IA - OUTSCALE blog

De la plateforme IA au déploiement industriel : comment industrialiser Mistral AI avec OKS

OUTSCALE — Tue, 20 Oct 2026 13:30:42 +0000

Retour d’expérience : passer d’un déploiement ponctuel à une plateforme IA reproductible, sécurisée et exploitable à grande échelle

Déployer une plateforme d’IA sur Kubernetes peut sembler relativement simple sur le papier : un cluster, des GPU, les modèles Mistral AI, quelques composants réseau et une API pour exposer les services.

Mais dans la réalité, faire fonctionner une plateforme une première fois n’est que le début.

Lorsqu’il faut la rendre reproductible, sécurisée, observable, exploitable et capable d’évoluer avec les besoins des utilisateurs, la complexité change d’échelle.

C’est précisément le constat réalisé lors du premier déploiement d’une plateforme Mistral AI Studio pour un client du secteur public. Ce retour d’expérience a permis d’identifier les limites d’un déploiement réalisé de manière largement manuelle, puis de faire évoluer le modèle vers une approche industrialisée reposant sur OUTSCALE Kubernetes Service (OKS).

L’objectif : ne plus simplement réussir un déploiement, mais être capable de redéployer la même plateforme, à l’identique, pour plusieurs clients et différents cas d’usage.

Une plateforme IA ne se résume pas à un cluster Kubernetes

Une plateforme Mistral AI Studio ne consiste pas uniquement à faire tourner un modèle sur un GPU. Elle doit exposer des API, rendre les modèles disponibles et utilisables, et supporter différents usages applicatifs.

Autour du cluster Kubernetes viennent rapidement s’ajouter des briques essentielles : gestion des GPU, accès, certificats, secrets, stockage, logs, supervision, observabilité, configuration et mécanismes de validation.

Kubernetes fournit le socle. Mais le socle ne fait pas encore la plateforme.

Livrer malgré la contrainte avec Talos/RKE2

Lors du premier projet, une contrainte technique s’est présentée : les GPU H200 n’étaient alors pas disponibles sur OKS.

Attendre n’était pas une option. Le besoin client existait déjà.

Le choix a donc été de mettre en place une réponse tactique : déployer un cluster Kubernetes RKE2 basé sur Talos, maîtrisé directement par l’équipe. Les drivers nécessaires ont ensuite été installés pour exploiter les GPU H200, puis la plateforme Mistral AI Studio a été déployée afin de réaliser les premiers tests d’inférence et d’exposer les API.

Cette approche a permis d’obtenir une première plateforme opérationnelle de bout en bout.

Elle a surtout permis d’apprendre.

Car cette première réussite a mis en évidence une difficulté majeure : un déploiement qui fonctionne n’est pas nécessairement un déploiement industrialisable.

Le premier run : un révélateur

Le premier déploiement reposait sur une succession d’étapes encore largement manuelles : construction du cluster, configuration des composants Kubernetes, installation des runtimes NVIDIA, intégration de l’observabilité, exposition des services, puis validation de la plateforme.

Cette approche peut répondre à un premier projet ou à un POC. Elle devient beaucoup plus difficile à maintenir lorsqu’il faut faire évoluer régulièrement la plateforme, ajouter des GPU, déployer de nouveaux modèles ou reproduire le même environnement pour d’autres clients.

À cette complexité s’ajoutent des sujets qui ne peuvent pas être traités comme de simples détails techniques : stockage objet, logs, secrets, supervision des nœuds et des GPU, observabilité, intégration CI/CD et validation du bon fonctionnement de la plateforme.

Le premier run a donc joué un rôle essentiel : il a révélé que la complexité n’était pas dans une seule brique, mais dans l’assemblage de toutes les briques.

C’est aussi à ce moment qu’un enseignement important s’est imposé : dans Kubernetes, voir un pod en état Running est rassurant, mais cela ne suffit pas à démontrer que la plateforme IA fonctionne correctement. Le modèle peut ne pas être chargé, les GPU peuvent ne pas être utilisés, les API peuvent répondre partiellement ou les logs peuvent être insuffisants pour diagnostiquer un incident.

Un pod Running signifie que le conteneur tourne. Pas que la plateforme est prête à l’usage.

Il fallait donc sortir d’une validation “à l’œil” et construire un processus reproductible permettant de démontrer que la plateforme est réellement prête à être exploitée.

Industrialiser toute la chaîne

Le premier déploiement a mis en évidence une forte quantité de configurations manuelles, de dépendances entre composants et de validations réalisées étape par étape. À chaque nouvelle livraison, les mêmes questions risquaient de revenir : quelles configurations utiliser ? Quels paramètres modifier ? Quels secrets gérer ? Quels tests réaliser ? Comment vérifier que l’ensemble fonctionne ?

Cette situation crée progressivement une dette opérationnelle.

Chaque étape non formalisée devient une dette opérationnelle.

L’industrialisation devait donc aller bien au-delà du simple déploiement de Mistral AI. Elle devait couvrir toute la chaîne :

infrastructure → Kubernetes → GPU → plateforme Mistral → sécurité → observabilité → validation → documentation → exploitation.

Entre-temps, les GPU H200 sont devenus disponibles sur OKS. Cette évolution a permis de changer de paradigme : passer d’un cluster Kubernetes construit et maintenu de manière unitaire à un Kubernetes as a Service, sur lequel le socle Kubernetes est managé.

Avec OKS, l’effort se déplace. Il ne s’agit plus de reconstruire et maintenir l’ensemble des composants Kubernetes à chaque projet, mais de se concentrer sur ce qui crée réellement de la valeur : la plateforme IA, les modèles, les usages clients, la sécurité, l’observabilité et l’exploitation.

Talos/RKE2 a permis de livrer malgré la contrainte. OKS permet d’industrialiser après l’apprentissage.

Industrialiser, ce n’est pas simplement automatiser

L’automatisation est un moyen. L’industrialisation est une méthode.

Automatiser une suite de commandes ne suffit pas si l’architecture, les paramètres, les responsabilités et les critères de validation ne sont pas clairement définis.

L’industrialisation commence dès la conception : quels GPU sont nécessaires ? Quelle capacité prévoir ? Quels accès ouvrir ? Quelle exposition réseau autoriser ? Quels paramètres doivent varier selon les clients ? Quels éléments doivent rester standardisés ?

Ces questions permettent de construire un modèle de déploiement paramétrable, plutôt qu’une succession de configurations spécifiques. Le principe devient alors simple :

Ce qui change d’un client à l’autre est paramétré. Le reste est standardisé.

Pour rendre ce modèle reproductible, l’équipe s’est appuyée sur l’Infrastructure as Code, notamment avec Terraform. L’enjeu n’était plus seulement de créer de l’infrastructure, mais de disposer de modules capables de redéployer les différents composants de manière cohérente.

La plateforme Kubernetes est ensuite standardisée à travers les node pools, avec une séparation entre ressources CPU et GPU. Les templates et charts Helm de Mistral permettent enfin de déployer la suite logicielle, avec des valeurs variables selon les paramètres propres à chaque client.

Cette séparation entre variabilité et socle commun est ce qui permet de passer d’un projet réussi à un modèle industriel.

Sécurité, validation et observabilité : les garde-fous du modèle

Industrialiser ne signifie pas aller plus vite au détriment de la sécurité.

Au contraire : plus un déploiement devient rapide et reproductible, plus la sécurité doit être intégrée dès la conception. Modalités d’accès, réseaux autorisés, personnes ou services habilités, responsabilités, certificats, secrets, rotation et utilisation dans le cycle de vie de la plateforme doivent être définis dès l’architecture.

Une plateforme livrée vite mais mal cadrée devient vite une dette sécurité.

La validation suit la même logique. L’objectif n’est plus de vérifier simplement que le cluster est disponible, mais de démontrer que la plateforme IA complète est fonctionnelle : node pools, GPU, services Mistral, API Gateway, tests d’inférence, latence, métriques et logs.

Les tests d’inférence deviennent alors une véritable étape de validation du produit livré.

Enfin, une plateforme prête à être livrée doit être observable. Dashboards, logs et métriques permettent de disposer d’une vision globale de l’environnement, d’identifier l’origine d’un ralentissement ou d’un incident, et de suivre l’utilisation réelle des GPU.

