RéponsesPublié18 sources
Pourquoi les projets d’IA peinent à passer du pilote à la production en Asie-Pacifique
Selon des résultats d’enquête, 77 à 87 % des organisations de la région estiment que leur infrastructure sur site n’est pas entièrement prête pour les charges de travail d’IA ; la proportion atteint 77 % à Singapour. Pour passer à l’échelle, les entreprises doivent préparer ensemble les infrastructures, la gouvernan...
Publié parModifié avec GPT-6 LunaImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- Selon des résultats d’enquête, 77 à 87 % des organisations de la région estiment que leur infrastructure sur site n’est pas entièrement prête pour les charges de travail d’IA ; la proportion atteint 77 % à Singapour.
- Pour passer à l’échelle, les entreprises doivent préparer ensemble les infrastructures, la gouvernance, les données et les équipes opérationnelles.
- Faire coexister machines virtuelles et conteneurs peut permettre de moderniser les services d’IA sans remplacer tous les systèmes existants.
Prompt IA
openai.comCreate a landscape editorial hero image for this Studio Global article: Why are enterprises across Asia Pacific and Japan struggling to scale AI from pilots to production despite advanced models, with more than t. Article summary: The central problem is a production-readiness gap, not simply a shortage of powerful models: APJ reporting puts on-premises AI infrastructure unreadiness at 77%–87%, alongside concerns about governance and data sovereign. Topic tags: general, general web, government. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake n
Un modèle performant ne suffit pas à garantir une mise en production réussie. En Asie-Pacifique et au Japon (APJ), des enquêtes indiquent que 77 à 87 % des organisations estiment que leur infrastructure sur site n’est pas entièrement prête pour les charges de travail d’IA. À Singapour, la proportion rapportée est de 77 %.2
14 Derrière ces chiffres se dessine un défi plus large : tenir les objectifs de performance, maîtriser les questions de sécurité et de souveraineté des données, et exploiter l’IA dans des environnements informatiques répartis sur plusieurs sites.
Pour sortir du stade du pilote, il faut donc penser ces fondations dès la conception du cas d’usage, et non les traiter comme une étape technique à régler plus tard.
Pourquoi les pilotes ne passent-ils pas toujours à l’échelle ?
Un projet peut donner de bons résultats dans un cadre de test contrôlé et se heurter à d’autres réalités une fois déployé. En production, l’IA doit fonctionner avec les données réelles, les applications déjà en place, des exigences de disponibilité, des contrôles de sécurité et des coûts récurrents. Le modèle n’est qu’un élément du service.
Les retours sur la région APJ mettent notamment en avant les limites de performance, les préoccupations liées à la sécurité et à la souveraineté, ainsi que la complexité du déploiement et de la gestion lorsque l’IA s’étend au-delà du siège.2 Si ces questions sont traitées séparément, une équipe peut se retrouver avec un prototype prometteur, mais sans parcours clair et encadré pour le déployer à grande échelle.
Ces chiffres de préparation doivent toutefois être interprétés avec prudence : ils reflètent des réponses à une enquête sur les infrastructures, et non un audit indépendant des capacités de déploiement de chaque organisation.12 Ils signalent une préoccupation répandue, mais ne permettent pas, à eux seuls, de prédire quels projets réussiront ou échoueront.
Partir du cas d’usage, puis bâtir le plan de production
Commencez par définir le problème métier à résoudre et les critères qui permettront de juger le fonctionnement du service. Avant de choisir où et comment exécuter l’IA, désignez un responsable côté métier, fixez un résultat mesurable et précisez les attentes en matière de qualité de service, de coût et de gestion des cas incertains ou des pannes.
Cartographiez ensuite les dépendances de l’application : accès aux données et circulation de celles-ci, stockage, puissance de calcul, capacité réseau, connexions aux systèmes existants, contrôles de sécurité et soutien opérationnel. Testez ces éléments dans des conditions proches de l’usage prévu. Cette démarche aide à déterminer si le frein vient du modèle, de l’infrastructure, de l’accès aux données ou du mode d’exploitation.
Faites ensuite avancer la feuille de route de l’IA au même rythme que celle de l’infrastructure. Il s’agit de moderniser les composants qui bloquent le cas d’usage, pas de remplacer tous les systèmes historiques d’un seul coup au nom de l’IA.
