Perspectives technologiques 2025 de F5

Si l’IA générative a incontestablement eu l’un des plus grands impacts sur les entreprises en 2024, elle n’est pas la seule tendance ou technologie à faire parler d’elle. La flambée des coûts et la complexité croissante poussent les entreprises à rapatrier leurs charges de travail depuis le cloud public, notamment le stockage et les données. Ce mouvement est sans doute également motivé par la nécessité de mettre de l’ordre dans les données de l’entreprise afin de tirer parti des promesses de l’IA.

Les entreprises se retrouvent donc avec un environnement informatique hybride réparti entre le cloud public, les infrastructures sur site et l’edge computing. Bien que nous anticipions d’importants transferts de charges de travail du cloud public vers les infrastructures sur site, nous ne pensons pas que les entreprises miseront exclusivement sur un seul de ces environnements. Elles resteront, comme elles l’ont toujours été, résolument hybrides.

L’entreprise doit donc relever des défis majeurs pour standardiser la sécurité, la fourniture de services et les opérations dans des environnements disparates. La multitude déroutante d’API et d’outils continue de menacer la stabilité et la capacité de développement des activités numériques.

C’est dans ce contexte que F5 étudie les technologies et leur incidence potentielle sur l’entreprise, puis, par voie de conséquence, sur la fourniture et la sécurité des applications. Les enseignements qui en découlent orientent nos plans, notre stratégie et la poursuite de notre exploration des technologies émergentes. Dans cette optique, un groupe restreint d’experts technologiques de F5 livre son analyse des cinq technologies clés qui, selon nous, auront le plus d’impact sur l’entreprise et, par conséquent, sur la fourniture des applications en 2025.

Technologie n° 1 de 2025 : WebAssembly

Cette réalité nous amène à la première des technologies à suivre en 2025 : WebAssembly (Wasm). Wasm ouvre la voie à la portabilité dans les environnements multicloud hybrides, en permettant de déployer et d’exécuter des applications partout où un environnement d’exécution Wasm peut fonctionner. Mais Wasm ne se contente pas de concrétiser la promesse d’une portabilité du code entre différentes plateformes. Il offre des avantages en matière de performances et de sécurité, tout en ouvrant de nouvelles possibilités pour enrichir les fonctionnalités des applications web.

Oscar Spencer, ingénieur principal explique :

WebAssembly dans le navigateur ne devrait pas connaître de changements majeurs au cours de l’année 2025. L’évolution la plus importante est la poursuite de la prise en charge du ramasse-miettes (GC) de WebAssembly, déjà intégré à Chrome. Cela profitera aux langages comme Dart et Kotlin, qui dépendent fortement du GC et cherchent à renforcer leur présence dans les environnements de navigation. L’utilisation de Python dans les navigateurs pourrait également s’améliorer, même s’il est encore trop tôt pour en prévoir pleinement les effets.

Les évolutions les plus importantes ont toutefois lieu en dehors du navigateur, avec la sortie de WASI (WebAssembly System Interface) Preview 3. Cette mise à jour introduit la programmation asynchrone et les flux, résolvant ainsi un problème majeur lié à la diffusion de données en continu dans différents contextes, notamment celui des proxys. WASI Preview 3 propose des méthodes efficaces pour gérer les transferts de données vers et depuis les modules Wasm, ainsi qu’un contrôle précis de leur traitement, par exemple pour modifier les en-têtes sans avoir à traiter l’intégralité du corps des requêtes. En outre, l’introduction de la programmation asynchrone améliorera la composabilité entre les langages, en permettant des interactions fluides entre le code asynchrone et le code synchrone, ce qui profitera tout particulièrement aux langages natifs de Wasm. À mesure que les normes WASI se stabiliseront, nous pouvons nous attendre à une forte adoption de Wasm, qui offrira aux développeurs des outils robustes et une plateforme fiable pour tirer parti de ces avancées.

En supposant que Wasm puisse résoudre certains des problèmes de portabilité inhérents aux technologies précédentes, cela déplacerait les difficultés de portabilité auxquelles 95 % des organisations sont aujourd’hui confrontées vers d’autres couches critiques de la pile technologique informatique, telles que l’exploitation.