Les logs jouent également un rôle central dans l’exploitation et la sécurité. Centralisés, ils peuvent être intégrés aux outils de supervision et de sécurité du client, notamment à son SIEM, et lui permettre de conserver les traces dans son propre environnement.

Le déploiement se termine donc lorsque le service est consommable, observable et exploitable, pas lorsque les pods sont verts.

De plusieurs semaines à quelques minutes pour ajouter des GPU

L’un des bénéfices les plus concrets du changement de modèle concerne l’évolution de la capacité GPU.

Dans l’approche initiale basée sur RKE2, ajouter des workers GPU impliquait une nouvelle séquence d’installation et pouvait entraîner des délais importants. Avec OKS et une infrastructure davantage modularisée, l’ajout de nouveaux nœuds GPU peut être réalisé beaucoup plus simplement.

L’équipe décrit ainsi un passage de plusieurs semaines à quelques minutes pour ajouter des ressources GPU à une plateforme existante.

Ce gain ne vient pas uniquement de l’automatisation. Il vient surtout de la standardisation du socle : les clusters, les node pools GPU, les templates Helm, les composants de sécurité et les validations sont déjà définis. Ajouter de nouvelles capacités ne revient plus à reconstruire l’infrastructure, mais à assembler des briques déjà maîtrisées.

C’est un point essentiel pour les projets IA : les besoins GPU ne sont jamais figés. Ils évoluent avec les modèles, les usages, les volumes et les performances attendues. Une plateforme IA industrielle doit donc pouvoir évoluer sans remettre en cause toute son architecture.

Livrer une plateforme, c’est aussi livrer son exploitation

Une plateforme opérationnelle ne se résume pas à un endpoint API ou à un accès Kubernetes.

La livraison doit aussi inclure les éléments nécessaires à son exploitation : endpoints API, accès à la plateforme, kubeconfig lorsque cela est pertinent, certificats et secrets, logs et métriques, documentation, procédures de diagnostic, runbooks, escalade et limites connues.

L’objectif est de permettre au client de comprendre la plateforme, de l’exploiter et de diagnostiquer les situations courantes sans dépendre systématiquement de l’équipe qui a réalisé le déploiement initial.

C’est un changement important de perspective :

On ne livre plus simplement une plateforme qui fonctionne. On livre une plateforme que le client peut réellement exploiter.

De “ça marche” à “vous pouvez l’exploiter”

Le passage de RKE2 à OKS a permis de transformer progressivement le modèle de déploiement. D’un côté, le premier projet a fourni un retour d’expérience précieux : dépendances entre composants, configurations manuelles, points de blocage, opérations difficiles à reproduire. De l’autre, OKS a permis de construire un socle standardisé et managé, sur lequel l’infrastructure, les node pools, les templates Helm, les tests et la documentation peuvent être paramétrés et réutilisés.

Le résultat recherché n’est pas de réussir une livraison une fois.

C’est de pouvoir reproduire la même livraison plusieurs fois, avec un niveau de qualité constant.

Ce retour d’expérience montre une évolution essentielle dans les projets d’IA : le déploiement du modèle n’est que le point de départ. Une plateforme IA industrielle doit réunir un socle Kubernetes adapté, des GPU disponibles, une infrastructure reproductible, une sécurité intégrée dès la conception, des tests standardisés, une observabilité complète et une documentation d’exploitation.

Le véritable enjeu n’était donc pas de faire fonctionner Mistral AI une première fois.

Il était de transformer cette première réussite en capacité de livraison industrielle, capable de répondre à une demande qui se répète.

L’article De la plateforme IA au déploiement industriel : comment industrialiser Mistral AI avec OKS est apparu en premier sur OUTSCALE blog.

IA souveraine et Cloud Souverain : comment accélérer les projets du secteur public ?

OUTSCALE — Tue, 29 Sep 2026 12:56:27 +0000

Lors de OUTSCALE EXPERIENCES 2026, Mireille Mege, Customer Success Manager Secteur Public chez OUTSCALE (Dassault Systèmes), et Clara Pascolo, Directrice des Opérations chez SMLB Next, ont montré comment Nuage Public simplifie l’accès des acteurs publics au Cloud souverain, en s’appuyant sur le partenariat avec OUTSCALE et les bundles d’IA générative Mistral disponibles sur OUTSCALE marketplace.

Pour les administrations et les organisations parapubliques, le Cloud public représente une porte d’entrée concrète vers des environnements sécurisés, conformes et évolutifs, capables de s’adapter aux besoins métiers.

La réussite de ces projets repose sur une approche structurée : identifier un premier cas d’usage pertinent, garantir la protection des données sensibles, choisir le niveau d’accompagnement adéquat et anticiper l’industrialisation dès les premières étapes.

Le marché Nuage Public comme point de départ

Le marché Nuage Public de l’UGAP donne accès à une offre Cloud destinée à plus de 26 000 bénéficiaires publics et parapublics. Il permet aux organisations d’exprimer leurs besoins, de préciser leurs critères techniques et réglementaires, puis d’être orientées vers les fournisseurs Cloud capables d’y répondre.

Cette approche facilite le lancement de projets d’intelligence artificielle, souvent sous la forme d’une preuve de concept. Elle répond à deux dynamiques principales. Certaines organisations souhaitent appliquer la doctrine Cloud au Centre promue par la DINUM. D’autres cherchent à exploiter l’IA dans un environnement mieux sécurisé et davantage contrôlé.

Le marché Nuage Public associe plusieurs facteurs déterminants pour la commande publique : des prix négociés, une procédure simplifiée, une orientation vers les offres pertinentes et un délai de déploiement réduit. Dans certains cas, un projet peut démarrer en moins d’un mois, tandis que la passation de la commande peut être réalisée très rapidement lorsque le besoin est clairement défini.

Les priorités des organisations publiques

Les organisations qui engagent un projet d’IA souveraine formulent généralement trois attentes majeures.

Maîtriser la localisation des données

La première question concerne la localisation des données et les traitements auxquels elles sont soumises. Les utilisateurs veulent éviter que des données sensibles soient transmises vers des environnements qu’ils ne contrôlent pas. Cette préoccupation concerne notamment les données administratives, les informations de santé, les documents d’identité, les données financières et les informations liées à la défense.

La souveraineté devient donc un critère de décision central. Les données doivent être traitées et localisées dans un environnement répondant aux exigences de l’organisation, avec une attention particulière portée aux accès, aux droits et aux conditions d’exploitation de la plateforme.

Réduire les risques liés au shadow IA

Les collaborateurs peuvent être tentés d’utiliser des services d’IA accessibles directement en ligne, notamment pour interroger des modèles de langage avec des informations professionnelles. Cette pratique crée un risque de perte de contrôle sur les données saisies et sur leur destination.

Un environnement d’IA souveraine permet de proposer un cadre maîtrisé aux utilisateurs. L’organisation peut ainsi définir les services autorisés, encadrer les accès et favoriser l’utilisation de modèles hébergés dans un environnement correspondant à ses exigences de sécurité.

Préparer un déploiement industrialisé

Un projet commence souvent par un cas d’usage limité. Lorsque les premiers résultats sont concluants, d’autres besoins apparaissent. L’organisation peut alors vouloir analyser davantage de documents, automatiser de nouvelles étapes ou utiliser plusieurs modèles.

L’architecture retenue doit donc pouvoir évoluer. Une offre scalable facilite le passage de la preuve de concept à la production, puis l’extension à plusieurs cas d’usage. Cette capacité d’industrialisation doit être prise en compte dès le début du projet afin d’éviter une remise en cause complète de l’environnement technique.

Trois niveaux d’offre pour les projets d’IA

Les besoins des organisations publiques peuvent être couverts par plusieurs approches. Le choix dépend du niveau de contrôle souhaité, du nombre de modèles nécessaires, des ressources disponibles et du degré d’accompagnement attendu.

Consommer les ressources de calcul

Le premier cas d’usage consiste à fournir les ressources nécessaires à l’exécution des modèles de langage. L’organisation consomme alors du compute, comprenant la CPU, la RAM et la GPU, puis utilise les modèles dont elle dispose.

