La crise de l’expérience opérationnelle

Enseignements tirés du rapport 2025 sur l’état de la stratégie applicative

Rédigé par : Lori MacVittie

Introduction

Alors que les organisations cherchent à fournir des services numériques avec rapidité, sécurité et efficacité, la complexité opérationnelle est devenue un obstacle majeur. Le recours croissant au multicloud, aux applications distribuées et aux architectures hybrides confronte les équipes chargées des opérations informatiques à des tâches chronophages et à des flux de travail fragmentés. Les indicateurs traditionnels ne rendent pas compte de l’accumulation des difficultés auxquelles les opérateurs sont confrontés au quotidien.

“Fait : 70 % des personnes interrogées ont indiqué que les performances constituaient le critère technique le plus important pour garantir une expérience numérique de qualité. ”

Pour combler cet écart, nous introduisons le score d’expérience opérationnelle (OES), un indicateur composite conçu pour quantifier les difficultés opérationnelles et mettre en évidence les domaines dans lesquels l’automatisation, en particulier les opérations pilotées par l’IA (AIOps), devient essentielle. Ce score offre une vision claire, fondée sur les données, de l’efficacité opérationnelle des équipes informatiques et permet d’identifier les goulets d’étranglement et les inefficacités.

Méthodologie et formule de notation

Nous avons étudié la manière dont d’autres domaines techniques mesurent l’« expérience » et en avons tiré une formule qui agrège les données selon trois piliers :

Productivité des tâches (TP) – Cet indicateur mesure l’effort manuel nécessaire à l’accomplissement des tâches. Si les équipes dépendent fortement de l’écriture de scripts, de l’interaction directe avec des API ou de l’approbation manuelle d’actions courantes, le score de TP sera faible.

Efficacité des flux de travail (WE) – Ce critère prend en compte le temps et la complexité nécessaires à l’exécution des tâches. Un score WE élevé indique des délais de traitement plus longs en raison d’outils fragmentés, de lenteurs dans les processus ou d’une forte dépendance à l’intervention humaine.

Satisfaction des utilisateurs (US) – Mesure le degré de satisfaction des professionnels à l’égard de leurs outils et de leurs processus de travail, notamment leur ouverture à l’automatisation, la facilité de configuration et leur confiance dans les résultats.

Cette approche valorise un niveau de satisfaction élevé et pénalise les environnements où prédominent les tâches manuelles et l’inefficacité. Nous appelons cet indicateur le « score d’expérience opérationnelle ».

Pour calculer l’OES, nous avons utilisé les réponses à une enquête structurée, associées à chacune des trois composantes du score. Notre jeu de données regroupait plus de 500 décideurs informatiques et professionnels techniques qualifiés ayant répondu à l’enquête « State of Application Strategy Report 2025 ».

Pour l’ensemble des répondants, le score OES moyen était de 5,50, avec des variations importantes selon le secteur d’activité. Voici les résultats :

Le score OES maximal possible est de 10, où 10 correspond à une expérience optimale (faible complexité de la tâche, efficacité élevée, satisfaction élevée) et 1 à une mauvaise expérience (complexité élevée, faible efficacité, faible satisfaction).

Points clés à retenir

41 % des personnes interrogées ont déclaré que « travailler avec les API des fournisseurs » ou « écrire des scripts » constituait la partie la plus chronophage de leur travail.

38 % souhaitent que l’IA ajuste automatiquement les configurations et les politiques.

56 % recherchent des suggestions générées par l’IA pour accélérer leurs processus de travail.

Seuls 6 % des répondants ont indiqué ne pas vouloir utiliser l’IA dans leurs workflows d’automatisation.

Une tendance qui ressort de ces données est le niveau d’OES nettement inférieur observé dans les secteurs fortement réglementés. Les services financiers, le secteur public et le secteur de l’énergie et des services aux collectivités présentent systématiquement davantage de frictions opérationnelles. Cela n’est pas vraiment surprenant. Ces secteurs sont soumis à des cadres de conformité stricts qui imposent souvent des contrôles manuels, des processus d’approbation rigides et des cycles de changement plus lents. Par conséquent, même lorsque des outils d’automatisation sont disponibles, les équipes peuvent ne pas être autorisées à les exploiter pleinement.

