L’intelligence artificielle pour les entreprises commence à rencontrer une barrière moins visible que les modèles eux-mêmes, mais bien plus difficile à contourner : l’architecture sur laquelle elle doit s’appuyer. Pendant des années, de nombreuses entreprises ont conçu leurs systèmes pour faire circuler rapidement les données entre applications, clouds, régions et fournisseurs. Ce modèle convenait à une économie numérique mondiale, mais il commence à montrer ses limites lorsque des données sensibles, des réglementations, des enjeux géopolitiques et des charges d’IA nécessitant un accès continu à de grands volumes d’informations entrent en jeu.

NTT DATA résume cette situation dans son rapport 2026 Global AI Report: A Playbook for Private and Sovereign AI avec une idée claire : l’IA n’est plus seulement limitée par la qualité des modèles, mais aussi par la capacité des organisations à contrôler où résident les données, où s’exécutent les modèles et sous quelle juridiction opère toute la chaîne. Le cabinet détecte un écart croissant entre les entreprises qui redéfinissent leur infrastructure pour gagner en contrôle et en localisation, et celles qui tentent encore d’ajouter de l’IA à des systèmes qui n’ont pas été conçus pour ces exigences.

Le nouvel écart : tout le monde voit le problème, peu agissent

Le constat le plus frappant du rapport tient en deux chiffres. Plus de 95 % des organisations considèrent importante l’IA privée ou souveraine, mais seulement 29 % la priorisent concrètement à court terme. Presque tout le monde reconnaît que le modèle actuel a ses limites, mais beaucoup d’entreprises n’ont pas encore transformé cette préoccupation en architecture, investissement et gouvernance opérationnelle.

La différence entre IA privée et IA souveraine est importante. La première vise à protéger les données sensibles, contrôler les accès et exécuter des charges dans des environnements sécurisés. La seconde ajoute une couche supplémentaire : s’assurer que les données, l’infrastructure, le calcul et le contrôle respectent les exigences nationales, régionales ou réglementaires. Dans les secteurs public, la santé, la banque, l’énergie ou les télécommunications, cela détermine les modèles utilisables, leur lieu d’entraînement et les fournisseurs impliqués.

Indicateurs du rapport NTT DATA 2026	Données
Organisations considérant l’IA privée ou souveraine comme importante	95 %
Organisations priorisant l’IA souveraine à court terme	29 %
Directeurs IA percevant la complexité des modèles privés comme principal obstacle	35 %
Responsables IA évoquant les restrictions transfrontalières comme défi important	Près de 60 %
Entreprises ayant confiance en leur sécurité cloud	38 %
Entreprises craignant des violations de la vie privée par l’IA ou la GenAI	96 %
Entreprises ayant pleine confiance dans leur capacité à respecter la souveraineté des données	47 %
Entreprises évoquant la complexité d’intégration hybride comme principal défi	51 %

Ces chiffres montrent que le défi ne réside pas dans la volonté d’avoir plus de contrôle, mais dans la capacité à le faire fonctionner. Maintenir des données dans une région spécifique nécessite des capacités en stockage, en puissance de traitement, en réseaux résilients, en contrôles d’identité, en chiffrement, en gouvernance des modèles et en contrats conformes à chaque juridiction. Ce n’est pas une décision uniquement légale, mais aussi un investissement technologique et organisationnel.

La juridiction fait désormais partie du design technique

L’IA repose sur des données variées, distribuées et actualisées. Pour entraîner, ajuster ou exécuter des modèles en temps réel, les architectures modernes partent du principe que les données peuvent être déplacées, combinées et traitées avec une grande flexibilité. Cette hypothèse tient moins bien lorsque des normes de résidence des données, des restrictions transfrontalières, des secteurs réglementés ou des exigences de souveraineté nationale entrent en jeu.

Selon le rapport de NTT DATA, la souveraineté des données est passée d’une question principalement légale à une contrainte architecturale. Cela modifie le travail des CIO, CTO, responsables de données et équipes de sécurité. Il ne suffit plus de choisir un modèle ou un cloud : il faut définir où chaque charge sera exécutée, quelles données peuvent être touchées, ce qui restera local, ce qui pourra être partagé et comment démontrer la conformité aux contrôles. C’est le même enjeu que pointe le débat autour de l’infrastructure NVIDIA Vera pour les agents IA : la chaîne complète doit être maîtrisée, pas seulement la couche modèle.

Le rapport décrit trois niveaux de souveraineté : infrastructure, données et modèles. La souveraineté infrastructurelle concerne qui contrôle le calcul et les plateformes. Celle des données porte sur leur localisation et le cadre juridique applicable. Celle des modèles touche au contrôle de leur entraînement, leur ajustement et leur distribution. Une entreprise peut garder ses données en interne, mais si le modèle est contrôlé depuis un autre pays ou fournisseur, le contrôle reste incomplet.

C’est pourquoi l’IA privée et souveraine favorise les architectures hybrides. De nombreuses organisations réserveront des environnements privés, des datacenters, des colocations ou du cloud souverain pour les données sensibles, les performances prévisibles et les charges réglementées, tout en utilisant l’infrastructure publique pour des tâches moins critiques. La décision n’est plus cloud ou non-cloud, mais ce qui doit s’exécuter où et avec quel niveau de contrôle.