Cette approche offre une grande liberté technique. Elle convient aux équipes capables de déployer et d’administrer leur propre environnement. Elle implique toutefois de prendre en charge plusieurs éléments, comme la configuration des ressources, les pilotes Nvidia et les composants nécessaires à l’exécution des modèles.

Déployer un bundle Mistral

Le deuxième cas d’usage repose sur les bundles Mistral. Cette offre fournit une solution prête à exploiter, avec un modèle Mistral déployé dans un tenant dédié au client. Le déploiement s’effectue à travers la marketplace et peut être réalisé rapidement après la souscription de la commande.

Le client bénéficie d’un endpoint directement accessible pour commencer ses travaux. Les modèles Mistral sont commercialisés avec leurs licences et l’environnement est dédié à l’organisation. Les données restent ainsi dans l’environnement prévu à cet effet, en France, selon les caractéristiques de l’offre.

Les bundles proposent une consommation en tokens illimitée. La capacité reste toutefois déterminée par les ressources matérielles disponibles, notamment le nombre de GPU associé au modèle et au cas d’usage. Selon les besoins, une ou deux GPU peuvent être proposées.

Cette option convient particulièrement aux organisations qui souhaitent utiliser un modèle de langage sans gérer elles-mêmes l’ensemble de la chaîne technique. Elle réduit la complexité initiale et accélère l’accès à une solution opérationnelle.

Construire une plateforme Mistral AI Studio

La plateforme Mistral AI Studio répond aux projets qui nécessitent plusieurs modèles et plusieurs scénarios d’utilisation. Elle peut être pertinente lorsqu’une administration souhaite analyser des documents, effectuer de la reconnaissance optique de caractères, vérifier des informations ou recouper un formulaire avec une pièce d’identité.

Dans cette configuration, l’offre est construite avec le client. Les cas d’usage sont analysés en amont afin de sélectionner les modèles adaptés. Il est généralement recommandé de commencer par deux ou trois cas d’usage clairement définis, puis de composer une solution cohérente autour de ces besoins.

Cette approche permet de créer un environnement personnalisé et évolutif. Mistral accompagne également le client dans le réglage de la solution et son adaptation aux usages identifiés. Un accompagnement complémentaire peut être prévu pour les opérations liées à Kubernetes, notamment la mise à jour des modèles et les montées de version de la plateforme.

Vers une consommation hybride des modèles

Les organisations peuvent avoir besoin de plusieurs familles de modèles selon leurs cas d’usage. Un modèle Mistral peut convenir à un scénario, tandis qu’un modèle Llama ou un autre modèle open source peut répondre plus efficacement à une autre tâche.

Cette évolution conduit vers une consommation hybride des modèles. L’objectif annoncé pour le premier semestre 2027 est de proposer une AI Factory capable d’adapter la consommation des GPU à l’intensité des cas d’usage et aux modèles utilisés.

Une telle approche doit permettre d’allouer les ressources en fonction des besoins réels. Elle ouvre la voie à une utilisation plus souple de l’infrastructure d’IA, avec une capacité d’adaptation accrue entre les modèles, les charges de travail et les niveaux de performance attendus.

Réussir le passage de la preuve de concept à la production

Choisir un premier cas d’usage maîtrisable

Le choix du premier cas d’usage conditionne la suite du projet. Une organisation gagne à commencer par un besoin clairement délimité, suffisamment utile pour produire des résultats mesurables et suffisamment simple pour être maîtrisé rapidement.

Cette première étape permet d’identifier les contraintes techniques, les exigences de sécurité, les besoins d’accompagnement et les modalités de suivi. Elle fournit également un retour d’expérience utile avant d’étendre l’IA à des processus plus complexes.

La démarche peut suivre trois priorités :

sélectionner un cas d’usage concret et peu complexe ;
mesurer les résultats et la consommation des ressources ;
préparer l’extension vers d’autres cas d’usage.

Organiser des ateliers de sécurité

Les ateliers de sécurité occupent une place importante dans les projets comprenant plusieurs modèles ou des données sensibles. Ils permettent de définir les utilisateurs autorisés, les rôles, les droits d’accès et les conditions d’utilisation de la plateforme.

Cette préparation doit intervenir avant le déploiement opérationnel. Elle contribue à instaurer un cadre de confiance et à aligner l’environnement technique avec les exigences internes de sécurité de l’organisation.

La sécurité concerne également la gouvernance du projet. Les équipes doivent savoir quelles données peuvent être traitées, par quels utilisateurs et dans quelles conditions. Ces règles facilitent l’adoption de la solution et limitent les usages non maîtrisés.

Prévoir l’accompagnement opérationnel

Le niveau d’accompagnement dépend de l’offre retenue et des compétences disponibles en interne. Une organisation qui consomme directement des ressources de calcul doit disposer des capacités nécessaires pour administrer son environnement. Une solution clé en main réduit cette charge. Une plateforme multi modèles demande une collaboration plus étroite autour des cas d’usage, des modèles et de leur évolution.

L’accompagnement peut également couvrir les opérations Kubernetes, les mises à jour des modèles, les évolutions de version et l’optimisation de la plateforme. Cette dimension devient particulièrement importante lorsque la solution passe de l’expérimentation à la production.

Piloter les coûts et l’empreinte environnementale

La maîtrise de la consommation constitue un enjeu majeur dans la commande publique. Le budget disponible doit être mis en regard des ressources utilisées, qu’il s’agisse des GPU, des tokens ou des autres composants Cloud.

Un suivi mensuel permet d’identifier les ressources commandées mais peu consommées, puis d’ajuster l’environnement. Cette revue de consommation aide également à préparer l’extension du projet en s’appuyant sur des données réelles plutôt que sur des estimations initiales.

Le FinOps apporte un cadre de pilotage financier. Il permet de rapprocher les ressources mobilisées des usages effectivement observés et d’arbitrer entre performance, souveraineté, coût, support et capacité d’évolution.

Le Green IT complète cette analyse. Une calculette carbone permet de suivre l’évolution de l’empreinte liée à la consommation des ressources. Elle peut révéler une surconsommation provoquée par des machines virtuelles laissées actives pendant des périodes sans activité ou par des ressources mobilisées sans besoin opérationnel correspondant.

Le suivi de la consommation financière et environnementale doit accompagner le projet dès ses premières étapes. Il favorise une utilisation plus précise des ressources et facilite les décisions liées au passage à l’échelle.

Arbitrer entre souveraineté, performance et évolutivité

Le choix d’un environnement d’IA ne repose pas sur un seul critère. Les organisations doivent examiner simultanément la localisation des données, le niveau de sécurité, la conformité attendue, les performances, le coût, la qualité du support et la capacité d’évolution.

La souveraineté prend une importance particulière lorsque les données sont sensibles. Dans ce contexte, un environnement situé en France et conçu pour répondre aux exigences de sécurité apporte un cadre adapté aux projets publics et parapublics.

La performance doit ensuite être évaluée selon les cas d’usage. Un modèle destiné à l’analyse de documents ne mobilise pas nécessairement les mêmes ressources qu’un environnement utilisant plusieurs modèles et plusieurs traitements simultanés.

Enfin, l’évolutivité doit être intégrée à la décision. Une solution adaptée à une preuve de concept peut devenir insuffisante lorsque le nombre d’utilisateurs, de documents ou de cas d’usage augmente. Le choix initial doit donc préserver la possibilité d’une industrialisation progressive.

Conclusion

L’IA souveraine sur le Cloud public offre aux organisations publiques un cadre concret pour expérimenter, sécuriser et industrialiser leurs usages de l’intelligence artificielle. Le marché Nuage Public simplifie l’accès aux fournisseurs, aux offres Cloud et aux conditions adaptées à la commande publique.

La démarche la plus efficace consiste à commencer par un cas d’usage maîtrisable, à sécuriser les accès et les données, à suivre les consommations, puis à préparer l’extension vers plusieurs modèles et plusieurs scénarios. Les offres de ressources de calcul, les bundles Mistral et la plateforme Mistral AI Studio permettent d’adapter le niveau de liberté et d’accompagnement aux objectifs du projet.

Découvrez les solutions disponibles sur OUTSCALE Marketplace

L’article IA souveraine et Cloud Souverain : comment accélérer les projets du secteur public ? est apparu en premier sur OUTSCALE blog.