En outre, les infrastructures existantes ont tendance à perdurer davantage dans les environnements réglementés, ce qui entraîne des difficultés d’intégration et de modernisation qui nuisent à l’efficacité des flux de travail. Et même si les professionnels de ces secteurs peuvent être désireux d’adopter l’IA, les politiques et l’aversion au risque en retardent souvent l’adoption. La métrique OES met en évidence ces frictions et souligne le rôle essentiel que des AIOps bien gouvernées peuvent jouer pour alléger le poids de la conformité tout en accélérant la livraison.

Distribution + échelle = frein opérationnel

Les environnements applicatifs modernes sont complexes, non seulement en raison de la diversité de leurs lieux de déploiement, mais aussi du volume de ressources qu’ils hébergent. La plupart des organisations s’appuient désormais sur plusieurs types d’infrastructures : cloud public, centres de données privés, colocation, edge computing et SaaS. Parallèlement, elles gèrent des dizaines, voire des centaines d’applications réparties dans ces environnements.

Pour quantifier l’impact, nous avons examiné deux variables clés :

Distribution : le nombre d’environnements différents dans lesquels les applications sont déployées.

Échelle : le nombre total d’applications gérées.

Ce que montrent les données :

Corrélation entre la distribution et l’OES : –0,22
Cette corrélation négative indique qu’à mesure que les applications sont déployées dans un nombre croissant d’environnements, l’expérience opérationnelle se dégrade. Chaque environnement introduit des outils, des politiques et des difficultés d’intégration qui lui sont propres, ce qui fragmente le contrôle et ralentit les interventions.

Corrélation entre le nombre d’applications et l’OES : +0,05
À lui seul, le volume d’applications présente une corrélation négligeable avec les frictions opérationnelles. Mais lorsqu’il est associé à leur répartition, le constat devient plus clair : les organisations qui comptent à la fois de nombreuses applications et de nombreux environnements obtiennent les scores OES les plus faibles.

Le déploiement à grande échelle des applications accentue la pression verticale : plus il y a d’applications, plus il faut gérer de configurations, de politiques et de mises à jour. La distribution accroît la complexité horizontale : plus il y a d’environnements, plus il faut d’intégrations, d’outils de visibilité et d’expertise spécialisée.

Ensemble, ils freinent de manière cumulative la rapidité des opérations.

Les secteurs tels que les services financiers, l’énergie et l’industrie manufacturière, qui obtiennent les scores OES les plus faibles, figurent également parmi ceux où la distribution et le nombre d’applications sont les plus importants. À l’inverse, l’éducation et la santé, qui comptent généralement moins d’applications et présentent des topologies d’infrastructure plus simples, affichent des scores OES nettement plus élevés.

Pourquoi est-ce important ?

Les équipes opérationnelles ne se contentent pas de gérer la complexité : elles sont submergées par celle-ci. Plus un environnement est fragmenté et étendu, plus les flux de travail deviennent fragiles, plus les délais de réponse s’allongent et plus le besoin d’automatisation devient crucial.

Points de friction opérationnels

Le score d’expérience opérationnelle n’est pas qu’un simple chiffre : il reflète les véritables défis auxquels les équipes informatiques et opérationnelles sont confrontées dans la gestion d’environnements modernes, distribués et souvent fragmentés. Lorsque nous examinons les grandes tendances qui se dégagent des données, plusieurs thèmes émergent et permettent de mieux comprendre à la fois les difficultés rencontrées et l’urgence d’adopter l’automatisation et l’AIOps.

1. Les tâches manuelles restent prédominantes

Malgré des années d’investissement dans les outils d’automatisation, une part importante des tâches opérationnelles reste manuelle. Cela ne tient pas seulement aux systèmes existants, mais aussi aux lacunes entre les outils, au manque de standardisation et aux difficultés engendrées par des scripts et des API qui n’ont jamais été conçus pour passer à l’échelle.

41 % des personnes interrogées ont déclaré que l’interaction avec les API des fournisseurs ou l’écriture de scripts était la tâche la plus chronophage de leur flux de travail.

Même dans les organisations cloud natives, l’automatisation se résume souvent à « un ensemble de scripts », plutôt qu’à une orchestration rationalisée.

Cela met en évidence un besoin crucial d’une automatisation plus intelligente et adaptable, qui réduise la dépendance à la logique codée en dur et aux connaissances informelles.