L’IA générative s’empresse de relever ce défi, tandis que l’avenir incarné par l’AIOps devient de plus en plus concret. Cette vision futuriste des opérations — où les changements et les politiques sont pilotés par des analyses fondées sur l’IA et alimentées par une observabilité de bout en bout — se rapproche chaque jour de la réalité grâce à l’incroyable rapidité d’évolution de l’IA générative.

Technologie n° 2 de 2025 : l’IA agentique

En moins d’un an, des agents ont émergé pour remplacer certaines fonctions de l’IA. Baptisée « IA agentique, » cette technologie est en passe non seulement de transformer les opérations, mais aussi de bouleverser des pans entiers du marché des logiciels d’entreprise. Il suffit d’observer l’utilisation de l’IA pour automatiser des flux de travail dominés par le SaaS depuis près de vingt ans pour mesurer à quel point cette technologie sera disruptive.

Laurent Quérel, ingénieur émérite explique :

Les agents de programmation autonomes sont en passe de révolutionner le développement logiciel en automatisant des tâches clés telles que la génération de code, les tests et l’optimisation. Ces agents rationaliseront considérablement le processus de développement, en réduisant les interventions manuelles et en accélérant les délais de réalisation des projets. Parallèlement, l’émergence des grands agents multimodaux (LMA) étendra les capacités de l’IA au-delà de la recherche textuelle pour permettre des interactions plus complexes. Ces agents interagiront avec des pages web et extrairont des informations de différents formats, notamment des textes, des images et des vidéos, améliorant ainsi notre façon d’accéder aux contenus en ligne et de les traiter.

À mesure que les agents d’IA remodèleront Internet, nous assisterons au développement d’infrastructures de navigation qui leur seront spécifiquement dédiées et conçues pour faciliter des interactions sécurisées et efficaces avec les sites web. Cette évolution pourrait bouleverser des secteurs tels que le commerce électronique en automatisant des tâches web complexes, ce qui se traduirait par des expériences en ligne plus personnalisées et interactives. Toutefois, à mesure que ces agents s’intégreront davantage dans notre quotidien, de nouveaux protocoles de sécurité et de nouvelles réglementations seront indispensables pour répondre aux préoccupations liées à l’authentification des IA, à la confidentialité des données et aux risques d’utilisation abusive. D’ici 2028, une part importante des logiciels d’entreprise devrait intégrer des agents d’IA, transformant ainsi les processus de travail et permettant une prise de décision en temps réel grâce à une génération plus rapide de jetons dans les flux de travail itératifs. Cette évolution entraînera également la création de nouveaux outils et de nouvelles plateformes de développement web piloté par des agents, marquant une étape majeure dans le paysage numérique.

Mais la vérité, c’est que pour tirer pleinement parti des avantages de l’IA, il faut des données — beaucoup de données. Un défi de taille, sachant que près de la moitié (47 %) des organisations reconnaissent ne disposer d’aucune stratégie de données pour l’IA (https://www.f5.com/state-of-application-strategy-report). Et ce défi est loin d’être anodin. La quantité de données détenues par une organisation — données structurées, non structurées et indicateurs en temps réel — est vertigineuse. Le simple fait de les répertorier nécessite un investissement considérable.

Technologie 2025 n° 3 : classification des données

Ajoutez à cela les préoccupations de sécurité liées à l’augmentation spectaculaire des surfaces d’attaque, les nouvelles réglementations en matière de confidentialité des données et de conformité, ainsi que l’apparition de nouvelles sources de données et de nouveaux vecteurs de menace : toutes les conditions sont réunies pour favoriser l’essor de technologies robustes de classification des données en temps réel. Ainsi, les modèles d’IA générative devraient surpasser les systèmes traditionnels fondés sur des règles pour détecter et classifier les données d’entreprise.

James Hendergart, directeur principal de la recherche technologique explique :

La classification des données a considérablement gagné en importance en 2024 sous l’effet de plusieurs tendances convergentes. La multiplication des données, des appareils et des applications, conjuguée à la poursuite de la transformation numérique, a fortement élargi la surface d’attaque exposée aux cybermenaces. Cette augmentation des vulnérabilités, associée à la persistance des violations de données, a mis en évidence la nécessité cruciale d’une protection robuste des données. Parallèlement, le renforcement des réglementations visant à protéger la confidentialité des données et à garantir la conformité a davantage incité les organisations à faire de la classification des données une priorité, car celle-ci constitue le point de départ de la protection de la vie privée. En outre, l’essor de l’IA générative a fait apparaître de nouvelles sources de données et de nouveaux vecteurs d’attaque, complexifiant encore les enjeux liés à la sécurité des données.