OUTSCALE accélère l’IA souveraine avec les GPU NVIDIA HGX H200 dans son infrastructure SecNumCloud

OUTSCALE — Mon, 14 Sep 2026 08:30:16 +0000

OUTSCALE annonce la disponibilité des GPU NVIDIA HGX H200 au sein de son infrastructure Cloud qualifiée SecNumCloud, opérée en France, afin d’accélérer les projets d’IA souveraine et de calcul intensif dans un environnement de confiance.

Découvrez les GPU NVIDIA HGX H200 disponibles chez OUTSCALE.

Conçue pour les usages les plus exigeants en IA générative et en HPC, l’architecture Nvidia HGX H200 s’appuie sur des configurations multi-GPU (8xH200) optimisées pour les grands modèles de langage et les workloads à forte intensité mémoire.

La plateforme HGX H200 offre jusqu’à 1,1 To de mémoire HBM3e agrégée répartie sur ses 8 GPU, chaque GPU proposant jusqu’à 4,8 To/s de bande passante mémoire, garantissant des performances accrues tant pour l’entraînement que pour l’inférence à contexte étendu.

Avec ces nouvelles capacités, OUTSCALE permet aux organisations publiques et privées d’accélérer le déploiement de leurs projets d’IA, de faciliter le passage de l’expérimentation à l’industrialisation et de conserver la maîtrise de leurs données stratégiques.

Les secteurs les plus réglementés, tels que le secteur public, la santé, la finance ou la défense, peuvent ainsi déployer leurs projets d’IA avec un haut niveau de sécurité, de conformité et de souveraineté.

Pour découvrir comment ces nouvelles capacités peuvent accélérer vos projets d’intelligence artificielle dans un cadre souverain et sécurisé, découvrez NVIDIA HGX H200.

L’article OUTSCALE accélère l’IA souveraine avec les GPU NVIDIA HGX H200 dans son infrastructure SecNumCloud est apparu en premier sur OUTSCALE blog.

Piloter une organisation en temps réel : ce que ça exige de son infrastructure Cloud

OUTSCALE — Fri, 28 Aug 2026 15:15:26 +0000

Une décision de tarification douanière prise à des milliers de kilomètres peut, en quelques semaines, remettre en cause l’équilibre financier d’une organisation entière. Face à ce type de choc, la capacité d’une organisation à recalculer en temps réel l’impact d’un scénario sur sa chaîne de valeur (fournisseurs, coûts, délais, marges) devient un avantage compétitif décisif. C’est ce à quoi s’attèlent aujourd’hui les jumeaux virtuels d’organisation, une approche présentée par Dassault Systèmes, et notamment par Morgan Zimmermann, CEO 3DEXPERIENCE, lors d’OUTSCALE EXPERIENCES 2026 : simuler, avant de décider, plutôt que de subir. Mais cette agilité ne se décrète pas dans un logiciel seul, elle repose sur une infrastructure Cloud capable de l’absorber.

Simuler avant de décider

Le principe d’un jumeau virtuel d’organisation est de représenter en continu le fonctionnement réel d’une entreprise : ses flux, ses dépendances, ses contraintes, pour pouvoir y tester des scénarios avant de les exécuter. Confrontée à une hausse soudaine de tarifs douaniers représentant plusieurs milliards d’euros d’impact potentiel, une organisation équipée d’un tel dispositif peut interroger son jumeau virtuel, obtenir en quelques instants une évaluation chiffrée de plusieurs scénarios de réorganisation de sa chaîne d’approvisionnement, et arbitrer en connaissance de cause. Ce pilotage s’appuie sur des agents spécialisés, capables de représenter une situation, de la comprendre, de dialoguer avec les équipes, de raisonner sur des alternatives et de déclencher des actions concrètes.

Une agilité qui a un prix technique

Ce niveau de réactivité impose des contraintes fortes à l’infrastructure qui le supporte. Il faut d’abord une élasticité de calcul suffisante pour absorber, sans latence excessive, des pics de simulation ponctuels et imprévisibles : un jumeau virtuel qui met plusieurs heures à répondre perd l’essentiel de sa valeur. Il faut ensuite une protection stricte de la donnée et de la propriété intellectuelle : un jumeau virtuel d’organisation agrège des informations stratégiques sur les fournisseurs, les coûts et les process internes, souvent partagées avec un écosystème de partenaires. Un cloisonnement rigoureux devient donc une condition de confiance, pas une option. Cette exigence de puissance de calcul mutualisée mais maîtrisée, Morgan Zimmermann l’évoque lui-même en clôture de sa démonstration, renvoyant à la capacité d’OUTSCALE à mutualiser une ressource de calcul coûteuse pour la rendre économiquement efficace à l’usage : un principe que l’on retrouve dans l’allocation dynamique des ressources GPU mise en œuvre au sein des AI Factories OUTSCALE.

OUTSCALE, le socle qui rend ce pilotage possible

C’est précisément sur ces exigences qu’OUTSCALE construit sa réponse. Philippe Miltin, CEO d’OUTSCALE, résume les critères de cette souveraineté : des certifications et qualifications reconnues, dont la qualification SecNumCloud, la réversibilité et l’interopérabilité des environnements sans dépendance à un fournisseur unique, et la maîtrise, dans la durée, des investissements technologiques qui la sous-tendent. Arnaud Bertrand, CTO d’OUTSCALE et Senior Vice President d’OUTSCALE, Dassault Systèmes, en précise la traduction technique au sein des AI Factories : une meilleure utilisation, mutualisée, des ressources GPU, et une ségrégation physique et logique garantissant à chaque organisation le cloisonnement de ses traitements, y compris lorsque plusieurs partenaires interviennent sur un même scénario.

Piloter une organisation en temps réel n’est donc pas seulement un enjeu logiciel : c’est un enjeu d’infrastructure. En apportant la puissance de calcul, la souveraineté et le cloisonnement nécessaires à ce type de pilotage, OUTSCALE se positionne comme le socle Cloud et AI qui permet aux organisations, y compris dans les secteurs les plus critiques, de transformer l’incertitude en décision.

Pour visionner les replays des interventions de Morgan Zimmermann et de Philippe Miltin, retrouvez les liens ci-dessous.

Les organisations pilotables par leurs Virtual Twins – Morgan ZIMMERMANN à OUTSCALE EXPERIENCES 2026 :

OUTSCALE : le socle Cloud et IA souverain des organisations critiques – Keynote de Philippe Miltin à OUTSCALE EXPERIENCES 2026 :

Vision technologique et nouveaux services – Keynote d’Arnaud Bertrand à OUTSCALE EXPERIENCES 2026 :

L’article Piloter une organisation en temps réel : ce que ça exige de son infrastructure Cloud est apparu en premier sur OUTSCALE blog.

Pourquoi l’IA industrielle a besoin d’une infrastructure dédiée

OUTSCALE — Thu, 27 Aug 2026 13:00:04 +0000

L’intelligence artificielle générative a longtemps été pensée comme un service que l’on branche sur une infrastructure Cloud classique. Cette hypothèse ne tient plus dès lors que l’IA doit produire des résultats fiables sur des sujets industriels : dimensionner une pièce mécanique, anticiper une rupture d’approvisionnement, valider une configuration réglementaire. Un modèle de langage généraliste, aussi puissant soit-il, n’a pas la compréhension de la réalité physique et peut donc produire des résultats qui ne sont pas physiquement corrects. C’est ce constat, formulé par Florence Hu-Aubigny, Executive Vice-President Research & Development au sein de Dassault Systèmes, et Chief architect de la 3DEXPERIENCE chez Dassault Systèmes, lors d’OUTSCALE EXPERIENCES 2026, qui s’inscrit dans la même logique que la conception des AI Factories by OUTSCALE : une infrastructure pensée dès l’origine pour l’entraînement et l’exécution de modèles d’IA industriels, dans un cadre souverain et sécurisé.