2. Les inefficacités des flux de travail sont systémiques

Les données révèlent que les retards et les inefficacités ne se limitent pas à un outil ou à un processus spécifique. Ils sont au contraire systémiques et structurels, et résultent de chaînes d’approbation fragmentées, de processus cloisonnés et de systèmes non intégrés.

Près de 30 % des personnes interrogées ont indiqué que l’attente de validations ou de relais contribuait fortement aux retards.

18 % ont indiqué que la mauvaise intégration entre les outils constituait une source majeure d’inefficacité.

Cela montre que l’amélioration de l’efficacité des flux de travail ne consiste pas simplement à déployer davantage d’outils, mais à repenser les processus et à créer des boucles de rétroaction qui réduisent le délai entre l’intention et l’action.

3. Une forte ouverture à l’IA, motivée par les difficultés rencontrées

Si le niveau de maturité en matière d’automatisation varie, l’ouverture aux outils d’IA reste forte, quels que soient les fonctions et les secteurs. Cet intérêt n’est pas purement théorique : il est étroitement lié aux domaines présentant d’importantes difficultés opérationnelles.

La corrélation entre l’intérêt pour l’IA et l’OES est de –0,62, ce qui signifie que les personnes qui rencontrent le plus de difficultés sont les plus disposées à recourir à l’IA.

Les équipes ne veulent pas que l’IA remplace les humains, mais qu’elle réduise la charge cognitive liée aux tâches répétitives et sujettes aux erreurs : synthèse des journaux, génération de politiques, rapports d’état, mise à l’échelle automatique, etc.

Cette volonté ouvre une perspective prometteuse : l’adoption de l’AIOps peut être accélérée à partir du terrain en donnant davantage de moyens aux équipes qui subissent le plus de pression.

4. La complexité augmente à la fois avec l’échelle et la distribution

L’effet combiné de la taille des applications et d’une infrastructure distribuée crée un défi opérationnel particulier. Si chacun de ces facteurs pris isolément n’a qu’un effet limité sur l’OES, leur combinaison engendre des difficultés mesurables.

Les secteurs qui comptent à la fois un grand nombre d’applications et des déploiements dans plusieurs environnements (par exemple, les services financiers, l’énergie et l’industrie manufacturière) ont obtenu les scores OES les plus faibles.

À l’inverse, des secteurs comme l’éducation et la santé, où les portefeuilles d’applications sont moins étendus et les environnements moins diversifiés, ont obtenu des scores nettement supérieurs.

Cela confirme que la complexité résulte de plusieurs facteurs combinés : elle augmente à mesure que l’échelle (charge verticale) et la distribution (dispersion horizontale) s’accroissent. C’est précisément là que l’automatisation, en particulier l’AIOps, devient non seulement utile, mais indispensable.

5. Le statu quo n’est pas tenable

Le constat le plus frappant est peut-être que de nombreuses équipes approchent d’un point de bascule. La combinaison d’exigences croissantes, d’effectifs stables, d’outils obsolètes et de solutions de contournement manuelles engendre une pression opérationnelle intenable.

Les équipes montrent des signes d’épuisement professionnel.

L’intérêt pour l’IA répond à des besoins pragmatiques, et non à de simples aspirations.

Et la volonté d’adopter le changement est déjà à l’œuvre.

Les données parlent d’elles-mêmes : la voie à suivre ne consiste pas à multiplier les scripts, les outils ou les tableaux de bord, mais à adopter une automatisation intelligente et sensible au contexte, capable d’évoluer avec les besoins opérationnels.

Le remède, c’est l’IA

Afin de mieux comprendre comment l’IA s’intègre à l’expérience opérationnelle, nous avons analysé les réponses aux questions sur l’IA et l’automatisation, en particulier les domaines dans lesquels les répondants souhaitaient appliquer l’IA ou se disaient prêts à l’utiliser dans le cadre des opérations. Nous avons ensuite comparé le nombre de réponses positives concernant l’IA au score d’expérience opérationnelle (OES) de chaque répondant.

Corrélation entre l’intérêt pour l’IA et l’OES : -0,62

Il s’agit d’une forte corrélation négative, qui met en évidence une tendance claire : plus une équipe rencontre de difficultés opérationnelles, plus elle souhaite bénéficier de l’aide de l’IA. Autrement dit, les personnes les plus demandeuses d’une assistance par l’IA, que ce soit pour synthétiser des journaux, ajuster des politiques ou générer des configurations, sont également celles qui obtiennent les scores d’expérience opérationnelle les plus faibles.

