Red Hat Summit 2026 : Red Hat AI 3.4 veut industrialiser l’IA agentique

Ensuite, Red Hat rattache cette ambition à Red Hat AI Enterprise. Cette plateforme réunit Red Hat AI Inference Server, Red Hat OpenShift AI et Red Hat Enterprise Linux AI au sein d’un portefeuille destiné au déploiement de modèles, d’agents et d’applications. Des analyses externes décrivent l’approche comme une pile allant du matériel jusqu’aux agents, reliant infrastructure, opérations sur les modèles et déploiement d’agents entre centres de données et clouds publics.

Troisième élément : Red Hat met en avant Red Hat AI 3.4 et Red Hat AI Inference Server 3.4. La documentation Red Hat liste Red Hat AI Inference Server 3.4, avec un aperçu des nouveautés de la version 3.4 Early Access EA2, tandis que la page produit de Red Hat indique que Red Hat AI 3.4 est disponible. Les éléments disponibles confirment donc l’existence et le positionnement de la version, mais ne suffisent pas à valider des gains de performance précis ou des benchmarks spécifiques à Red Hat AI 3.4.

Enfin, les partenaires occupent une place importante. Microsoft et Red Hat ont mis en avant Azure Red Hat OpenShift au Summit 2026 comme une base pour exécuter des charges de modernisation applicative et d’IA en production avec gouvernance, sécurité et passage à l’échelle. D’autres sources indiquent que Red Hat AI Enterprise s’accompagne aussi d’un rapprochement avec NVIDIA autour d’une offre baptisée Red Hat AI Factory with NVIDIA.

Pourquoi l’IA agentique change la donne

L’IA agentique ne se limite pas à appeler un grand modèle de langage. Un agent en production peut devoir récupérer du contexte, appeler des outils, dialoguer avec d’autres services, router l’inférence, s’authentifier, respecter des frontières de données et rester observable. La documentation développeurs de Red Hat explique que sa plateforme prend en charge, au niveau plateforme, le service des modèles, les garde-fous de sûreté, le routage de l’inférence, l’identité des agents et la sécurité de la chaîne d’approvisionnement avant même l’écriture de la première configuration d’agent.

C’est ce qui éclaire le rôle de Red Hat AI 3.4. Le sujet n’est pas seulement de servir un modèle plus vite. Il s’agit de fournir une couche d’exploitation pour les agents : comment ils accèdent aux modèles, comment l’inférence est routée, comment les agents sont gouvernés et où les charges de travail s’exécutent.

MaaS, vLLM, Llama Stack : les chemins vers les modèles

Pour des agents d’IA, l’accès aux modèles est fondamental. La documentation Red Hat sur le déploiement d’agents indique que les agents ont besoin d’inférence LLM et présente trois voies pour les utilisateurs de Red Hat AI : vLLM, Llama Stack et Models-as-a-Service, ou MaaS.

L’enjeu est concret pour les équipes informatiques. Tous les agents ne peuvent pas appeler librement une API externe sans contrôle. Red Hat souligne qu’une API hébergée peut impliquer l’envoi des prompts hors du cluster, une facturation au jeton et une dépendance à un tiers pour les données. MaaS fournit donc une autre voie d’accès aux modèles dans l’architecture Red Hat AI, tandis que vLLM et Llama Stack offrent d’autres options pour servir ou intégrer des modèles.

Le point le mieux étayé est que MaaS fait partie des options d’inférence agentique de Red Hat AI. En revanche, les sources disponibles ne démontrent pas qu’il s’agit d’une nouveauté exclusivement liée à Red Hat AI 3.4. Il est donc plus prudent de considérer MaaS comme une composante de la plateforme agentique Red Hat AI, plutôt que comme une fonctionnalité 3.4 isolée et vérifiée.

Inférence plus rapide : une direction claire, peu de chiffres 3.4

La stratégie d’inférence de Red Hat consiste à rendre le service des modèles plus rapide, plus efficace et plus portable dans des environnements hybrides. Red Hat a présenté Red Hat AI Inference Server comme une solution propulsée par vLLM et enrichie par des technologies Neural Magic afin de fournir une inférence plus rapide, plus performante et plus rentable dans le cloud hybride. SD Times a également rapporté que Red Hat AI Enterprise utilise des environnements d’exécution optimisés comme vLLM et le framework llm-d pour un service de modèles à haut débit et faible latence.

La page produit de Red Hat reprend ce cadrage en parlant d’une inférence rapide et efficace, portée par vLLM et des technologies associées. Ce que l’extrait de documentation disponible pour Red Hat AI Inference Server 3.4 ne montre pas, en revanche, c’est un benchmark concret, un pourcentage d’amélioration ou un résultat mesuré sur une charge de travail donnée. La direction est nette : Red Hat veut faire de l’inférence une couche d’exploitation de l’IA de production. Les chiffres exacts propres à la version 3.4 demandent toutefois des notes de version ou des tests plus détaillés.