Une architecture pensée pour ne rien retenir

La première garantie des AI Factories tient à un principe simple à énoncer mais exigeant à mettre en œuvre : aucune donnée n’y est stockée durablement. L’AI Factory fonctionne comme un espace de calcul, pas comme un espace de stockage : les données transitent, le calcul s’exécute, puis tout est restitué vers l’infrastructure IaaS souveraine d’OUTSCALE, là où résident les certifications et où la persistance des données est pleinement garantie. Arnaud Bertrand, CTO d’OUTSCALE et Senior Vice President d’OUTSCALE, Dassault Systèmes, résume ce choix architectural sans détour : l’objectif est de s’assurer qu’il ne reste, à aucun moment, la moindre trace de la donnée client dans l’espace de calcul.

À cette non-persistance s’ajoute une ségrégation physique et logique par client : chaque organisation dispose d’un endpoint IA dédié, garantissant le cloisonnement de ses traitements et de sa propriété intellectuelle. Cette architecture a été bâtie en partenariat avec Nvidia (autour d’une génération de composants GB200 et GB300, associés à des GPU H200) et avec Bull pour l’intégration matérielle, afin de disposer de capacités de calcul à l’état de l’art tout en conservant la maîtrise de leur mise en œuvre.

Un accès élastique à plusieurs familles de modèles

Les AI Factories donnent accès, via un control plane dédié, à un réservoir de modèles, où on va retrouver à la fois les modèles NIMS de Nvidia, du Nemotron par exemple, mais aussi les modèles avec lesquels OUTSCALE travaille déjà comme Mistral. OUTSCALE y introduira Aleph Alpha et LightOn afin de compléter son offre souveraine, et permettra également d’accéder à des modèles Llama et OpenAI. Ce réservoir alimente une plateforme agentique multimodèle, qui permet d’orchestrer, selon le cas d’usage, le modèle le plus adapté, qu’il s’agisse d’un modèle ouvert, souverain ou international.

Cette élasticité s’accompagne d’un changement dans la manière d’allouer les ressources GPU. Plutôt qu’une allocation statique (où un client paie pour une capacité réservée qu’il n’utilise pas toujours pleinement), OUTSCALE construit une allocation dynamique, ajustée à l’usage réel.

Une même exigence, deux échelles de déploiement

Les AI Factories se déploient selon deux logiques complémentaires. D’un côté, des zones internationales, en Europe, aux États-Unis et en Asie, qui offrent une élasticité maximale et permettent de répartir la charge entre plusieurs continents. De l’autre, une zone strictement SecNumCloud, cloisonnée et autonome, réservée aux traitements les plus sensibles, sans aucun débordement possible vers l’international.

C’est cette combinaison : non-persistance, ségrégation par client, diversité de modèles, allocation dynamique et déploiement à deux vitesses qui permet à OUTSCALE de proposer une réponse crédible aux organisations opérant dans des secteurs critiques et réglementés : santé, énergie, aéronautique, défense, secteur public. Ces AI Factories, initialement conçues pour répondre aux besoins internes de Dassault Systèmes, sont aujourd’hui ouvertes progressivement à l’ensemble des entreprises et institutions qui partagent la même exigence : industrialiser l’IA sans jamais transiger sur la souveraineté de leurs données.

Pour en savoir plus, visionnez les replays des interventions d’Arnaud Bertrand et de Florence Hu-Aubigny.

Vision technologique et nouveaux services – Keynote d’Arnaud Bertrand à OUTSCALE EXPERIENCES 2026 :

Dassault Systèmes : Industrial AI platform architecture – Florence Hu-Aubigny à OUTSCALE EXPERIENCES 2026 :

L’article Pourquoi l’IA industrielle a besoin d’une infrastructure dédiée est apparu en premier sur OUTSCALE blog.

Consortium ÆTHER : l’Europe se dote d’une capacité industrielle pour l’IA à l’échelle

OUTSCALE — Wed, 29 Jul 2026 08:21:38 +0000

Chaque année, les entreprises européennes versent des dizaines de milliards d’euros aux acteurs américains pour leurs logiciels et services Cloud : une dépendance aujourd’hui documentée par plusieurs rapports parlementaires, qui appellent à une reconquête de la souveraineté numérique européenne.

Mais une dynamique de souveraineté ne se décrète pas depuis un rapport : elle se construit par l’exemple, et par des capacités industrielles concrètes. C’est précisément l’ambition que porte le consortium européen ÆTHER, auquel prend part OUTSCALE, marque Cloud et IA de Dassault Systèmes.

Qu'est-ce que le consortium ÆTHER ?

ÆTHER réunit des acteurs européens complémentaires de l’énergie, de la construction, du calcul haute performance, des semi-conducteurs, du Cloud et de l’IA : 2CRSi, SiPearl, Axelera AI, Viridien, Ès, Socomec, Haffner Energy, Equans, Demathieu Bard, Nhood et Projex Ingénierie, aux côtés d’OUTSCALE.

Le consortium porte une ambition simple : démontrer que l’Europe dispose de toutes les compétences nécessaires pour concevoir, construire, alimenter, exploiter et faire évoluer les infrastructures d’intelligence artificielle.

Le consortium a annoncé sa candidature à l’appel d’offres « AI Gigafactory » de la Commission européenne, lancé dans le cadre de sa stratégie de souveraineté numérique et industrielle. Le projet vise deux sites dans la région de Strasbourg, FR-SXB1 et FR-SXB2, actuellement en négociation avancée d’acquisition — avec une ambition d’atteindre à terme une capacité électrique supérieure à 400 MW.

“L’IA industrielle ne tiendra ses promesses que si l’Europe se dote d’une infrastructure à la hauteur de ses ambitions,” Florence Verzelen, Executive Vice President EMEA, Dassault Systèmes.

Le rôle d'OUTSCALE : transformer le calcul en services Cloud et IA souverains, sécurisés et industrialisés

Concrètement, OUTSCALE apporte à ÆTHER son expertise d’opérateur Cloud et IA souverain : la capacité à transformer une puissance de calcul à grande échelle en services sécurisés, gouvernés et industrialisés pour les entreprises, les institutions et les acteurs de la recherche.

“Fort de son rôle de socle Cloud et IA de Dassault Systèmes, OUTSCALE apporte à ÆTHER une expertise unique au croisement du Cloud souverain, du calcul haute performance et des usages industriels critiques. Notre ambition est de permettre aux entreprises, aux institutions et aux acteurs de la recherche de développer et d’opérer leurs modèles d’IA dans des environnements performants, maîtrisés et souverains, au service de la protection des données et de la propriété intellectuelle. Avec ÆTHER, l’Europe se dote d’une capacité industrielle stratégique pour concevoir, héberger et exploiter l’IA à l’échelle,” Arnaud Bertrand, CTO, OUTSCALE, et SVP R&D Cloud, Dassault Systèmes.

Une capacité qui renforce une stratégie déjà engagée

La participation à ÆTHER ne part pas de rien : elle vient renforcer la stratégie AI Factories que Dassault Systèmes a confiée à OUTSCALE, qui vise déjà à fournir les capacités de Cloud, d’orchestration et d’exécution nécessaires pour entraîner, inférer et opérer des modèles IA à grande échelle dans des environnements critiques. ÆTHER apporte à cette trajectoire une capacité européenne supplémentaire, cohérente avec les besoins de souveraineté, de performance et de passage à l’échelle de l’IA industrielle.

Tous les maillons existent déjà : reste à les connecter

L’Europe dispose aujourd’hui de l’ensemble des maillons de la chaîne de valeur de l’IA : énergie, Cloud, calcul haute performance, semi-conducteurs, logiciel industriel, recherche. La valeur du consortium ÆTHER, ainsi que de tout projet d’AI Gigafactory, se mesurera à sa capacité à connecter ces maillons pour servir des usages concrets : entraîner des modèles, les adapter, les opérer, les sécuriser, les gouverner et les intégrer aux processus métiers des organisations.

C’est cette ambition que portent, ensemble, OUTSCALE, Dassault Systèmes et l’ensemble des partenaires du consortium ÆTHER.

Consulter le communiqué de presse.

L’article Consortium ÆTHER : l’Europe se dote d’une capacité industrielle pour l’IA à l’échelle est apparu en premier sur OUTSCALE blog.

Dépasser les défis de la mise en œuvre de l’IA agentique

OUTSCALE — Tue, 28 Jul 2026 12:44:58 +0000

L’automatisation intelligente entre dans une nouvelle phase avec l’IA agentique. En combinant les capacités d’exécution de l’automatisation et le raisonnement de l’IA générative, elle permet à des agents autonomes d’agir directement au cœur des processus métier. Les organisations en attendent trois bénéfices majeurs : la réduction des coûts, l’accélération des délais et l’amélioration de la qualité de service.