Cela renforce l’urgence d’adopter l’AIOps. Les organisations ne se tournent pas vers l’IA par simple attrait pour la nouveauté, mais parce qu’elles la considèrent comme une solution indispensable aux difficultés qu’elles rencontrent actuellement. Qu’elles soient dues au changement d’échelle, à la complexité ou à des processus obsolètes, ces contraintes font émerger, depuis le terrain, une demande d’automatisation intelligente, sensible au contexte et intégrée aux opérations.

Ces données montrent que l’intérêt pour l’AIOps n’est pas de l’ordre de l’aspiration, mais répond à des besoins concrets. Les personnes interrogées ne rêvent pas de cas d’usage futurs hypothétiques : elles cherchent à éliminer les tâches chronophages et à réduire la complexité des opérations manuelles dans leurs workflows actuels.

Les tâches telles que l’écriture de scripts, la synthèse des journaux ou la mise à l’échelle des services ne sont pas à la pointe de l’innovation : elles font partie des contraintes quotidiennes liées à l’exploitation d’une infrastructure moderne. Et c’est précisément sur ces tâches que les répondants souhaitent bénéficier de l’aide de l’IA.

Les résultats conduisent à une conclusion claire : les équipes les plus enthousiastes à l’idée d’adopter l’IA sont aussi celles qui sont les plus proches de l’épuisement professionnel.

Ils demandent des outils permettant d’automatiser, de rationaliser et de déployer à grande échelle les principales tâches opérationnelles. Et ce, parce que la situation actuelle — scripts fragmentés, workflows fragiles et tri manuel — n’est pas viable.

Cela renforce la thèse centrale du cadre OES : la complexité opérationnelle est mesurable, source de difficultés et étroitement liée à la demande croissante d’IA dans les opérations informatiques.

Le score d’expérience opérationnelle fournit un indicateur clair et quantifiable : les opérations informatiques modernes atteignent un point de rupture. La combinaison de l’échelle, de la distribution et de la complexité a dépassé les capacités des outils traditionnels et des processus reposant sur l’intervention humaine. Il en résulte des frictions croissantes, une hausse des coûts opérationnels et un risque accru d’épuisement professionnel au sein des équipes techniques.

L’AIOps est la seule voie évolutive pour l’avenir

Les données du rapport mondial « État de la stratégie applicative 2025 » sont sans équivoque. Tous secteurs confondus, les principaux défis opérationnels n’ont rien d’inhabituel ; ils ne sont que trop familiers :

Topologies de déploiement fragmentées réparties entre le cloud public, les centres de données privés, la colocation, l’edge computing et les solutions SaaS.

Augmentation du volume et du rythme des candidatures, en particulier dans les secteurs fortement numérisés.

Une dépendance persistante à des scripts fragiles et à des connaissances informelles, qui rend même les automatisations les plus élémentaires peu fiables et difficiles à déployer à grande échelle.

Ces réalités ne sont pas nouvelles, mais ce qui l’est, c’est la prise de conscience croissante que les seuls efforts humains ne suffiront pas à les résoudre.

Pourtant, il y a une lueur d’espoir : les professionnels sont prêts.

Les réponses à l’enquête montrent que les personnes les plus directement confrontées aux difficultés sont aussi les plus disposées à changer :

56 % souhaitent que l’IA les aide à accomplir des tâches répétitives ou complexes, comme résumer des journaux, générer des scripts ou appliquer des politiques.
38 % souhaitent que l’IA ajuste automatiquement les configurations et prenne des décisions, au lieu de se contenter de les suggérer.
Seuls 6 % ont déclaré ne pas être intéressés du tout par les outils d’IA, une minorité qui souligne à quel point la volonté de changement s’est généralisée.

Cela témoigne d’un changement culturel : les équipes n’ont pas peur de l’IA, elles la réclament. Non pas pour remplacer le jugement humain, mais pour le renforcer, l’accélérer et le libérer des tâches fastidieuses.

