En 2022, nous avons proposé une évolution de l’architecture d’entreprise qui, à l’époque, semblait quelque peu avant-gardiste. L’argument était simple : si les organisations voulaient exploiter des entreprises numériques pilotées par l’IA, leur architecture devait évoluer. Les applications resteraient au cœur de la création de valeur, mais les couches qui les entouraient devaient changer. La distribution et la mise à disposition des applications, l’architecture et la gouvernance des données, ainsi que l’infrastructure constitueraient le cœur opérationnel. Autour de ces couches s’articuleraient les capacités nécessaires au fonctionnement de systèmes hautement automatisés et pilotés par les données : l’observabilité et l’automatisation. L’architecture de sécurité, les opérations et la gouvernance couvriraient l’ensemble de la pile, tandis que les pratiques SRE assureraient la cohésion de la boucle opérationnelle.
Le postulat sur lequel reposait ce modèle n’était pas que l’IA allait apparaître comme par magie partout. Il était que l’IA accélérerait le rythme des changements au sein des systèmes numériques et amplifierait l’ampleur des interactions automatisées entre eux. L’observabilité serait nécessaire pour comprendre ce qui se passait à l’intérieur de ces systèmes, tandis que l’automatisation permettrait de réagir assez rapidement pour préserver leur stabilité.
Aujourd’hui, cette architecture paraît bien moins hypothétique.
L’état actuel de l’architecture d’entreprise
Nos dernières recherches montrent qu’environ trois quarts des organisations utilisent déjà des applications intégrant l’IA, et que plus de 80 % d’entre elles prévoient d’intégrer prochainement des fonctionnalités d’IA à l’ensemble de leurs portefeuilles. L’IA est de fait devenue une dépendance applicative supplémentaire. Les modèles sont appelés via des API, les points de terminaison d’inférence se comportent comme des services, et les requêtes et réponses circulent entre les composants comme du trafic applicatif.
Dès que l’IA intègre la couche applicative, le rôle de la distribution et de la mise à disposition des applications devient immédiatement évident. Les requêtes d’inférence doivent être acheminées. La latence devient déterminante pour l’expérience utilisateur. Les points de terminaison des modèles doivent pouvoir s’adapter à la demande. Les interactions entre les applications et les modèles doivent être inspectées et encadrées.
Mais le trafic d’inférence n’est qu’une partie de l’équation.
La véritable conséquence architecturale de l’adoption de l’IA se manifeste dans les couches opérationnelles que nous avions mises en avant il y a plusieurs années : l’automatisation et l’observabilité.
Ces couches créent inévitablement de nouvelles catégories de trafic système.
Deux nouvelles catégories de trafic système
Le trafic d’automatisation se compose d’actions générées par des machines qui interagissent avec l’infrastructure. Les agents appellent des API. Les plateformes d’automatisation mettent à jour la configuration. Les systèmes de décision déclenchent des workflows. Ces requêtes ne sont désormais plus principalement initiées par des humains. Elles sont générées par des systèmes qui réagissent à des signaux et au contexte.
Nos recherches montrent que cette évolution est déjà en cours. Près des deux tiers des organisations déclarent utiliser l’IA pour accélérer l’automatisation, et plus de la moitié autorisent les systèmes d’IA à ajuster automatiquement les politiques ou les configurations.
Concrètement, cela signifie que l’infrastructure est de plus en plus souvent modifiée par des décisions prises par des machines. Les appels d’API, les changements de configuration et les workflows opérationnels sont déclenchés par des logiciels plutôt que par des opérateurs.
Cette activité constitue du trafic d’automatisation.
Le trafic d’automatisation se comporte différemment des interactions opérationnelles traditionnelles. Il peut se produire à la vitesse des machines et à une échelle bien supérieure à celle de l’activité humaine. Il doit donc être acheminé et régi avec la même rigueur que le trafic applicatif. Les systèmes doivent pouvoir évoluer pour absorber les pics d’activité automatisée. Des limites de débit et des quotas peuvent être nécessaires pour éviter tout emballement de l’automatisation. Les contrôles d’identité et d’autorisation doivent garantir que les agents interviennent uniquement dans le périmètre qui leur est attribué.
La deuxième catégorie de trafic émergente est le trafic de télémétrie.
Le trafic de télémétrie se compose des métriques, journaux, traces et événements qui transitent par les systèmes d’observabilité. Dans les opérations traditionnelles, la télémétrie servait principalement à éclairer la prise de décision humaine. Les opérateurs observaient le comportement du système et décidaient de la réponse à apporter.
L’IA transforme cette boucle.
Les signaux d’observabilité alimentent de plus en plus les systèmes de décision automatisés. La télémétrie fournit des données aux modèles qui détectent les anomalies, recommandent des actions ou déclenchent des processus de remédiation. Au lieu de simplement décrire le système, la télémétrie devient une donnée d’entrée pour les systèmes qui le contrôlent.
