IA et data centers : de l’importance de réduire le « Phantom Compute »
Après le compute, la donnée. Simon Ninan (Hitachi Vantara) prolonge le constat sur la sous-utilisation des GPU. Au-delà de l’orchestration, c’est aussi la gouvernance des données – stockage, qualité, pipelines – qui conditionne l’exploitation réelle des capacités de calcul déjà déployées.
par
Simon Ninan, Senior Vice President of Business Strategy, Hitachi Vantara
Publié le: 21 août 2026
L’essor de l’intelligence artificielle place les data centers sous une pression inédite. Les besoins en puissance de calcul augmentent, les investissements s’accélèrent et la capacité des réseaux électriques devient un sujet stratégique. Face à cette dynamique, la réponse semble souvent évidente : construire davantage de data centers, sécuriser plus d’énergie, déployer plus de GPU et densifier les infrastructures.
Les contraintes liées à l’énergie, au foncier, au refroidissement, aux chaînes d’approvisionnement ou encore à la réglementation sont bien réelles. Selon GlobalData, les grands acteurs du cloud pourraient consacrer près de 685 milliards de dollars à leurs dépenses d’investissement en 2026, soit une hausse d’environ 70 % sur un an, une part importante de ce montant étant destinée aux infrastructures IA, aux data centers, aux puces spécialisées et aux actifs énergétiques.
Mais cette analyse prospective reste trop centrée sur l’offre. Elle part du principe que la demande future en puissance de calcul serait nécessairement incompressible. Une question essentielle doit être posée : les entreprises utilisent-elles efficacement les capacités dont elles disposent déjà ?
Le « Phantom Compute », angle mort des infrastructures IA
Dans de nombreux environnements, une partie de la puissance de calcul planifiée ou allouée n’existe que sur le papier. C’est ce que l’on appelle le « phantom compute » : une capacité théorique, intégrée aux plans d’infrastructure, mais qui reste sous-utilisée, inactive ou mobilisée pour des traitements sans réelle valeur.
« Une partie de la puissance de calcul planifiée ou allouée n’existe que sur le papier. »
Simon NinanSenior Vice President of Business Strategy, Hitachi Vantara
Le sujet ne se limite donc pas au nombre de GPU disponibles. Le véritable enjeu réside dans la capacité des entreprises à stocker, déplacer, préparer et exploiter leurs données efficacement. Dans les architectures IA, la performance ne dépend pas seulement du hardware : elle dépend aussi de la qualité des données, de leur disponibilité, de leur localisation et de la fluidité des pipelines qui les acheminent vers les modèles.
Si les données sont mal qualifiées, dispersées, redondantes ou difficiles à déplacer, les GPU peuvent se retrouver sous-exploités. À l’inverse, une meilleure orchestration des workloads, une gestion plus fine des flux de données, un recours pertinent à l’edge computing et une gouvernance plus rigoureuse peuvent améliorer significativement l’utilisation effective de cette puissance de calcul.
Dans certains environnements, l’optimisation des processus data peut permettre d’améliorer sensiblement l’utilisation des GPU et de réduire la demande en compute, sans ralentir les capacités de traitement de l’IA. À l’échelle des entreprises comme des hyperscalers, ces gains peuvent transformer l’économie même des projets IA.
La gouvernance des données, condition du ROI de l’IA
Le « Phantom Compute » est aussi le résultat de deux décennies d’accumulation massive de données. Portées par l’essor du cloud, du DevOps, de l’IoT et des architectures distribuées, les organisations ont collecté des volumes considérables d’informations, souvent stockées dans des data lakes peu structurés. La logique était simple : toute donnée pourrait, un jour, avoir de la valeur.
« Il sera difficile d’atteindre un ROI durable avec l’IA sans résoudre d’abord la question de la gouvernance des données. »
Simon NinanSenior Vice President of Business Strategy, Hitachi Vantara
Cette conviction a créé un important « digital exhaust » : des données parfois obsolètes, dupliquées, mal contextualisées ou difficilement exploitables. Or, l’IA ne crée pas de valeur par le seul volume. Elle a besoin de données fiables, propres, gouvernées et disponibles au bon moment.
C’est tout le paradoxe de l’IA en entreprise : les organisations cherchent à prouver vite un ROI, sur des fondations data qui ne sont pas encore assainies. Une étude du MIT souvent citée estime que 95 % des projets d’IA échouent. La cybersécurité, la conformité et le ROI à court terme sont naturellement devenus des priorités de direction générale ; mais il sera difficile d’atteindre un ROI durable avec l’IA sans résoudre d’abord la question de la gouvernance des données.
Cette gouvernance ne doit plus être considérée comme un chantier secondaire. Elle devient un levier direct de performance, de résilience et d’efficacité énergétique. Lorsqu’une entreprise sait quelles données elle possède, où elles se trouvent, lesquelles sont fiables et lesquelles doivent être conservées ou supprimées, elle pose les bases d’une exploitation réellement efficace de ses ressources de calcul.
Stockage, compute et refroidissement : une même équation
Cette réflexion doit également s’étendre à la gestion des data centers. Historiquement, les solutions de Data Center Infrastructure Management (DCIM) ont souvent fonctionné par silos : énergie, refroidissement, sécurité physique, opérations IT, racks. Avec l’IA, cette approche cloisonnée est dépassée. En combinant les données liées au compute, au stockage, à l’énergie, au refroidissement et aux opérations, les solutions DCIM pilotées par l’IA aident les entreprises à mieux comprendre et optimiser le fonctionnement réel de leurs infrastructures.
« Le stockage n’est pas une ligne isolée. Des données mieux organisées réduisent les mouvements inutiles, limitent la pression sur les ressources de calcul et diminuent la chaleur générée. »
Simon NinanSenior Vice President of Business Strategy, Hitachi Vantara
Dans cette équation, le stockage joue un rôle souvent sous-estimé. La consommation d’un data center se concentre surtout sur le compute (CPU et GPU) et le refroidissement, tandis que le stockage n’en représente qu’une fraction. Cette lecture est trop restrictive : le stockage n’est pas une ligne isolée, il influence directement le compute et le refroidissement.
Des données mieux organisées, mieux placées et plus rapidement accessibles réduisent les mouvements inutiles, limitent la pression sur les ressources de calcul et diminuent la chaleur générée par des traitements superflus. Améliorer l’efficacité du stockage produit ainsi un effet en cascade sur l’ensemble de l’infrastructure : moins de données inutiles à traiter, moins de transferts, une meilleure utilisation des GPU, des besoins énergétiques réduits et un refroidissement optimisé.
L’industrie aura besoin de nouveaux data centers et de nouvelles capacités énergétiques pour accompagner l’essor de l’IA. Mais construire davantage ne suffira pas si les fondations data restent inefficaces. Avant d’exiger réseaux électriques de porter seuls le poids de l’IA, les organisations doivent prendre à bras le corps à ce qui reste invisible dans leurs propres infrastructures : le « Phantom Compute ».