Le coût de l’inaction n’est plus caché

Chaque script écrit pour corriger une transmission défaillante. Chaque déploiement retardé par des validations manuelles. Chaque ticket créé parce que les systèmes ne peuvent pas communiquer entre eux. Il ne s’agit pas de désagréments mineurs, mais de sources de dette opérationnelle qui s’accumulent.

Et dans un monde où la performance numérique conditionne la performance de l’entreprise, cette dette se traduit directement par :

Délai de mise sur le marché plus long

Risque accru en matière de sécurité et de conformité

Départ des talents dû à l’épuisement professionnel et aux tâches fastidieuses

L’OES met précisément en lumière ce coût caché et indique quelles organisations risquent le plus de se laisser distancer.

L’AIOps est l’évolution naturelle de la maturité opérationnelle

Tout comme l’infrastructure est passée du physique au virtuel, puis au cloud natif, les opérations doivent évoluer de processus manuels vers des processus intelligents. L’AIOps n’est pas une tendance, mais la prochaine étape de maturité dans l’évolution des opérations d’entreprise.

Les organisations qui adoptent l’AIOps pourront :

Automatisez les tâches fastidieuses, pas seulement les tâches

Permettez aux équipes de se concentrer sur la stratégie, et non sur la syntaxe

Concevez des systèmes adaptatifs capables d’apprendre, de s’ajuster et de réagir en temps réel

Et celles qui ne le font pas ? Elles resteront prisonnières de processus incapables de suivre le rythme de l’entreprise.

L’AIOps est une évolution indispensable pour répondre à la crise de l’expérience opérationnelle engendrée par la complexité. Ce n’est plus un simple atout, mais une nécessité.

Annexe : questions de l’enquête, données recueillies et synthèse des résultats

Productivité des tâches

41 % des personnes interrogées ont indiqué que « travailler avec les API des fournisseurs » ou « écrire des scripts » était la tâche qui leur prenait le plus de temps.

56 % ont demandé l’aide de l’IA pour générer des scripts, résumer des journaux ou interagir avec les données de télémétrie.

32 % s’appuient sur des plateformes tierces d’automatisation ou d’orchestration pour gérer les services de diffusion et de sécurité.

Quelle est aujourd’hui la tâche liée à l’automatisation qui prend le plus de temps ?

Pour quelles tâches d’exploitation informatique parmi les suivantes souhaiteriez-vous bénéficier de l’aide de l’IA générative ? (plusieurs réponses possibles : synthèse des journaux, mises à jour de statut, interface de télémétrie, génération de scripts)

Comment gérez-vous actuellement vos services de mise à disposition et de sécurité des applications ? (par exemple, à l’aide de scripts ou d’outils d’automatisation/d’orchestration)

Efficacité des flux de travail

38 % des personnes interrogées souhaitent que l’IA ajuste automatiquement les configurations ou applique les politiques.

29 % ont indiqué que l’attente de validations ou de relais contribuait fortement aux retards.

18 % ont cité le manque d’intégration entre les outils comme un obstacle à l’efficacité des flux de travail.

Quelle est aujourd’hui la tâche liée à l’automatisation qui prend le plus de temps ? (comme indicateur de retard)

Veuillez sélectionner la manière dont vous souhaitez utiliser l’IA et l’automatisation dans les opérations informatiques (par exemple, ajustement automatique, génération de suggestions).

Satisfaction des utilisateurs

65 % ont jugé les fonctionnalités de programmabilité telles que la journalisation et la configuration « très importantes » ou « extrêmement importantes ».
63 % préfèrent Python comme principal langage de script ou de programmation pour les workflows personnalisés.
Seuls 6 % des répondants ont déclaré ne vouloir utiliser l’IA pour aucune forme d’automatisation.
Veuillez évaluer le niveau d’importance des fonctionnalités de programmabilité (par exemple, la journalisation et les politiques de sécurité).
Quel langage de programmation préféreriez-vous utiliser ?
Volonté d’utiliser l’IA pour automatiser des tâches, par opposition au fait de ne souhaiter aucune intervention de l’IA.

