IBM z17 : le nouveau mainframe qui veut faire tourner l’IA près des données

Le débat entre cloud et données locales est souvent présenté comme un choix binaire. IBM défend une autre voie avec le z17, dévoilé le 8 avril 2025 : rapprocher les traitements d’intelligence artificielle des données et des applications critiques, sans exiger que tout soit déplacé vers un cloud public. Pour les banques, assureurs, administrations, industriels ou distributeurs qui font encore tourner des opérations essentielles sur des systèmes centraux, l’enjeu est considérable.

Le z17 n’est pas un serveur ordinaire installé dans une salle informatique. C’est un mainframe, cette famille de très grands systèmes conçus pour exécuter durablement des charges transactionnelles massives et critiques. IBM veut y faire entrer plus directement l’IA générative et l’IA prédictive, en particulier au moment où une entreprise utilise un modèle pour produire une réponse, classer une demande ou détecter une anomalie.

IBM z17 : un serveur central, mais surtout un mainframe pour l’IA

Le terme de serveur centralisé peut prêter à confusion. Un mainframe rassemble effectivement des ressources de calcul, de traitement et de gestion dans une infrastructure centrale. Mais sa fonction ne consiste pas nécessairement à stocker toutes les informations d’une organisation dans une unique machine. Dans de nombreuses entreprises, il dialogue avec des bases de données, des applications historiques, des réseaux internes et des environnements cloud.

Avec z17, IBM met l’accent sur ce que l’on appelle l’inférence. À la différence de l’entraînement, phase durant laquelle un modèle apprend à partir de très grandes quantités de données, l’inférence est l’utilisation quotidienne du modèle. C’est elle qui intervient, par exemple, lorsqu’un système évalue le risque d’une transaction bancaire, oriente un client vers un service, extrait une information d’un document ou aide un opérateur à prendre une décision.

IBM affirme que son nouveau système peut prendre en charge plus de 250 cas d’usage d’IA. Le groupe annonce également une capacité allant jusqu’à 450 milliards d’opérations d’inférence par jour, avec une latence annoncée de 1 milliseconde. Ces indicateurs décrivent le potentiel technique revendiqué par le constructeur. Ils ne préjugent pas de la qualité d’un modèle d’IA, ni des résultats qu’obtiendra chaque entreprise dans son propre environnement.

Le z17 repose sur le processeur IBM Telum II, conçu notamment pour intégrer des capacités d’accélération de l’IA dans un environnement de mainframe. IBM prévoit aussi l’arrivée de l’accélérateur IBM Spyre au quatrième trimestre 2025. Cette carte additionnelle doit permettre d’étendre les traitements d’IA selon les besoins des clients.

Pourquoi traiter l’IA près des données ?

La promesse centrale d’IBM est de permettre l’exécution de l’IA là où se trouvent déjà les données sensibles et les applications métier. Cette approche est parfois qualifiée d’IA locale, d’IA sur site ou d’IA au plus près des données. Elle ne signifie pas forcément que les données ne sortent jamais du bâtiment de l’entreprise. Elle désigne plutôt la possibilité de les traiter dans une infrastructure que l’organisation contrôle, ou dans un environnement dont elle définit précisément les règles d’accès et d’hébergement.

Ce choix peut répondre à plusieurs contraintes très concrètes. Envoyer des données vers un service distant suppose de les transférer via le réseau, de définir qui peut les consulter, de vérifier les contrats conclus avec le prestataire et de maîtriser les copies éventuellement créées lors du traitement. Pour des données de paiement, des dossiers médicaux, des informations industrielles ou des documents administratifs, ces questions sont loin d’être accessoires.

L’autre intérêt tient au temps de réponse. Dans un système transactionnel, quelques millisecondes peuvent compter. Une vérification de fraude ou une décision d’autorisation de paiement doit souvent s’intégrer à un processus existant, sans ajouter un aller-retour supplémentaire vers un service externe. En exécutant l’inférence dans le même univers technique que l’application critique, l’entreprise peut limiter cette dépendance au réseau.