Environ 80 % des données d’entreprise sont non structurées. À l’avenir, les modèles d’IA générative deviendront la méthode privilégiée pour détecter et classifier les données d’entreprise non structurées, avec des taux de précision supérieurs à 95 %. Au fil du temps, ces modèles gagneront en efficacité, nécessiteront moins de puissance de calcul et permettront des temps d’inférence plus courts. Des solutions telles que la gestion de la posture de sécurité des données (DSPM), la prévention des pertes de données (DLP) et la gouvernance des accès aux données s’appuieront de plus en plus sur la détection et la classification des données sensibles comme socle pour fournir toute une gamme de services de sécurité. À mesure que les services réseau et de diffusion des données convergeront, la consolidation des plateformes incitera les fournisseurs à enrichir leurs offres afin de gagner des parts de marché en proposant des plateformes complètes, économiques et faciles à utiliser, capables de répondre à l’évolution des besoins des entreprises.

La volonté commune des organisations d’exploiter l’IA générative dans des domaines allant de la productivité à la création de contenu, en passant par l’automatisation des workflows, conduit à l’émergence d’un nouveau modèle d’architecture applicative à mesure qu’elles commencent à déployer des capacités d’IA. Ce modèle étend les trois couches traditionnelles — client, serveur et données — en y intégrant une nouvelle couche dédiée à l’IA, où s’effectue l’inférence.

Technologie 2025 n° 4 : passerelles d’IA

Cette nouvelle couche contribue à définir les « passerelles d’IA », la quatrième technologie à surveiller de notre sélection. Les passerelles d’IA ne sont pas de simples passerelles d’API ou passerelles web. Bien que leurs fonctionnalités de base soient similaires à celles des passerelles d’API, les besoins architecturaux spécifiques liés aux flux bidirectionnels non structurés et à une base croissante d’utilisateurs constituée de « bons » bots nécessitent de nouvelles fonctionnalités.

Ken Arora, ingénieur émérite explique :

Les passerelles d’IA s’imposent comme l’évolution naturelle des passerelles d’API, spécialement conçues pour répondre aux besoins des applications d’IA. À l’instar des courtiers de sécurité d’accès au cloud (CASB), spécialisés dans la sécurisation des applications SaaS d’entreprise, les passerelles d’IA se concentreront sur des problématiques spécifiques telles que les hallucinations, les biais et le contournement des garde-fous, qui entraînent souvent des divulgations de données indésirables. À mesure que les applications d’IA gagneront en autonomie, les passerelles devront également offrir une visibilité, une gouvernance et une sécurité robustes de la chaîne d’approvisionnement, afin de garantir l’intégrité des jeux de données d’entraînement et des modèles tiers, qui constituent désormais des vecteurs d’attaque potentiels. Par ailleurs, avec l’essor des applications d’IA, des enjeux tels que les attaques par déni de service distribué (DDoS) et la maîtrise des coûts deviennent critiques, compte tenu des frais d’exploitation élevés de ces applications par rapport aux applications traditionnelles. Enfin, l’augmentation du partage de données avec les applications d’IA pour des tâches telles que la synthèse et l’analyse de tendances nécessitera une protection plus sophistiquée contre les fuites de données.

À l’avenir, les passerelles d’IA devront prendre en charge à la fois les proxys inverses et directs, ces derniers jouant un rôle essentiel à court terme, car la consommation d’IA progresse plus rapidement que sa production. Les proxys intermédiaires seront également indispensables pour gérer les interactions entre les composants des applications d’IA, par exemple entre les bases de données vectorielles et les grands modèles de langage (LLM). L’évolution des menaces nécessitera également de repenser notre approche de la sécurité. Alors que de nombreux clients deviennent des agents automatisés agissant pour le compte d’êtres humains, les modèles actuels de protection contre les bots évolueront afin de distinguer les bots légitimes des bots malveillants. Les passerelles d’IA devront intégrer des politiques avancées, telles que l’authentification déléguée, l’analyse comportementale et l’application du principe du moindre privilège, en s’inspirant des principes du zero trust. Cela comprendra des politiques tenant compte des risques et une visibilité accrue, afin de contenir efficacement les failles de sécurité liées à l’IA tout en maintenant une gouvernance robuste.