Animée par Simon LUSINCHI (Partner chez Artefact) et Marie-Astrid de Foucauld (AI Ecosystem Manager chez OUTSCALE) durant l’événement OUTSCALE EXPERIENCES, cette intervention analyse les obstacles majeurs liés au déploiement de l’IA agentique dans les entreprises. Elle met en lumière l’importance de dépasser la seule vision technologique pour orchestrer conjointement les leviers humains, métiers et techniques, garants d’une transformation pérenne.

Saisir les enjeux de l'IA agentique

L’émergence de l’IA agentique s’inscrit dans la continuité d’une évolution des usages technologiques, succédant à l’automatisation RPA, à l’IA analytique traditionnelle, puis à l’IA générative. Se caractérisant par ses facultés de raisonnement et d’enchaînement d’actions, cette nouvelle forme d’IA franchit un cap : elle ne se limite plus à la production de contenus, mais décide, agit et s’ajuste en fonction de son contexte.

Cette rupture technologique transforme en profondeur l’approche même des projets. L’objectif ne consiste plus seulement à optimiser le temps alloué à une tâche isolée, mais bien à repenser et transformer le fonctionnement global d’un processus complet.

Trois méthodes pour débuter

Pour amorcer une transformation agentique, les organisations peuvent choisir entre trois méthodes :

Stratégie globale : cartographier l’ensemble des processus, quantifier la valeur potentielle et prioriser les cas d’usage pour bâtir une roadmap agentique à l’échelle de l’entreprise.
Approche par fonction : cibler d’abord une fonction transversale (RH, juridique, marketing, administratif) et identifier les processus à optimiser avec des agents.
Pilotes (PoC) ciblés : lancer des pilotes sur des fragments de processus pour construire une méthode et démontrer rapidement la valeur (ex. gestion des engagements).

Une gradation des bénéfices

Le déploiement de l’IA agentique peut effectivement se lire en trois paliers de maturité : usage individuel, mutualisation, puis autonomie de bout en bout. À chaque palier, le ROI devient plus lisible, plus collectif et plus stratégique.

Palier individuel : Un assistant automatise des tâches ponctuelles pour une personne ou une fonction. Le gain est réel, mais il reste diffus car il améliore surtout la productivité locale.

Palier de mutualisation : Un agent orchestre plusieurs actions autour d’un même objectif, au service d’une équipe ou d’un flux partagé. La valeur créée devient alors collective, plus facile à mesurer dans les opérations.

Palier autonome : L’agent prend en charge un processus métier complet de bout en bout. C’est le niveau où l’impact devient systémique, avec des indicateurs de pilotage centrés sur la rapidité d’exécution, la qualité, le coût et la capacité d’échelle.

Une approche systémique de la transformation

Afin d’éviter l’erreur courante consistant à vouloir déployer l’intelligence artificielle de manière systématique, Artefact structure sa démarche autour d’une vision globale. Très souvent, la réponse idéale ne réside pas dans l’intégration d’un agent autonome, mais plutôt dans la simplification des automatisations ou la restructuration d’un processus existant.

Cette démarche multidimensionnelle s’articule ainsi autour de trois axes stratégiques :

La dimension humaine : elle englobe la définition de la vision globale, la construction du récit interne, la mise en place de garde-fous adéquats et le développement continu des compétences.
La dimension métier : elle repose sur une cartographie précise des processus pour déterminer si la valeur ajoutée proviendra réellement de l’IA, d’une solution de RPA ou d’une simple optimisation organisationnelle.
La dimension technologique : elle se concentre sur la gestion rigoureuse des données, la solidité de l’architecture et l’établissement d’une gouvernance claire.

Gouvernance des données et impératifs de sécurité

L’efficacité d’un agent IA est intimement liée à la qualité de son architecture de données. Pour être pleinement exploitables, les informations doivent suivre un parcours rigoureux de collecte, de nettoyage, de structuration et de classification. Il est toutefois crucial de veiller à ne pas paralyser le système par une surclassification abusive en catégories « confidentielles » ou « restreintes », sous peine de bloquer l’accès aux données utiles et de dégrader fortement les performances globales.

Parallèlement, la sécurité constitue un pilier fondamental de la démarche. Avant d’envisager le déploiement d’une solution agentique, toute organisation se doit d’anticiper et de formaliser ses exigences en matière de contraintes réseau, de conditions d’hébergement, de protocoles d’intégration et de règles d’accès. Bien au-delà des seuls aspects techniques, cette réflexion représente un véritable enjeu de confiance et de gouvernance globale.

Sélection de la solution adaptée

Pour répondre aux différents niveaux de maturité et aux contraintes de chaque organisation, OUTSCALE propose trois approches complémentaires, fondées sur le degré d’autonomie recherché.

Le GPU as a Service s’adresse aux profils les plus techniques, qui souhaitent conserver un contrôle total sur l’infrastructure et les modèles.
Le LLM as a Service permet, lui, de déployer rapidement une API privée dans un cadre souverain et sécurisé.
OUTSCALE propose une solution logicielle clé en main, conçue pour être accessible à des utilisateurs non techniques et accélérer l’adoption à grande échelle.

OUTSCALE s’appuie également sur un écosystème de partenaires cloud et conseil, dont Artefact, pour accompagner ses clients à chaque étape du projet. Cet accompagnement couvre l’étude initiale, le cadrage des cas d’usage, le déploiement, puis l’optimisation continue des usages et des performances.

Enseignements clés

L’IA agentique modifie en profondeur l’exécution des processus.
Elle ne se limite plus à assister les utilisateurs : elle agit, orchestre et peut prendre certaines décisions dans un cadre défini. Cela oblige les organisations à repenser les processus métier dans leur ensemble, plutôt qu’à automatiser uniquement des tâches isolées.
Le succès repose sur une approche véritablement transversale.
Il faut aligner trois dimensions complémentaires : la dimension humaine, avec l’adoption et la montée en compétences ; la dimension métier, avec la sélection des cas d’usage les plus pertinents ; et la dimension technologique, avec la qualité des données, l’architecture et l’intégration. L’enjeu n’est donc pas seulement technique, mais organisationnel et opérationnel.
Les principaux obstacles tiennent à la donnée et à la gouvernance.
La qualité, l’accessibilité et la sécurité des données conditionnent directement la performance des agents. Le choix de solutions adaptées au niveau de maturité de l’organisation est également déterminant pour produire des résultats fiables, mesurables et durables.

L’article Dépasser les défis de la mise en œuvre de l’IA agentique est apparu en premier sur OUTSCALE blog.

AI Factories : comment OUTSCALE industrialise l’IA pour les organisations les plus exigeantes

OUTSCALE — Tue, 28 Jul 2026 09:08:51 +0000

L’intelligence artificielle entre dans une nouvelle phase, celle de l’industrialisation, et appelle une infrastructure taillée pour ses exigences propres : calcul intensif, entraînement et exploitation de modèles à grande échelle. Pour les organisations des secteurs sensibles (santé, finance, secteur public, défense), cette équation se double d’une exigence supplémentaire : accéder à cette puissance de calcul tout en conservant la pleine maîtrise de leurs données.

C’est précisément à ce défi que répondent les AI Factories d’OUTSCALE.

Une stratégie née pour les usages les plus exigeants

Les AI Factories n’ont pas été conçues dans l’abstrait. Elles ont d’abord été développées pour répondre aux besoins internes de Dassault Systèmes combinant les technologies de jumeaux virtuels du groupe à l’infrastructure d’IA de Nvidia, à des modèles ouverts et à des bibliothèques de calcul accélérées, pour bâtir des modèles industriels validés par la science.

Dassault Systèmes a confié à OUTSCALE le soin de porter cette stratégie : fournir les capacités d’infrastructure, d’orchestration et de sécurité nécessaires pour entraîner, inférer et opérer des modèles IA dans des environnements critiques. Une expertise développée au service des industriels les plus exigeants de la planète, et désormais ouverte à toutes les entreprises et institutions.