Gouvernance et gestion des agents

La valeur de l’IA agentique en entreprise dépend de la maîtrise opérationnelle. Red Hat décrit une prise en charge au niveau plateforme des garde-fous, du routage, de l’identité et de la sécurité de la chaîne d’approvisionnement. L’entreprise affirme aussi que Red Hat AI permet aux organisations d’apporter leurs propres agents et de les déployer avec la gouvernance et le contrôle attendus par les entreprises.

Red Hat AI Enterprise renforce ce message en se présentant comme une plateforme pour déployer et gérer modèles, agents et applications dans le cloud hybride. Le billet de Microsoft sur Azure Red Hat OpenShift au Summit 2026 emploie une logique comparable autour de l’IA en production, avec gouvernance, sécurité et passage à l’échelle.

Pour les décideurs, le signal est clair : Red Hat veut traiter les agents comme des charges de travail d’entreprise à part entière, et non comme du simple code applicatif autour d’un modèle. La plateforme vise les problèmes qui apparaissent dès que les agents sortent du laboratoire : identité, contrôle, routage, sécurité et exploitation continue.

Le cloud hybride reste le pari central

Le point le plus solidement documenté est le déploiement hybride. Red Hat AI Enterprise est explicitement présenté comme une plateforme intégrée pour déployer et gérer des modèles, agents et applications d’IA dans le cloud hybride. La couverture de la plateforme indique qu’elle englobe Red Hat AI Inference Server, Red Hat OpenShift AI et Red Hat Enterprise Linux AI, en reliant infrastructure, opérations sur les modèles et déploiement d’agents entre centres de données et services de cloud public.

Cette stratégie s’inscrit dans la logique OpenShift et RHEL de Red Hat. Red Hat AI Enterprise est décrit comme une façon d’unifier le cycle de vie de l’IA sur la base de Red Hat Enterprise Linux et Red Hat OpenShift. Red Hat Enterprise Linux AI est aussi présenté comme incluant Red Hat AI Inference afin de fournir un contrôle opérationnel pour exécuter des modèles sur des accélérateurs dans le cloud hybride, avec une inférence optimisée pour NVIDIA, Intel et AMD.

NVIDIA : une intégration importante, pas entièrement spécifique à la 3.4

Les sources disponibles soutiennent l’idée d’un rapprochement entre Red Hat et NVIDIA, mais ne détaillent pas entièrement ce qui serait nouveau spécifiquement dans Red Hat AI 3.4. La couverture de Red Hat AI Enterprise indique que Red Hat a élargi sa collaboration avec NVIDIA via une offre co-conçue appelée Red Hat AI Factory with NVIDIA. Un communiqué Red Hat du précédent Summit décrivait déjà une intégration avec le design validé NVIDIA Enterprise AI Factory, comprenant des serveurs NVIDIA RTX PRO et des systèmes NVIDIA B200 Blackwell exécutés sur Red Hat AI.

Pour l’IA agentique, c’est significatif : le choix des accélérateurs et la validation de l’infrastructure deviennent essentiels lorsque les charges d’inférence augmentent. Mais les documents disponibles n’identifient pas de liste de fonctionnalités NVIDIA propres à Red Hat AI 3.4, ni de benchmark associé. La lecture la plus prudente est donc que Red Hat AI 3.4 s’insère dans un portefeuille de plus en plus aligné avec l’infrastructure NVIDIA, sans que tous les détails de mise en œuvre au niveau de la version soient encore documentés.

Souveraineté, espace et véhicules définis par logiciel

La couverture du Summit indique que Red Hat a mis en avant la gouvernance, la souveraineté et la sécurité, tout en étendant ses plateformes open source à des environnements spécialisés comme les véhicules définis par logiciel et l’informatique spatiale. Cela confirme l’ambition de pousser la plateforme au-delà du centre de données et du cloud classique.

Mais il faut garder une limite importante : les sources disponibles ne nomment pas de partenariats précis de cloud souverain et ne décrivent pas l’architecture technique des cas d’usage dans l’espace ou dans les véhicules définis par logiciel. Ces exemples doivent donc être lus comme des axes stratégiques d’extension pour la plateforme hybride et edge de Red Hat, pas comme des plans d’implémentation complets à partir des seuls éléments disponibles.

Ce qu’il faut retenir

La narration IA de Red Hat au Summit 2026 vise à rendre l’IA agentique exploitable en production. Red Hat AI 3.4, Red Hat AI Inference Server et Red Hat AI Enterprise sont positionnés autour des sujets difficiles : accès aux modèles, inférence plus efficace, gouvernance des agents, identité, contrôle de la chaîne d’approvisionnement et déploiement dans le cloud hybride.

Le point le plus solide est l’orientation plateforme. Red Hat veut permettre aux entreprises d’exécuter agents et modèles avec le même niveau de contrôle que pour leurs applications critiques : sur OpenShift et RHEL, entre centres de données et clouds publics, avec un choix de modèles et d’accélérateurs. Les zones moins établies concernent les détails : benchmarks exacts de la version 3.4, partenariats nommés autour du cloud souverain, et mise en œuvre technique des intégrations NVIDIA, des usages spatiaux ou des véhicules définis par logiciel.