La promesse de l’intelligence artificielle (IA) pour les entreprises se heurte souvent à une réalité déroutante : plus la donnée est proche de son point de génération, plus sa traitement avec une faible latence et des garanties de sécurité est complexe. Dans ce contexte, Datavault AI Inc. (Nasdaq : DVLT) a annoncé l’élargissement de sa collaboration avec IBM afin de déployer des capacités d’IA en périphérie du réseau (edge) à New York et Philadelphie, en s’appuyant sur SanQtum AI, une plateforme gérée par Available Infrastructure, basée sur une flotte de micro-centres de données en edge synchronisés.
Objectif ambitieux : permettre le stockage et le calcul cybersecurity, l’évaluation en temps réel des données, la tokenisation et un traitement à très faible latence dans deux zones métropolitaines que les acteurs décrivent comme particulièrement riches en génération de données. L’infrastructure opérera la gamme de produits IBM watsonx dans un réseau zero trust, dans une approche visant à réduire la dépendance aux canaux de traitement centralisés dans le cloud public pour certains cas d’usage sensibles.
Du « cloud-first » au « edge-first » pour les charges critiques
Au cours des dernières années, la majorité des organisations ont centralisé leurs pipelines de données et leurs analyses dans des architectures souvent cloud. Cependant, cette stratégie n’est pas toujours adaptée lorsque des exigences strictes de latence, de souveraineté des données, de confidentialité ou d’intégrité s’imposent. La démarche annoncée par Datavault AI cible précisément cette problématique : traiter et valoriser la donnée au moment de sa création, en évitant de la transférer d’abord vers une plateforme externe.
Selon le communiqué, Datavault AI déploiera ses agents Information Data Exchange (IDE) et DataScore, construits avec watsonx, au sein de l’environnement zero trust de SanQtum AI. L’objectif est que la donnée soit traitée, évaluée et tokenisée à l’edge, passant ainsi d’une « entrée brute » à une propriété numérique authentifiée quasi instantanément. La société souligne que cette démarche ouvre la voie à des modèles de commerce de données à haut niveau de sécurité, où la traçabilité et la résistance à la manipulation sont indispensables, pas facultatives.
Tokenisation et « propriété numérique » en temps réel
Le terme « tokenisation » est parfois utilisé de manière trop légère dans l’industrie, mais ici il revêt une signification pratique : représenter les données comme des actifs numériques authentifiés, prêts à être vérifiés, évalués et partagés selon des règles d’accès et de contrôle définies. Le déploiement vise concrètement quatre objectifs :
- Réduire la dépendance aux pipelines centralisés dans le cloud.
- Éliminer le délai entre la création de la donnée et sa monétisation ou exploitation.
- Éviter toute manipulation en maintenant la donnée dans un réseau local zero trust.
- Permettre aux entreprises de traiter la donnée comme une propriété numérique négociable en temps réel.
Dans la communication officielle, cette « instantanéité » n’est pas un simple détail : c’est le coeur du concept. Nathaniel Bradley, CEO de Datavault AI, lie cette initiative à une transformation de l’économie des données, en combinant la « intelligence » de watsonx avec la « rapidité » de SanQtum AI. De son côté, Available Infrastructure affirme que sa plateforme rassemble rapidité, résilience et protection dans un seul bloc technologique.
Quel rôle joue IBM watsonx dans cette équation ?
IBM intervient comme la couche d’IA d’entreprise : modèles, outils et produits watsonx tournant sur cette infrastructure distribuée. Le communiqué inclut également une lecture stratégique : ce déploiement s’inscrit dans l’approche écosystémique d’IBM pour déployer une IA évolutive auprès des entreprises aux besoins complexes.
Par ailleurs, IBM avait déjà annoncé que Datavault AI utilise watsonx.ai pour construire des agents comme DataScore, une composante destinée à évaluer la qualité et les risques liés aux données, avec des références à la conformité réglementaire (telles que GDPR ou CCPA) dans des documents antérieurs d’IBM. Ces capacités concrétisent l’objectif central du projet : transformer non seulement des inférences, mais aussi des données en actifs avec un contexte, des contrôles et une vérifiabilité.