Le plus urgent est de pouvoir répondre non seulement aux préoccupations traditionnelles de sécurité liées aux données (exfiltration, fuite), mais aussi aux enjeux éthiques associés aux hallucinations et aux biais. Personne ne s’étonne de voir ces derniers figurer parmi les risques majeurs dans presque toutes les enquêtes sur le sujet.

Technologie 2025 n° 5 : petits modèles de langage

Compte tenu des problèmes liés aux hallucinations et aux biais, il serait impensable d’ignorer l’utilisation croissante de la génération augmentée par récupération (RAG) et des petits modèles de langage (SLM). La RAG est rapidement devenue un modèle d’architecture fondamental pour l’IA générative, notamment grâce à sa capacité à améliorer la précision et la pertinence des informations produites par les grands modèles de langage. En combinant les atouts des systèmes de recherche d’informations et des modèles génératifs, la RAG apporte une solution à l’un des principaux défis de l’IA : les hallucinations, c’est-à-dire la génération d’informations erronées ou trompeuses.

Les organisations qui n’intègrent pas encore la génération augmentée par récupération (RAG) à leurs stratégies d’IA se privent d’améliorations significatives en matière d’exactitude et de pertinence des données, en particulier pour les tâches nécessitant une recherche d’informations en temps réel et des réponses contextualisées. Mais à mesure que les cas d’usage de l’IA générative se diversifient, les organisations constatent que la RAG ne peut, à elle seule, résoudre certains problèmes.

Lori MacVittie, ingénieure émérite explique :

Les limites croissantes des grands modèles de langage (LLM), notamment leur manque de précision lorsqu’ils traitent des connaissances propres à un domaine ou à une organisation, accélèrent l’adoption des petits modèles de langage (SLM). Si les LLM sont extrêmement puissants pour les applications faisant appel à des connaissances générales, ils montrent souvent leurs limites lorsqu’il s’agit de fournir des informations précises et nuancées dans des domaines spécialisés. C’est là que les SLM excellent : adaptés à des champs de connaissances spécifiques, ils produisent des résultats plus fiables et mieux ciblés. En outre, les SLM nécessitent nettement moins de ressources en matière d’énergie et de cycles de calcul, ce qui en fait une solution plus rentable pour les entreprises qui n’ont pas besoin des vastes capacités d’un LLM pour chaque cas d’usage.

À l’heure actuelle, les SLM sont généralement propres à un secteur et sont souvent entraînés dans des domaines tels que la santé ou le droit. Bien que ces modèles soient limités à des domaines plus restreints, leur entraînement et leur déploiement sont nettement plus réalisables que ceux des LLM, tant en matière de coût que de complexité. À mesure que les organisations recherchent des solutions mieux adaptées à leurs besoins spécifiques en matière de données, les SLM devraient remplacer les LLM dans les situations où les méthodes de génération augmentée par récupération ne suffisent pas à atténuer pleinement les hallucinations. À terme, nous prévoyons que les SLM s’imposeront de plus en plus dans les cas d’usage où une précision et une efficacité élevées sont primordiales, offrant ainsi aux organisations une solution plus précise et plus économe en ressources que les LLM.

Perspectives d’avenir : au-delà des transformeurs

Le besoin de modèles d’IA plus efficaces, capables de gérer la complexité croissante des applications modernes sans nécessiter d’énormes ressources de calcul, devient rapidement une réalité. Bien que puissants, les modèles Transformer présentent des limites en matière de passage à l’échelle, d’utilisation de la mémoire et de performances, en particulier à mesure que la taille des modèles d’IA augmente. Par conséquent, de nombreux efforts sont déployés pour concevoir des architectures qui conservent une grande précision tout en réduisant la charge de calcul. En outre, la volonté de démocratiser l’IA — en la rendant accessible sur différents appareils et pour divers cas d’usage — accélère encore l’adoption d’innovations telles que les grands modèles de langage à 1 bit, conçus pour optimiser la précision tout en réduisant au minimum les exigences matérielles.