Enfin, la localisation des données répond à des obligations de conformité de plus en plus présentes. Le Règlement général sur la protection des données, ou RGPD, impose notamment de définir une finalité aux traitements, de protéger les données personnelles et de démontrer que leur traitement est encadré. Certains secteurs ajoutent leurs propres contraintes de traçabilité, de conservation et d’accès aux données.

Cela ne veut pas dire que le cloud public serait par nature incompatible avec la sécurité ou la conformité. Des services cloud peuvent offrir des mécanismes de protection, de chiffrement et de contrôle très avancés. Inversement, une infrastructure installée localement reste vulnérable si les droits d’accès sont mal configurés, si les correctifs ne sont pas appliqués ou si les sauvegardes sont insuffisantes.

Ce que le z17 change, et ce qu’il ne change pas

Le principal intérêt du z17 est d’ajouter une couche d’IA à des systèmes qui gèrent déjà des opérations de grande valeur. Un établissement financier peut vouloir détecter une anomalie pendant une transaction. Un assureur peut chercher à classer plus vite des dossiers. Une entreprise de transport ou de distribution peut vouloir prévoir une rupture de chaîne ou identifier une incohérence dans un flux de données. Dans tous ces cas, l’IA n’a de valeur que si elle s’intègre aux applications et aux processus de décision déjà en place.

Le z17 ne transforme toutefois pas, à lui seul, une organisation en entreprise pilotée par l’IA. Les données doivent être fiables, les cas d’usage doivent être clairement définis et les résultats doivent pouvoir être contrôlés par les équipes métier. Pour un modèle génératif, il faut aussi prévenir les réponses erronées, les divulgations d’informations confidentielles et les usages non autorisés.

Il est également important de distinguer capacité de calcul et souveraineté. Installer un système dans ses propres locaux donne davantage de contrôle sur l’infrastructure, mais la souveraineté dépend aussi des logiciels utilisés, des fournisseurs, des mises à jour, de la gestion des clés de chiffrement et des règles d’accès. La localisation physique n’est qu’un des éléments du problème.

Données locales ou cloud public : une opposition souvent trompeuse

Le lancement du z17 ne traduit pas un abandon du cloud par IBM. Il confirme plutôt l’installation durable d’un modèle hybride. Dans ce modèle, certaines applications et données restent proches des systèmes centraux, tandis que d’autres services tirent parti des ressources flexibles du cloud public ou d’un cloud privé.

Le cloud public est particulièrement utile lorsqu’une organisation a besoin de capacité à la demande, souhaite déployer rapidement un nouveau service ou expérimenter des outils qui n’exigent pas un accès direct à ses données les plus sensibles. Le mainframe, lui, conserve un rôle majeur pour les charges transactionnelles qui demandent continuité de service, contrôle fin et forte intégration avec des applications existantes.

Pour les entreprises, la vraie question n’est donc pas seulement : où stocker les données ? Elle est aussi : quelles données doivent être traitées où, par quel modèle, avec quelles autorisations et sous quelle supervision ? Le z17 vise précisément les organisations qui veulent éviter de déplacer systématiquement leurs données critiques pour profiter de l’IA.

Cette stratégie peut aussi faciliter l’adoption progressive. Une entreprise n’est pas obligée de réécrire tous ses systèmes pour expérimenter un traitement d’IA. Elle peut commencer par un cas circonscrit, tel que la détection d’anomalies, l’analyse de documents ou l’assistance aux équipes techniques, puis élargir le périmètre si les résultats sont concluants.

Sécurité et conformité : la centralisation ne suffit pas

Centraliser une partie des traitements peut simplifier la gouvernance. Il est plus facile de définir des règles communes de journalisation, de gestion des identités, de sauvegarde et de contrôle lorsqu’un système concentre les opérations les plus critiques. Cette centralisation peut aussi aider les équipes à savoir où circulent les données et quelles applications les utilisent.