Cela accroît considérablement l’importance du trafic de télémétrie. Ces signaux doivent pouvoir évoluer pour répondre aux besoins croissants des analyses pilotées par l’IA. Plus important encore, ils doivent être fiables. Si les flux de télémétrie sont inexacts ou manipulés, les systèmes automatisés qui en dépendent risquent de prendre des décisions erronées ou préjudiciables.
Les pipelines de télémétrie nécessitent donc leurs propres mécanismes de contrôle de la transmission et de la sécurité. Les sources doivent être authentifiées afin de garantir la légitimité des signaux. Les pipelines doivent pouvoir évoluer pour prendre en charge l’augmentation du volume de données de télémétrie. Les systèmes d’observabilité doivent surveiller l’infrastructure de télémétrie elle-même.
Le trafic d’automatisation et le trafic de télémétrie forment une boucle de rétroaction. Cette boucle constitue le cœur opérationnel des environnements intégrant l’IA.
Ce que tout cela signifie
L’architecture que nous avons proposée il y a plusieurs années anticipait le besoin d’automatisation et d’observabilité, car les systèmes hautement dynamiques nécessitent ces deux éléments. L’IA n’a fait qu’accélérer l’émergence des conditions qui rendent ces couches indispensables.
L’automatisation génère du trafic d’automatisation. L’observabilité génère du trafic de télémétrie.
Ces deux types de trafic découlent naturellement de l’exploitation à grande échelle de systèmes intégrant l’IA. Et comme toutes les autres formes d’interaction entre systèmes qui les ont précédés, ils doivent être considérés comme des éléments à part entière de l’architecture d’entreprise. Leur acheminement doit être fiable, régi par des politiques, authentifié sur la base de l’identité et sécurisé au même titre que tout autre trafic applicatif ou système circulant dans l’environnement.
À propos de l’auteur
Lori MacVittie est ingénieure émérite et évangéliste en chef au sein du bureau du directeur technique de F5. Elle possède une expertise approfondie dans la fourniture d’applications, les stratégies d’automatisation et les infrastructures. Elle est réputée pour sa capacité à rendre la complexité intelligible, qu’elle définisse des garde-fous pour les agents d’IA, analyse des architectures multicloud fragiles ou explore les limites des systèmes évolutifs. Elle cumule plus de trente ans d’expérience dans le secteur, couvrant le développement d’applications, l’architecture informatique ainsi que l’exploitation des réseaux et des systèmes. Avant de rejoindre F5, elle a été rédactrice spécialisée dans les technologies et a reçu plusieurs distinctions. MacVittie est titulaire d’un master en informatique et est une autrice prolifique dont les publications couvrent la sécurité, le cloud et l’architecture d’entreprise. Elle est également une passionnée de jeux de société et de jeux vidéo, et assume pleinement ses avis bien tranchés sur le fromage.
Autres articles de Lori Mac VittieArticles de blog associés
Les paquets empoisonnés sont en train de tuer notre industrie
L’open source ne dispose pas d’un registre central recensant les paquets malveillants, alors même que l’IA et l’automatisation accélèrent les attaques contre la chaîne d’approvisionnement. L’écosystème a besoin d’un moyen fiable de signaler et de suivre les compromissions.
Top 10 des risques liés à la mise en production d’applications d’IA : manque de sécurité et de conformité réglementaire
L’IA étend la conformité au-delà de la sécurisation des chemins d’accès et des espaces de stockage pour englober la gouvernance du comportement à l’exécution — accès aux modèles, contexte de récupération, résultats et actions des agents —, de sorte que les contrôles doivent être rapprochés de l’inférence.
Top 10 de la livraison d’applications d’IA : politiques de livraison incompatibles
Les divergences de politiques deviennent des sources de pannes pour l’IA : des mécanismes de basculement, des délais d’expiration, des limites et des contrôles de sécurité incohérents entraînent des défaillances silencieuses, des résultats partiels et des résultats différents selon le point de terminaison.
Top 10 de la mise à disposition d’applications d’IA : orientation du trafic non optimisée
L’IA remet en cause les principes traditionnels de répartition du trafic : les backends ne sont pas interchangeables, les coûts varient et les agents multiplient les requêtes de manière imprévisible. Le routage doit donc tenir compte du modèle, de l’état des GPU et de la localisation des données.
Top 10 de la livraison d’applications d’IA : contrôles du trafic insuffisants
Les limites de débit et les mécanismes de régulation traditionnels ne tiennent pas compte de l’étendue réelle des répercussions. Les charges de travail d’IA se répartissent entre les modèles, les bases de données vectorielles et les services, provoquant des pics de latence, des défaillances en cascade et des nouvelles tentatives.
La gestion des fenêtres de contexte en IA n’a rien de magique. C’est une question d’architecture.
Découvrez pourquoi les créateurs d’applications d’IA doivent gérer le contexte, la mémoire et l’infrastructure, tout en faisant évoluer les processus de livraison et la sécurité afin d’éviter la dérive, la latence et les attaques par injection de prompts.