Chez Dell, Christian Spindeldreher veut faire passer l’IA à l’échelle

L’intelligence artificielle est désormais présente dans un grand nombre de projets d’entreprise. Pourtant, entre une démonstration prometteuse et un outil réellement utilisé au quotidien par des équipes métier, l’écart reste considérable. À la date de publication de cet article, le 21 septembre 2025, Christian Spindeldreher, Responsable Technologique pour la Gestion des Données et l’IA chez Dell Technologies, place cet écart au centre de son analyse : l’IA ne produit des résultats durables que si l’infrastructure, les données, les règles de sécurité et les méthodes de déploiement sont conçues pour fonctionner ensemble.

Cette approche déplace le débat. Il ne s’agit plus seulement de choisir un modèle d’IA performant ou d’installer des processeurs graphiques dans un centre de données. Les organisations doivent être capables de repérer les cas d’usage utiles, d’accéder aux informations pertinentes, de protéger ce qui est sensible et de faire fonctionner les modèles dans des processus existants. C’est cette chaîne complète que Dell Technologies cherche à couvrir avec ses plateformes et ses partenariats.

Du pilote à l’outil opérationnel : le véritable défi de l’IA

Les projets pilotes permettent de vérifier rapidement si un assistant, un moteur de recherche ou un outil de prédiction répond à un besoin précis. Mais un pilote s’appuie souvent sur un périmètre réduit : un petit jeu de données, quelques utilisateurs, un environnement informatique isolé et une tolérance aux interventions manuelles. Le passage à l’échelle change complètement la nature du problème.

Pour Christian Spindeldreher, les entreprises doivent alors disposer de trois éléments complémentaires : une infrastructure solide, une gestion fiable des données et la capacité de déployer rapidement des modèles dans différents flux de travail. Sans cela, un projet peut rester bloqué au stade de la preuve de concept, même si le modèle employé donne de bons résultats en démonstration.

La notion de déploiement recouvre ici plusieurs réalités. Une application d’IA doit notamment pouvoir recevoir les bonnes données, produire une réponse dans un délai compatible avec son usage, être mise à jour lorsque le modèle évolue et rester accessible aux personnes autorisées. Les attentes ne sont pas les mêmes pour un outil interne de rédaction, pour l’analyse de dossiers médicaux ou pour un système utilisé par une administration. Dans tous les cas, l’industrialisation impose de relier l’IA au système d’information plutôt que de la traiter comme une expérimentation séparée.

AI Factory et Data Lakehouse, les deux briques mises en avant par Dell

Dell Technologies présente son AI Factory et son Data Lakehouse comme une base unifiée pour accompagner ce changement d’échelle. L’objectif affiché est de simplifier la construction des plateformes, afin que les organisations consacrent davantage de temps aux cas d’usage et moins de temps à assembler des composants techniques dispersés.

L’AI Factory vise l’infrastructure et le déploiement de l’IA. Le Data Lakehouse répond, lui, à la question de l’accès et de l’organisation des données. Le terme « lakehouse » désigne une architecture qui cherche à réunir les atouts d’un lac de données, adapté aux volumes importants et aux données variées, avec ceux d’un entrepôt de données, plus structuré pour l’analyse et les requêtes. Dans le discours de Dell, cette complémentarité doit permettre de développer et d’exécuter plus rapidement des applications d’IA.

Cette logique d’intégration répond à une difficulté fréquente : les compétences, les données et les systèmes techniques sont rarement regroupés au même endroit. Une direction métier peut identifier un besoin, tandis que les données associées se trouvent dans plusieurs applications et que l’équipe informatique doit encore déterminer où exécuter les charges de travail. Dell défend donc une approche dans laquelle l’infrastructure et la plateforme de données réduisent cette complexité initiale.

Pourquoi les données non structurées sont-elles cruciales pour l’IA ?

Une grande partie des connaissances utiles à une entreprise ne se présente pas sous la forme de lignes bien rangées dans un tableur ou une base relationnelle. Elles se trouvent dans des comptes rendus, des contrats, des courriels, des présentations, des images, des enregistrements vidéo ou des documents numérisés. Ces contenus sont qualifiés de données non structurées, car ils ne suivent pas tous un schéma fixe immédiatement exploitable par un logiciel classique.

