent rapidement atteindre leurs limites lorsque les agents IA viennent s’ajouter à l’équation. Les entreprises doivent alors être capables de traiter plus de données, plus vite, tout en maîtrisant les coûts et en conservant la flexibilité nécessaire pour expérimenter.

Le rapport fait également ressortir un enjeu financier. Parmi les organisations ayant des agents en production, en pilote ou en expérimentation, 47 % indiquent que les coûts d’infrastructure data liés à l’IA agentique sont supérieurs aux attentes. Cette situation montre que le coût réel de l’IA ne se limite pas aux modèles ou aux applications visibles. Il inclut aussi les investissements nécessaires dans les plateformes data, les outils d’observabilité, les capacités de stockage, les réseaux et les architectures à faible latence.

Pour Cribl, cette évolution impose de repenser la manière dont les entreprises collectent, traitent et orientent leurs données de télémétrie. L’enjeu n’est pas seulement d’accumuler davantage de données, mais de donner aux équipes la capacité de choisir où les envoyer, comment les transformer, combien les conserver et comment les exploiter en fonction des usages. Cette approche devient essentielle pour éviter que les volumes générés par l’IA agentique ne créent une nouvelle pression économique et opérationnelle.

L’infrastructure data devient ainsi un facteur de passage à l’échelle. Sans données de qualité, intégrées et gouvernées, les agents IA risquent de produire des résultats limités, difficiles à expliquer ou impossibles à industrialiser. Le rapport souligne d’ailleurs que les principaux axes d’amélioration concernent la qualité des données, l’intégration entre systèmes et la gouvernance de la donnée.

Avec ce rapport, Cribl positionne la télémétrie comme un maillon essentiel du développement de l’IA agentique. Les entreprises qui veulent déployer des agents IA à grande échelle devront moderniser leur socle data, maîtriser leurs flux et construire une infrastructure suffisamment ouverte, flexible et efficace pour accompagner l’augmentation des usages sans subir l’explosion des coûts.