Mais elle crée également un point d’attention majeur : un système central qui concentre des fonctions essentielles devient une cible particulièrement attractive pour des attaquants. La résilience doit donc être pensée dès le départ. Cela comprend la séparation des droits entre utilisateurs, l’authentification robuste, le suivi des accès, les mises à jour de sécurité, la segmentation des réseaux et des plans de reprise après incident régulièrement testés.

L’IA apporte ses propres risques. Un modèle peut être manipulé par des consignes malveillantes, produire une information inexacte ou reproduire un biais présent dans les données. Lorsqu’il intervient dans un processus critique, l’entreprise doit décider quelles actions peuvent être automatisées et lesquelles doivent être validées par un humain. Exécuter le modèle localement limite éventuellement l’exposition des données, mais ne corrige pas les erreurs du modèle.

Pour les responsables informatiques, l’enjeu sera donc de relier l’innovation matérielle à une gouvernance opérationnelle. Il faut pouvoir expliquer quels jeux de données alimentent l’IA, qui peut consulter ses résultats, combien de temps les informations sont conservées et comment une décision automatisée peut être contestée ou corrigée.

Quelles entreprises sont concernées par le z17 ?

Le z17 s’adresse d’abord aux organisations qui exploitent déjà des mainframes IBM ou qui ont des besoins très élevés de fiabilité et de traitement transactionnel. Les secteurs bancaire, assurantiel, public, industriel et commercial sont naturellement concernés, car ils manipulent souvent des volumes importants de données et des opérations qui ne peuvent pas être interrompues facilement.

Cela ne signifie pas que toutes les entreprises ont besoin d’un mainframe. Une petite structure qui veut tester un assistant interne ou automatiser quelques tâches peut trouver des solutions plus simples, dans le cloud ou sur des serveurs de taille plus modeste. Le bon choix dépend du volume de transactions, de la sensibilité des données, des logiciels déjà utilisés, des compétences disponibles et du niveau de disponibilité attendu.

La compatibilité constitue également un point clé. L’intégration d’un nouveau système avec des bases de données, des applications métier et des outils d’IA existants demande une préparation technique. Il ne suffit pas de disposer d’une infrastructure puissante : les données doivent être accessibles dans des conditions sûres, les flux doivent être bien définis et les équipes doivent pouvoir exploiter les résultats de l’IA.

Aucune durée de vie chiffrée du z17 ne peut être déduite de l’annonce. Dans ce type d’infrastructure, la pérennité dépend à la fois du matériel, des mises à jour logicielles, de la maintenance et de la stratégie informatique du client. Les entreprises devront donc examiner les options de support, les possibilités d’évolution et le coût global d’exploitation avant toute décision.

Ce qu’il faut surveiller

Le premier point à suivre est l’arrivée annoncée de l’accélérateur IBM Spyre au quatrième trimestre 2025. Sa disponibilité effective et son intégration aux logiciels utilisés par les clients diront beaucoup de la capacité du z17 à répondre aux usages d’IA les plus exigeants.

Il faudra aussi observer les premiers déploiements réels. Les chiffres de capacité annoncés par IBM donnent une indication sur l’ambition du système, mais les résultats dépendront des modèles choisis, de la nature des données et des applications concernées. Un outil de détection de fraude en temps réel, un assistant documentaire et un modèle génératif destiné au code n’imposent pas les mêmes contraintes.

Enfin, z17 rappelle que le marché de l’IA ne se joue pas uniquement dans les très grands centres de données des fournisseurs cloud. La prochaine étape pourrait être une répartition plus fine des traitements : les calculs les plus sensibles ou les plus urgents au plus près des systèmes métier, les tâches plus flexibles dans le cloud, et une gouvernance capable de relier les deux sans perdre le contrôle des données.