Dell a récemment enrichi son AI Data Platform avec un moteur destiné à ces données, développé avec Elastic et utilisant des serveurs PowerEdge accélérés par GPU. L’ambition est de donner aux entreprises les moyens d’exploiter les volumes importants d’informations enfermées dans ces contenus, sans se limiter aux bases de données les plus faciles à interroger.

Le moteur évoqué associe deux approches de recherche. La recherche par mots-clés reste utile lorsqu’un utilisateur connaît précisément le terme ou la référence qu’il cherche. La recherche sémantique cherche, elle, à comprendre le sens d’une requête et à retrouver des contenus proches sur le plan conceptuel, même si les mots employés ne sont pas strictement identiques. Une recherche dite hybride combine ces deux mécanismes.

Dans un usage concret, cela peut aider une équipe à retrouver plus rapidement une information disséminée dans une documentation très abondante. Mais le gain ne dépend pas uniquement du moteur de recherche. Il faut aussi que les contenus soient indexés, que les droits d’accès soient respectés et que les résultats puissent être vérifiés. L’IA facilite l’exploration de vastes corpus, elle ne dispense pas de contrôler la fiabilité des réponses produites.

La gravité des données, un obstacle souvent sous-estimé

Christian Spindeldreher souligne aussi le problème de la dispersion des informations. Dans une grande organisation, les données sont réparties entre sites, applications métier, environnements cloud et systèmes historiques. Les déplacer en permanence vers une plateforme unique peut créer des délais, augmenter les coûts et multiplier les copies à sécuriser.

C’est ce que recouvre la notion de gravité des données : plus les ensembles de données sont volumineux, sensibles ou étroitement liés à leur environnement d’origine, plus il devient difficile de les déplacer. Dell met en avant son Data Lakehouse pour répondre à cette situation grâce à des requêtes fédérées depuis plusieurs sources. Au lieu de recopier systématiquement l’ensemble des informations, cette méthode vise à interroger des données là où elles résident, tout en offrant une vue plus cohérente à ceux qui doivent les analyser.

Cette approche s’inscrit dans les principes du Data Mesh, une organisation dans laquelle les données peuvent être gérées comme des produits par les domaines qui les connaissent le mieux, avec des règles communes d’accès et de gouvernance. La promesse est d’obtenir des analyses plus rapidement sans provoquer de mouvements inutiles de données. Dans la pratique, elle suppose néanmoins une bonne description des jeux de données et une coordination claire entre les équipes.

Garder certaines charges de travail sur site dans les secteurs sensibles

L’IA ne se déploie pas dans les mêmes conditions partout. Dans la santé, la finance ou le secteur public, les informations traitées peuvent être soumises à des exigences strictes de confidentialité, de conformité et de résidence des données. Certaines organisations doivent notamment maîtriser avec précision l’emplacement de leurs données et les personnes qui y accèdent.

Dell présente son AI Factory comme une réponse à ces contextes, en permettant de conserver les charges de travail sur site. L’argument est double : réduire les délais et les risques associés à une migration vers le cloud, tout en maintenant les données dans un environnement directement maîtrisé par l’organisation. Il ne s’agit pas d’opposer systématiquement le sur site au cloud. Les entreprises fonctionnent souvent dans des environnements hybrides ou multi-cloud. Mais, pour certains usages et certaines informations, le traitement local peut répondre plus directement aux contraintes opérationnelles et réglementaires.

Cette question doit être examinée cas par cas. La localisation de l’infrastructure ne règle pas, à elle seule, tous les sujets de sécurité. Les entreprises doivent aussi définir les autorisations, journaliser les accès, protéger les échanges et contrôler les données utilisées pour entraîner ou alimenter les systèmes d’IA. L’intérêt de la proposition de Dell réside dans la volonté d’intégrer ces sujets au niveau de la plateforme, plutôt que de les ajouter à la fin d’un projet.