“Avec Dassault Systèmes, OUTSCALE sert les industriels les plus exigeants de la planète […]. C’est là notre singularité : ce qui est conçu pour les plus exigeants devient un avantage des marchés régulés,” Philippe Miltin, CEO, OUTSCALE.

Trois garanties structurantes

Annoncées lors d’OUTSCALE EXPERIENCES 2026, les AI Factories associent trois garanties déterminantes pour les organisations sensibles :

La souveraineté, assurée notamment par la non-persistance des données : les données transitoires d’entraînement ne sont pas stockées de manière persistante dans l’AI Factory, qui fonctionne comme un espace de calcul plutôt que comme un espace de stockage. La persistance de la donnée reste garantie au sein de l’infrastructure Cloud souveraine et qualifiée SecNumCloud d’OUTSCALE.
L’optimisation des ressources et de leur usage : une gestion dynamique des ressources GPU et CPU, rendue possible par le partenariat stratégique noué avec Nvidia, qui limite la surcapacité chronique et mutualise des ressources rares.
La capacité à monter en charge sur des ressources mondiales, au plus près des besoins de chaque organisation — pour l’entraînement comme pour l’inférence à grande échelle.

Une brique dans une continuité plus large

Cette stratégie s’inscrit dans une continuité propre à l’IA industrielle de Dassault Systèmes : celle qui relie virtual twins, science, simulation, données réelles, modèles IA et protection de la propriété intellectuelle. OUTSCALE en fournit le socle d’exécution, permettant d’entraîner, d’exécuter et d’orchestrer les modèles et agents au service de nouvelles catégories de produits : compagnons virtuels, expériences génératives, virtual twins et Industry World Models.

Contrairement à un simple fournisseur de ressources GPU, OUTSCALE apporte une couche complète de service, d’orchestration, de sécurité et de gouvernance : l’enjeu n’est pas seulement de fournir du calcul, mais de le rendre exploitable dans des environnements critiques, avec les garanties attendues par les organisations régulées.

Conçues pour les secteurs régulés et sensibles

Les AI Factories s’adressent aux entreprises, institutions, chercheurs et organisations des secteurs régulés qui souhaitent développer, adapter et opérer leurs propres modèles d’intelligence artificielle sans renoncer à la maîtrise de leurs données, de leurs savoir-faire et de leur propriété intellectuelle.

Cette approche s’inscrit dans un socle de conformité déjà éprouvé chez OUTSCALE : qualification SecNumCloud, certifications ISO 27001-27017-27018, HDS, TISAX, CISPE, et attestation SOC 2 Type 2. Autant de garanties qui font des AI Factories une réponse crédible aux secteurs les plus exigeants d’Europe.

En savoir plus sur l’infrastructure Cloud souveraine d’OUTSCALE.

L’article AI Factories : comment OUTSCALE industrialise l’IA pour les organisations les plus exigeantes est apparu en premier sur OUTSCALE blog.

Comment l’Europe peut-elle assurer le déploiement d’une IA souveraine et fiable ?

OUTSCALE — Wed, 22 Jul 2026 13:16:31 +0000

L’intelligence artificielle franchit aujourd’hui l’étape de l’industrialisation. Au-delà des enjeux techniques, cette phase de passage à l’échelle soulève une question stratégique pour le continent européen : les conditions nécessaires à l’émergence d’une IA performante, autonome et digne de confiance.

Dans le cadre d’OUTSCALE EXPERIENCES 2026, Igor Caron (Co-fondateur, LightOn), Emmanuel Leroux (Directeur Général, Bull) et Mathieu Feuillet (CISO, Dassault Systèmes) ont partagé leurs visions sur les piliers de cette réussite européenne.

L'infrastructure au cœur de la souveraineté technologique

L’indépendance numérique ne peut être réelle sans une maîtrise totale de la chaîne de valeur. Emmanuel Leroux rappelle que la souveraineté passe impérativement par le contrôle du « compute », englobant aussi bien les composants physiques que les firmwares et les plateformes logicielles.

Actuellement, l’Europe subit une forte dépendance vis-à-vis des GPU étrangers et des aléas des chaînes d’approvisionnement mondiales. Pour y remédier, il est crucial de renforcer les capacités industrielles et de consolider des infrastructures propres au continent.

En définitive, sans une autonomie matérielle et logicielle solide, la capacité d’innovation européenne demeurera précaire et tributaire de décisions extérieures.

L’éthique comme levier de compétitivité

Loin d’être une simple contrainte, la confiance s’établit comme le moteur essentiel de l’adoption des technologies. Elle ne peut être imposée, mais doit se bâtir patiemment par des preuves concrètes.

Cette démarche se traduit chez Dassault Systèmes par un cadre rigoureux articulé autour de piliers fondamentaux : la primauté de la supervision humaine, la sécurité des systèmes, le respect strict de la propriété intellectuelle, ainsi que l’équité, la transparence et la responsabilité écologique.

Pour les acteurs économiques, l’interrogation dépasse désormais la faisabilité technique de l’IA pour se concentrer sur sa fiabilité. Répondre à cet enjeu nécessite d’apporter des assurances tangibles concernant la gestion des données, le contrôle effectif des processus décisionnels et la parfaite traçabilité des résultats obtenus.

Valoriser l’expertise métier par l’IA

L’efficacité d’une solution d’intelligence artificielle ne se mesure pas seulement à la sophistication de ses algorithmes, mais surtout à son aptitude à mobiliser le patrimoine informationnel des entreprises.

Comme le souligne Igor Caron, les besoins viennent d’abord du terrain : les métiers veulent des outils d’IA intégrés à l’entreprise, capables d’exploiter les connaissances internes et les données sensibles de manière sécurisée.

Pour répondre à ce défi de façon concrète, LightOn mise sur une architecture technique pensée pour l’usage réel des entreprises. L’idée n’est pas de mobiliser systématiquement des infrastructures lourdes et coûteuses, mais de privilégier des traitements plus sobres, notamment à base de processeurs CPU, lorsque cela suffit aux besoins métier.

Cette approche s’appuie aussi sur la méthodologie RAG, qui consiste à connecter le modèle d’IA aux documents et connaissances internes de l’organisation. Au lieu de dépendre uniquement de la puissance brute d’un grand modèle, l’IA va chercher l’information pertinente dans les sources de l’entreprise, puis la reformule de manière exploitable, traçable et contextualisée.

L’intérêt est double : d’un côté, on réduit fortement les coûts d’infrastructure et de calcul ; de l’autre, on améliore la pertinence des réponses, parce que le système s’appuie sur des données internes à jour. Cela permet de construire une IA plus abordable, plus facile à déployer à grande échelle et plus rentable pour les organisations.

Au-delà de la souveraineté : l’impératif de l’excellence

Si la souveraineté constitue un socle indispensable, elle ne saurait être une fin en soi.

Pour rivaliser avec les puissances américaine et chinoise, l’Europe doit impérativement concevoir des technologies dont la compétitivité rayonne à l’international. Cette ambition requiert de dépasser une simple posture défensive pour embrasser une véritable culture de la performance globale.

L’objectif fondamental ne réside plus seulement dans la protection de nos frontières numériques, mais dans la capacité à mettre sur le marché des solutions supérieures.

Prioriser les cas d'usage pour catalyser le déploiement

L’absence de cas d’usage concrets constitue un frein majeur, bien que fréquemment occulté, au développement de l’IA en Europe.

Au-delà du simple déficit d’infrastructure, le continent souffre d’une faiblesse dans l’appropriation réelle des outils technologiques. Puisque l’usage est le moteur de la demande, il devient le seul véritable garant de la rentabilité des investissements.

Plutôt que de se focaliser exclusivement sur l’augmentation des puissances de calcul, l’effort doit porter sur la conception d’applications métiers spécialisées, ancrées dans les besoins du monde de la recherche, de la santé ou de l’industrie.

L’architecture au service de l’autonomie stratégique

L’accession à l’indépendance ne repose pas sur l’utilisation d’un outil monolithique, mais sur le déploiement de structures intelligentes.

L’exemple de Dassault Systèmes met en lumière cette méthode : en orchestrant une multitude de modèles spécialisés dans laquelle chacun remplit un rôle déterminé, il devient possible de garantir des résultats de haut niveau. Cette approche limite drastiquement l’assujettissement à un prestataire unique.