Ces besoins poussent l’IA à évoluer au-delà des transformeurs.

Kunal Anand, directeur de l’innovation explique :

Un nouveau paradigme émerge : la convergence de nouvelles architectures de réseaux neuronaux et de techniques d’optimisation révolutionnaires qui promettent de démocratiser le déploiement de l’IA dans diverses applications et sur différents appareils.

La communauté de l’IA observe déjà les premiers signes d’innovations post-transformeur dans la conception des réseaux neuronaux. Ces nouvelles architectures visent à remédier aux limites fondamentales des modèles de transformeur actuels, tout en préservant ou en améliorant leurs remarquables capacités de compréhension et de génération de contenu. Parmi les avancées les plus prometteuses figure l’émergence de modèles hautement optimisés, notamment les grands modèles de langage à 1 bit. Ces innovations marquent un changement fondamental dans notre approche de l’efficacité des modèles, en réduisant considérablement les besoins en mémoire et la charge de calcul, tout en maintenant leurs performances malgré une précision moindre.

L’impact de ces avancées se propagera en plusieurs vagues dans l’écosystème de l’IA. Les premiers effets se manifesteront immédiatement par une réduction des ressources nécessaires au déploiement de l’IA. Des modèles qui exigeaient autrefois d’importantes ressources de calcul et de mémoire pourront fonctionner efficacement avec une charge considérablement réduite. Cette optimisation entraînera une évolution de l’architecture informatique : les GPU pourraient se spécialiser dans les tâches d’entraînement et d’ajustement fin, tandis que les CPU prendraient en charge les charges de travail d’inférence avec des capacités jusque-là inédites.

Ces changements déclencheront une deuxième vague d’effets axés sur la démocratisation et la durabilité. À mesure que les besoins en ressources diminueront, le déploiement de l’IA deviendra accessible à un large éventail d’applications et d’appareils. Les coûts d’infrastructure baisseront considérablement, rendant possibles des capacités de traitement en périphérie jusqu’alors difficilement envisageables. Parallèlement, la réduction de l’intensité de calcul aura des effets bénéfiques sur l’environnement grâce à une consommation d’énergie moindre et à une empreinte carbone réduite, ce qui rendra les opérations d’IA plus durables.

Ces avancées offriront aux appareils en périphérie des capacités sans précédent, amélioreront le traitement en temps réel et permettront une intégration rentable de l’IA dans tous les secteurs. Le paysage informatique évoluera vers des solutions hybrides combinant différentes architectures de traitement optimisées pour des charges de travail spécifiques, créant ainsi une infrastructure d’IA plus efficace et polyvalente.

Les implications de ces avancées vont bien au-delà des améliorations techniques. Elles laissent entrevoir un avenir où le déploiement de l’IA gagnera en polyvalence et en respect de l’environnement, sans compromis sur les performances. À l’approche de 2025, ces changements devraient accélérer l’intégration de l’IA dans les applications du quotidien, créant ainsi de nouvelles possibilités d’innovation et d’efficacité dans tous les secteurs.

Désormais, la seule constante est véritablement le changement

L’année écoulée a incontestablement été marquée par d’importants changements, des évolutions et des surprises dans le domaine technologique. Il est raisonnable de penser que l’année prochaine nous réservera encore bien des bouleversements. Après tout, le plein potentiel de l’IA générative reste encore à explorer, et il est donc probable que de nouveaux cas d’usage disruptifs de cette technologie prometteuse voient le jour.

Si les organisations n’expérimentent pas encore l’IA générative, elles devraient le faire. Le recours à des services constitue assurément un bon point de départ pour des cas d’usage simples, tels que les chatbots et les moteurs de recommandation, mais le potentiel de l’IA générative va bien au-delà des conversations et de la création de nouvelles vidéos de chats.

Attendez-vous à voir émerger davantage de changements et de nouvelles façons d’exploiter l’IA, à mesure que celle-ci continue de remodeler les fondements mêmes de la technologie.