Micro-centres de données en edge : une tendance qui s’accélère
SanQtum AI se présente comme une plateforme d’IA cyber-sécurisée, déployée dans des centres de données distribués à très faible latence autour des zones urbaines majeures. Available Infrastructure affirme que son environnement s’appuie sur un modèle de réseau privé en maillage, zero trust, doté d’un chiffrement résistant aux attaques quantiques, témoignant d’un positionnement clair : pour les charges sensibles, les infrastructures critiques et les données ne souhaitant pas « sortir » en environnement ouvert.
Concrètement, cette approche répond à une pression croissante : l’IA en production exige une proximité immédiate avec la donnée, particulièrement pour le scoring en temps réel, l’analyse médiatique, la vérification d’identité, les credentials ou l’automatisation de processus où la moindre latence peut compromettre l’efficacité.
Calendrier : de la phase de conception à la mise en œuvre complète
Le communiqué prévoit une capacité d’opérer à grande échelle à New York et Philadelphie dès le premier trimestre 2026, avec des plans d’expansion vers d’autres zones métropolitaines. Par ailleurs, Datavault AI a aussi partagé d’autres annonces dans cette même période, évoquant des étapes ultérieures comme la finalisation du déploiement au second trimestre 2026, dans le cadre d’une stratégie d’expansion plus large. Quoi qu’il en soit, le message reste cohérent : consolider un corridor urbain d’IA en edge et le reproduire dans de nouvelles villes.
Une vision de l’edge « authentique », pas une opération marketing
L’industrie parle de l’edge depuis des années, mais de nombreuses initiatives restent à l’état de projets pilotes ou d’architectures hybrides en cours de développement. La différence réside ici dans l’intégration de trois piliers : micro-centres de données (pour la faible latence), zero trust (pour la sécurité) et watsonx (pour l’IA d’entreprise), avec une proposition concrète orientée vers la monétisation et la vérification des données.
Si cette initiative parvient à se concrétiser avec succès, elle pourrait devenir un exemple concret de la manière dont certaines entreprises réinventent le paysage de l’IA : moins de dépendance aux grandes régions cloud, plus de calculs à proximité immédiate de la donnée, et un contrôle renforcé sur l’authentification, la valorisation et l’exploitation en temps réel.
Foire aux questions (FAQ)
Que signifie déployer une intelligence artificielle « en edge » avec une très faible latence ?
Cela implique d’exécuter des modèles et des services d’IA proche de leur point de collecte (par exemple, dans des micro-centres de données urbains), réduisant ainsi les délais et améliorant la réactivité pour des cas d’usage en temps réel.
Qu’est-ce qu’un réseau zero trust et pourquoi est-il crucial dans l’IA d’entreprise ?
Zero trust est une approche de sécurité qui ne fait pas confiance de manière implicite à aucun utilisateur, dispositif ou segment de réseau. En IA, il devient essentiel pour protéger des données sensibles et minimiser les risques d’exposition, de déplacement latéral ou de manipulation.
En quoi consiste la tokenisation des données d’entreprise proposée par Datavault AI ?
Elle vise à transformer les données en propriété numérique authentifiée en temps réel, facilitant ainsi leur vérification, leur valorisation et leur contrôle d’accès sans dépendre de pipelines centralisés, évitant ainsi d’ajouter de la latence.
Ce concept pourrait-il remplacer la cloud public dans certains projets d’IA ?
Pas nécessairement. Il couvre surtout des cas où la latence et la sécurité priment. Dans beaucoup d’environnements, il cohabitera avec le cloud public sur un modèle hybride : edge pour le temps réel et les données sensibles, cloud pour le traitement à grande échelle et l’analyse moins critique.
Source : newsroom.ibm