Ce modèle d’organisation permet ainsi de concilier harmonieusement les impératifs de performance technique et les exigences de souveraineté.

La confiance, clé de voûte de l’IA européenne

L’émergence d’une intelligence artificielle européenne digne de confiance ne dépend pas d’un facteur isolé, mais d’une synergie d’impératifs : une infrastructure sous contrôle, un cadre éthique robuste, l’exploitation des données spécifiques aux entreprises, une pointe technologique affirmée et le développement d’usages concrets.

Le continent possède déjà le savoir-faire et les partenaires nécessaires pour remporter cette bataille. Le défi majeur consiste désormais à fédérer ces atouts derrière un objectif commun : forger une IA qui soit à la fois protectrice de notre souveraineté, performante sur le plan mondial et largement intégrée dans nos économies.

Enseignements clés

1. La souveraineté passe d’abord par la maîtrise de l’infrastructure

L’Europe ne peut pas prétendre à une IA autonome sans contrôler toute la chaîne technologique, du matériel (notamment les GPU) jusqu’aux logiciels. Aujourd’hui, la dépendance aux acteurs étrangers fragilise sa capacité d’innovation. La priorité est donc de renforcer les capacités industrielles et de bâtir des infrastructures propres, condition indispensable pour décider librement et innover durablement.

2. La confiance et l’éthique deviennent un avantage compétitif

L’IA européenne doit se différencier par sa fiabilité. Cela implique des garanties fortes : supervision humaine, sécurité, transparence, respect des données et de la propriété intellectuelle. L’enjeu n’est plus seulement de faire fonctionner l’IA, mais de prouver qu’elle est digne de confiance. Cette exigence peut devenir un levier de compétitivité face aux autres puissances.

3. L’impact dépend des usages concrets et de la performance

Au-delà de la souveraineté, l’Europe doit créer de la valeur réelle. Cela passe par des cas d’usage métier (industrie, santé, etc.), l’exploitation des données spécifiques des entreprises et des architectures efficaces (comme des modèles spécialisés plutôt qu’un seul modèle général). L’objectif est double : accélérer l’adoption et proposer des solutions compétitives à l’échelle mondiale.

Ces trois axes : infrastructure, confiance, usages forment ensemble le socle d’une IA européenne à la fois souveraine, crédible et performante.

L’article Comment l’Europe peut-elle assurer le déploiement d’une IA souveraine et fiable ? est apparu en premier sur OUTSCALE blog.

Comment les Douanes ont déployé une IA souveraine pour 17 800 agents ?

OUTSCALE — Mon, 20 Jul 2026 09:01:58 +0000

Dans le cadre d’OUTSCALE EXPERIENCES, cette plénière a mis en lumière une transformation majeure portée par la Direction générale des douanes et droits indirects (DGDDI). Engagée dans une refonte complète de son code des douanes, passé de 500 à 1 200 articles, l’institution a dû accompagner une montée en compétence rapide de ses agents, confrontés à des évolutions réglementaires profondes.

Pour répondre à cet enjeu opérationnel, la DGDDI a déployé un assistant d’intelligence artificielle en langage naturel, accessible en mobilité, afin de faciliter l’application des nouvelles règles sur le terrain.

À cette occasion, Jérôme Sandrini, CRO chez OUTSCALE, Éric Laurent, chef du bureau « Soutien SI » à la DGDDI, et Quentin Lebourgeois, Leader IA Services Publics chez Sopra Steria, ont partagé leur retour d’expérience et leur vision de ce projet.

Enjeux et problématiques

La restructuration législative a engendré une perte de repères pour les agents : le passage à 1 200 articles a rendu l’application des règles moins prévisible, soulevant de multiples interrogations opérationnelles, surtout lors des missions itinérantes.

Après plusieurs expérimentations conduites à partir de 2024, la DGDDI a engagé une phase d’industrialisation en 2025 en vue d’un déploiement généralisé au 1er mai 2026.

Exigences et priorités stratégiques

Pour guider ses choix technologiques et contractuels, la DGDDI a établi un socle d’impératifs fondamentaux. La protection et la confidentialité des informations sensibles figuraient au premier plan, associées à une exigence de souveraineté impliquant un hébergement en France et une garantie de réversibilité des dispositifs.

Sur le plan opérationnel, l’outil devait faire preuve d’une performance et d’une robustesse suffisantes pour absorber la charge d’environ 17 800 utilisateurs, tout en conservant une flexibilité lui permettant de s’adapter aux évolutions des usages et de la réglementation. Face à ces contraintes de sécurité et de conformité, l’administration a privilégié une architecture souveraine fondée sur l’open source, via le canal de l’UGAP pour la passation des marchés.

Dispositifs et infrastructures mis en œuvre

Le dispositif instauré s’est appuyé sur trois entités clés : la DGDDI, qui a défini les besoins métier ; Sopra Steria, chargée de l’intégration technique et de la conception logicielle ; et OUTSCALE, qui a assuré l’hébergement sur une infrastructure Cloud souveraine qualifiée SecNumCloud, garantissant ainsi puissance de calcul (GPU), flexibilité et rapidité de mise en œuvre.

Afin de garantir un déploiement rapide et une montée en charge efficace sans investissements matériels lourds, OUTSCALE a mis à disposition une infrastructure Cloud industrialisée et optimisée pour les ressources GPU.

Jérôme Sandrini, Chief Revenue Officer d’OUTSCALE, a souligné que, pour tout projet d’IA d’envergure, le recours au Cloud devient impératif : OUTSCALE offre « cette élasticité combinée à la sécurité et au fameux label SecNumCloud ». Il a également mis en avant le rôle crucial d’un écosystème de partenaires pour optimiser le time-to-market ainsi que l’intégration de nouveaux services à grande échelle.

Agissant comme un trait d’union entre l’infrastructure technique et les besoins opérationnels, Sopra Steria a industrialisé l’ensemble des composants : interfaces conversationnelles, pipelines d’ingestion, RAG et vectorisation. Pour garantir la sécurité et l’opérabilité, tout en prévenant le phénomène de « shadow AI », l’entreprise a assuré l’intégration au système d’information, notamment via l’annuaire, l’authentification et le SOC.

Selon Quentin Lebourgeois, Leader IA Services Publics chez Sopra Steria, « l’utilisation de solutions souveraines managées a permis de bâtir une réponse ciblée aux enjeux métiers, en s’affranchissant des complexités liées à la gestion de l’infrastructure ».

Selon la DGDDI, la réussite de ce projet a reposé sur plusieurs piliers stratégiques : un soutien affirmé de la direction, une hiérarchisation claire des besoins plaçant la sécurité et la souveraineté au premier plan, ainsi qu’une approche pragmatique tirée des expériences passées. Pour faciliter l’industrialisation, le déploiement a débuté par un cas d’usage simplifié. Comme le souligne Éric Laurent, chef du bureau « Soutien SI » à la Direction générale des douanes et droits indirects (DGDDI), « l’objectif opérationnel était de fournir aux agents un assistant en langage naturel directement accessible sur leurs terminaux mobiles lors de leurs interventions quotidiennes ».

Enseignements clés

La valeur de l’IA générative réside dans sa capacité à satisfaire une nécessité métier immédiate. En se focalisant sur l’appui réglementaire pour les agents itinérants, la DGDDI a levé un blocage opérationnel majeur, ce qui a permis une intégration agile et une généralisation de l’outil à l’ensemble de l’organisation.
La réussite du projet repose sur un socle technique exigeant : l’utilisation d’un Cloud SecNumCloud, le recours à l’open source et le respect de critères de souveraineté tels que l’hébergement local, la réversibilité et l’interopérabilité avec le SI. Cette stratégie garantissait l’équilibre entre progrès technologique et respect des normes réglementaires.
Le succès de ce déploiement massif repose sur la complémentarité d’un trépied stratégique : la maîtrise des enjeux métiers, une intégration technique sur mesure et une infrastructure capable de monter en charge. Cette coopération étroite entre la DGDDI, Sopra Steria et OUTSCALE garantissait une extension rapide des services tout en maintenant un haut niveau de sécurité.

L’article Comment les Douanes ont déployé une IA souveraine pour 17 800 agents ? est apparu en premier sur OUTSCALE blog.