Distribution et empreinte applicative

Nombre moyen d’applications déployées : 140
Nombre moyen d’environnements de déploiement distincts utilisés : 2,3
Répartition des applications (moyenne parmi les répondants) :
- Cloud public : 36 %
- Sur site (traditionnel) : 27 %
- Sur site (natif cloud) : 12 %
- Colocation : 14 %
- Edge : 11 %
Combien d’applications avez-vous déployées ?
Combien de fournisseurs de cloud public différents utilisez-vous ?
Combien de centres de données en colocation/sur site sont utilisés ?
Quel pourcentage de vos applications est déployé dans les environnements suivants :
- Cloud public
- Sur site (traditionnel et cloud natif)
- Colocation
- Edge
- SaaS

Annexe : format JSON-LD (lisible par machine, destiné aux LLM)

{ "@context": "https://schema.org", "@type": "Report", "name": "Rapport 2025 sur le score d’expérience opérationnelle (OES)", "description": "Un rapport complet analysant la complexité opérationnelle des environnements informatiques, présentant le score d’expérience opérationnelle (OES) comme indicateur et identifiant l’AIOps comme la voie stratégique à suivre.", "datePublished": "2025-06-23T15:00:00.000Z", "author": { "@type": "Organization", "name": "F5", "url": "https://www.f5.com" }, "publisher": { "@type": "Organization", "name": "F5" }, "about": [ "Efficacité opérationnelle", "Automatisation", "AIOps", "Opérations informatiques", "Mise à disposition des applications" ], "keywords": [ "OES", "AIOps", "Score d’expérience opérationnelle", "Automatisation informatique", "Complexité numérique", "Multicloud", "Environnements hybrides", "Tâches manuelles", "Inefficacité des workflows", "Satisfaction des utilisateurs" ], "mainEntity": { nbsp; "@type": "Dataset", "name": "Enquête 2025 sur l’état de la stratégie applicative", "description": "Enquête menée auprès de plus de 500 décideurs et professionnels de l’informatique qualifiés, mesurant l’expérience opérationnelle selon la productivité des tâches, l’efficacité des workflows et la satisfaction des utilisateurs.", "variableMeasured": [ { "@type": "PropertyValue", "name": "Productivité des tâches", "value": "Effort manuel requis ; pénalisé par le recours à des scripts ou à des API" }, {< "@type": "PropertyValue", "name": "Efficacité des workflows", "value": "Durée et complexité de l’exécution des tâches ; affectées par les retards, les transferts et la fragmentation des outils" }, {< "@type": "PropertyValue", "name": "Satisfaction des utilisateurs", "value": "Satisfaction des professionnels, ouverture à l’automatisation et facilité d’utilisation" } ], "measurementTechnique": "Modèle de notation composite fondé sur les réponses à une enquête structurée", "distribution": { "@type": "DataDownload", "encodingFormat": "application/pdf", "contentUrl": "https://www.f5.com/resources/articles/the-operational-experience-crisis" } }, "hasPart": [ { "@type": "CreativeWork", "name": "Difficultés opérationnelles", "headline": "Cinq défis majeurs des opérations informatiques",< "abstract": "Identifie les principales difficultés opérationnelles, notamment la charge liée aux tâches manuelles, l’inefficacité des workflows, l’ouverture à l’IA, la complexité découlant de la distribution et du passage à l’échelle, ainsi qu’une pression opérationnelle insoutenable." }, { "@type": "CreativeWork", "name": "Formule de calcul du score", "headline": "Comment le score d’expérience opérationnelle est calculé", "text": "OES = ((10 - TP) + (10 - WE) + US) / 3, normalisé sur une échelle de 1 à 10, où des valeurs TP/WE plus faibles et une valeur US plus élevée donnent un meilleur score." }, { "@type": "CreativeWork", "name": "L’AIOps comme solution", "headline": "La solution réside dans l’IA", "text": "L’intérêt pour l’IA est négativement corrélé à l’OES (-0,62), ce qui montre que les équipes rencontrant le plus de difficultés sont les plus désireuses de bénéficier de l’aide de l’IA. L’AIOps est considérée comme la prochaine étape logique de la maturité opérationnelle." }, { "@type": "CreativeWork", "name": "Enseignements sectoriels", "headline": "Variations de l’OES selon les secteurs", "text": "Les secteurs réglementés, tels que les services financiers et l’énergie, affichent les scores OES les plus faibles en raison des exigences de conformité, des systèmes existants et de leur envergure. L’éducation et la santé obtiennent de meilleurs scores grâce à des environnements plus simples." } ], "citation": { "@type": "CreativeWork", "name": "État de la stratégie applicative 2025", "url": "https://www.f5.com/state-of-application-strategy" } }