Les leaders anticipent : des résultats financiers plus solides

NTT DATA distingue clairement les organisations en tête dans l’IA des autres. Les premières ne conçoivent pas la confidentialité et la souveraineté comme des ajustements ultérieurs, mais comme des principes de conception dès le début. Elles alignent leur stratégie IA avec leur infrastructure, formalisent la gouvernance, créent des comités avec un patronage exécutif, et collaborent avec des partenaires capables de couvrir l’ensemble depuis le centre de données jusqu’aux modèles et flux métier.

Ces leaders sont près de 2,5 fois plus susceptibles de connaître une croissance de revenus supérieure à 10 % et 3,6 fois plus enclins à opérer avec des marges de 15 % ou plus. Attention : cela ne signifie pas que la souveraineté cause directement ces résultats, mais cela souligne une corrélation entre maturité opérationnelle, architecture bien conçue et capacité à faire évoluer l’IA avec moins de frictions.

Des différences sectorielles existent. Le secteur public et gouvernemental est le plus susceptible d’adopter une approche souveraine dans les deux prochaines années, avec 37 %. Il est suivi par la santé et les ressources naturelles (35 %), puis par la fabrication (33 %). Ces secteurs gèrent des données critiques, des opérations sensibles ou des infrastructures où une perte de contrôle aurait des conséquences économiques, sociales ou sécuritaires.

Secteurs les plus enclins à une approche souveraine de l’IA	Pourcentage mondial
Secteur public et gouvernement	37 %
Santé	35 %
Ressources naturelles, mines, pétrole et gaz	35 %
Fabrication	33 %
Automobile	31 %
Logistique, voyages et transports	30 %
Telecom, médias et technologie	29 %
Services financiers	28 %

La géographie joue aussi un rôle. En Union européenne, l’investissement dans l’IA souveraine est lié à la réglementation et à la conformité. Au Moyen-Orient, la stratégie nationale et l’autonomie technologique priment. En Amérique du Nord, le secteur de la santé est particulièrement concerné. La souveraineté ne se définit pas partout de la même manière.

Plus de contrôle implique aussi plus de complexité

L’IA souveraine suppose l’indépendance, mais exige des chaînes très coordonnées. Peu d’entreprises peuvent construire seules l’intégralité : centres de données, réseaux, cloud, stockage, accélérateurs, plateformes de données, modèles, sécurité, gouvernance et opérations. Plus le contrôle augmente, plus la coordination entre fournisseurs devient cruciale.

51 % des organisations citent la complexité d’intégration en environnements hybrides comme l’un des principaux défis pour exécuter des charges d’IA en cloud privé. Parmi celles qui avancent dans des stratégies d’IA souveraine pour la GenAI, 40 % considèrent la modernisation de l’infrastructure comme leur plus grand défi. L’IA ne se déploie pas efficacement sur des architectures héritées, des données dispersées et des contrôles de sécurité incomplets.

La sécurité cloud reste un point faible. Seuls 38 % des répondants déclarent avoir une grande confiance en leur posture de sécurité cloud. Cette fragilité est problématique quand les modèles traitent des données sensibles, prennent des décisions automatisées ou se connectent à des applications critiques. Les outils de gouvernance des identités, comme Idira de Palo Alto Networks, illustrent comment la sécurité de l’accès devient un prérequis dans ce type d’infrastructure.

Pour les entreprises, la prochaine étape de l’IA ne dépendra pas uniquement des meilleurs modèles ou du plus de GPU. Elle dépendra de la capacité à construire des environnements où les données sont classifiées, les accès segmentés, les modèles gouvernés, les fournisseurs alignés et la juridiction intégrée dès la conception. L’IA d’entreprise entre dans une étape plus mature, moins centrée sur les démonstrations et plus sur l’architecture, la conformité et l’exploitation quotidienne. Pour beaucoup d’organisations, le véritable obstacle ne sera pas le modèle, mais l’infrastructure qu’elles n’ont pas préparée à temps.

FAQ : IA souveraine et souveraineté des données en entreprise

Qu’est-ce que l’IA privée ?

Une approche où les données sensibles, modèles et opérations d’IA sont exécutés dans des environnements contrôlés, avec un accès restreint, du chiffrement, une gouvernance du cycle de vie et une exposition limitée à des tiers.

Quelle différence entre IA privée et IA souveraine ?

L’IA privée se concentre sur le contrôle et la protection des données. L’IA souveraine ajoute des exigences de juridiction, de résidence, et de contrôle national ou régional sur l’infrastructure, les données, les modèles et les opérations.

Pourquoi la souveraineté des données influence-t-elle l’architecture de l’IA ?

L’IA exige de déplacer, combiner et traiter continuellement des données. Si ces données ne peuvent quitter une région ou doivent respecter des normes spécifiques, l’architecture doit être conçue pour intégrer ces contraintes. Cela touche le stockage, le calcul, les réseaux et les contrats fournisseurs.

Quels secteurs sont les plus exposés à ces changements ?

Les secteurs public, de la santé, des ressources naturelles, de la fabrication, des services financiers, des télécommunications et de l’énergie sont les plus concernés, en raison des contraintes sur la confidentialité, la réglementation et le contrôle de l’infrastructure.

Source : services.global.ntt