Intégrer la gouvernance au déploiement
À Singapour, pour les institutions financières, l’Autorité monétaire de Singapour (MAS) définit dans ses orientations sur la gestion des risques liés à l’IA des attentes en matière de supervision, de gestion des risques et de contrôles tout au long du cycle de vie.21
31 Elle renvoie également les institutions financières vers un outil élaboré par le secteur pour les aider à mettre ces pratiques en œuvre.
18
Pour une entreprise, la leçon opérationnelle est simple : clarifier les responsabilités avant le lancement. Nommez des responsables pour le résultat métier, les données, le modèle, l’infrastructure et la réponse aux incidents. Prévoyez des étapes de validation, définissez le suivi du système et établissez les conditions dans lesquelles une personne doit intervenir ou le service être interrompu. La gouvernance est plus utile lorsqu’elle influence les décisions de conception et de déploiement que lorsqu’elle se résume à une validation de dernière minute.
Penser la souveraineté des données dans les opérations
Le choix de l’emplacement d’un centre de données ne suffit pas, à lui seul, à déterminer qui contrôle les données : la juridiction applicable et les conditions d’accès peuvent aussi compter.33 Avant le déploiement, établissez quelles données sont traitées et où elles circulent, y compris dans les journaux et les sauvegardes. Examinez les juridictions et les modalités d’accès qui s’appliquent au service, puis traduisez les règles approuvées de localisation et de transfert dans les procédures de déploiement et d’assistance.
Les obligations varient selon l’organisation et l’usage. L’objectif n’est pas de supposer que toute charge de travail d’IA doit fonctionner sur site, mais de décider délibérément de son emplacement et de ses accès, en tenant compte des exigences applicables.
Faire cohabiter machines virtuelles et conteneurs
De nombreuses entreprises doivent continuer à faire fonctionner leurs applications métier virtualisées tout en développant des services fondés sur des conteneurs. Dans la région APJ, les organisations associent de plus en plus virtualisation et conteneurs à mesure que les environnements hybrides se développent ; cette évolution exige aussi de nouvelles compétences et méthodes de travail.3
Une approche pragmatique consiste à conserver les systèmes existants sur des machines virtuelles lorsqu’elles restent adaptées, et à exécuter les services d’IA dans des conteneurs lorsque cela convient à l’application. Reliez-les par des interfaces de données et des API encadrées, avec des pratiques cohérentes pour les identités, la sécurité, la supervision, les sauvegardes et la reprise après incident. Un mode d’exploitation commun signifie des contrôles partagés et des responsabilités claires, pas nécessairement une technologie identique pour chaque charge de travail.
Passer à l’échelle grâce à une méthode reproductible
Faites travailler ensemble les équipes métier, données, plateforme, sécurité, risques et opérations. Ne passez un cas d’usage en production que lorsque ses dépendances, ses contrôles et son soutien opérationnel sont prêts. Après le lancement, suivez les résultats qui comptent pour l’activité, ainsi que la fiabilité, la qualité de service et les coûts. Les enseignements tirés pourront ensuite alimenter des modèles de déploiement et des procédures réutilisables pour les projets suivants.
L’image de la Formule 1 résume bien l’enjeu : le modèle peut être le moteur, mais toute la voiture doit fonctionner de concert. L’infrastructure, la gouvernance, les pratiques liées aux données et les équipes chargées du service déterminent aussi si l’IA peut tenir la distance au-delà d’un pilote.
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « Pourquoi les projets d’IA peinent à passer du pilote à la production en Asie-Pacifique » ?
Selon des résultats d’enquête, 77 à 87 % des organisations de la région estiment que leur infrastructure sur site n’est pas entièrement prête pour les charges de travail d’IA ; la proportion atteint 77 % à Singapour.
Quels sont les points clés à valider en premier ?
Selon des résultats d’enquête, 77 à 87 % des organisations de la région estiment que leur infrastructure sur site n’est pas entièrement prête pour les charges de travail d’IA ; la proportion atteint 77 % à Singapour. Pour passer à l’échelle, les entreprises doivent préparer ensemble les infrastructures, la gouvernance, les données et les équipes opérationnelles.
Que dois-je faire ensuite en pratique ?
Faire coexister machines virtuelles et conteneurs peut permettre de moderniser les services d’IA sans remplacer tous les systèmes existants.