Des GPU aux centres de données, la course à la puissance de calcul

L’exécution de charges de travail d’IA exigeantes nécessite une puissance de calcul importante, notamment pour l’entraînement ou l’inférence de modèles traitant de grands volumes de données. Dell s’appuie sur des partenariats pour couvrir cet aspect de la chaîne. La collaboration mentionnée avec CoreWeave autour du déploiement de GPU NVIDIA Blackwell Ultra illustre cette recherche de performances et d’évolutivité à l’échelle des centres de données.

Les processeurs graphiques, ou GPU, sont particulièrement adaptés à de nombreux calculs réalisés en parallèle par les modèles d’IA. Leur intégration dans de très grandes infrastructures soulève cependant d’autres questions : alimentation électrique, réseau, stockage et refroidissement doivent suivre le rythme. Dell souligne ainsi la nécessité d’un refroidissement efficace pour ces plateformes, car la puissance de calcul ne peut pas être pensée séparément des contraintes physiques du centre de données.

L’enjeu n’est donc pas seulement d’obtenir les composants les plus puissants. Pour une entreprise, il s’agit surtout de disposer d’une architecture cohérente, dimensionnée selon ses cas d’usage et capable de progresser avec les besoins. Un système surdimensionné peut coûter cher et rester sous-utilisé. Un système trop limité risque, lui, de ralentir les équipes ou d’empêcher l’adoption de nouveaux usages.

Gouvernance, sécurité et conformité : les conditions de la confiance

À mesure que l’IA s’insère dans les activités quotidiennes, la gouvernance devient un sujet opérationnel. Une entreprise doit savoir quelles données sont disponibles, quelle est leur origine, qui peut les consulter et dans quelles conditions elles peuvent alimenter une application d’IA. Elle doit également être en mesure d’appliquer ses règles de conformité dans des environnements où coexistent plusieurs clouds et des systèmes locaux.

Dell affirme intégrer ces principes à ses plateformes par la consolidation et la sécurisation de l’accès aux données, notamment au moyen de produits de données et de mécanismes de fédération. Les catalogues de données ont ici un rôle important. Ils servent à documenter les jeux de données, à faciliter leur découverte et à associer des règles de gestion ou des informations de conformité.

Une gouvernance robuste ne doit pas être comprise comme une simple couche administrative. Elle permet aussi d’améliorer l’usage de l’IA : une équipe qui identifie plus facilement une source fiable et connaît ses conditions d’utilisation peut avancer plus vite. À l’inverse, un accès mal contrôlé à des données sensibles, ou des données insuffisamment décrites, peut fragiliser un projet avant même qu’il ne soit généralisé.

Ce qu’il faut surveiller dans l’IA d’entreprise

Christian Spindeldreher anticipe une implication plus profonde des entreprises dans l’IA opérationnelle. Il cite notamment l’IA agentique, l’IA de bord et les systèmes multimodaux parmi les évolutions qui devraient compter. L’IA agentique désigne des systèmes capables d’enchaîner des actions pour atteindre un objectif. L’IA de bord, ou edge AI, rapproche le traitement des données de leur lieu de production. Les systèmes multimodaux, eux, peuvent traiter plusieurs types de contenus, comme du texte, des images ou du son.

Ces évolutions renforceront l’importance du matériel et des réseaux, car les modèles devront être exécutés dans des environnements de plus en plus divers. Dell prévoit également une intégration plus poussée de l’IA dans les appareils personnels, dont les PC et ordinateurs portables. Pour les organisations, la question décisive restera la même : où l’IA crée-t-elle une valeur vérifiable, avec quelles données et sous quelles règles de sécurité ?

L’approche défendue par Dell ne promet pas une automatisation instantanée. Elle rappelle plutôt une réalité souvent masquée par la rapidité des démonstrations : mettre l’IA à l’échelle est un travail d’architecture, de données et de gouvernance. Les entreprises qui avanceront durablement seront celles qui traiteront ces fondations comme une partie intégrante de leur stratégie, et non comme un obstacle technique à contourner.