La solution ne réside pas dans la multiplication des outils isolés, mais dans une consolidation stratégique sur une plateforme unifiée. Un cloud hybride assurant la transition entre les systèmes existants et les technologies futures, un écosystème de partenaires fondé sur la transparence et une stratégie de sécurité proactive face aux menaces constituent les piliers de ce nouveau cycle. Afin d'analyser ces éléments clés, un groupe d'experts Red Hat décrypte les tendances qui marqueront l'année 2026 dans les domaines de l'IA, de la virtualisation, du cloud hybride, de la sécurité et de la souveraineté numérique.
matière d'IA
: Chris Wright, directeur de la technologie et vice-président principal, ingénierie mondiale, Red Hat
Nous sommes à l'aube d'une ère technologique nouvelle et chaotique, où le rythme effréné de l'innovation en IA générative transforme le fonctionnement de chaque entreprise. L'IA ne peut être une solution à la recherche d'un problème ; son adoption doit impérativement s'appuyer sur des cas d'usage concrets. Les DSI doivent donc veiller à ce que ces cas d'usage passent du stade de la preuve de concept à la production. Face à la rapidité des progrès de l'IA, les entreprises doivent pouvoir intégrer rapidement les nouvelles technologies dans un environnement de production, où la valeur ajoutée peut être immédiatement perçue sur une plateforme commune, stable et fiable. D'ici 2026, cette flexibilité devra être au cœur des préoccupations des DSI : les plateformes ouvertes permettant de connecter des systèmes hétérogènes, des charges de travail (des applications traditionnelles aux agents d'IA) et des exigences seront cruciales. Il s'agit de pouvoir concevoir des solutions répondant aux exigences de production actuelles tout en étant prêt pour les charges de travail d'IA de demain.
Auteur : Robbie Jerrom, Technologue principal senior en IA, BU IA, Red Hat.
Le contenu généré par l’IA peut être inexact. À l’aube de 2026, les entreprises passent de l’expérimentation de l’IA à une exigence de valeur ajoutée à grande échelle. Selon une enquête récente de Red Hat, 76 % des organisations explorent encore les cas d’usage de l’IA, mais prévoient d’investir en moyenne 32 % de plus dans ce domaine l’année prochaine. La plupart des projets pilotes d’IA générative n’ont pas encore généré de retour sur investissement mesurable malgré des investissements importants, ce qui exerce une pression accrue pour démontrer ce retour sur investissement par un déploiement opérationnel.
Le changement majeur que nous observons est l'émergence de systèmes d'IA autonomes et opérationnels, capables de planifier et d'exécuter des flux de travail complexes avec des applications d'entreprise. L'adoption croissante de frameworks d'agents dédiés à des tâches spécifiques, tels que MCP, accélère considérablement cette tendance. Cependant, un défi de taille se pose : les premières données de Gartner suggèrent que nombre de ces projets d'IA autonomes échoueront faute de gouvernance adéquate et de valeur ajoutée clairement définie. Pour réussir, il sera indispensable de considérer les agents d'IA comme de véritables partenaires numériques, dotés d'un périmètre et de responsabilités bien définis, et non comme des solutions miracles à des problèmes mal cernés.
L'économie de l'IA impose une réévaluation fondamentale de l'inférence efficace et de la gravité des données. Utiliser systématiquement des modèles haut de gamme pour chaque requête revient à affréter des jets privés pour des trajets locaux : techniquement possible, mais économiquement insoutenable. On observe des organisations innovantes mettre en œuvre des stratégies multi-modèles, confiant les tâches simples à des modèles efficaces et moins gourmands en ressources, et réservant les modèles de pointe, plus onéreux, aux raisonnements complexes.
Un changement architectural majeur est en cours. Au lieu de centraliser les données d'entreprise sur des clusters GPU, nous rapprochons l'inférence IA de la source des données. Les pipelines RAG traitent les données à la source, l'inférence est effectuée en périphérie pour les usines de production et les modèles distribués sont déployés dans des centres de données régionaux. Cette approche évite les coûteux transferts de données tout en répondant aux exigences de souveraineté et de latence. L'association d'un routage intelligent des modèles et d'un traitement distribué permet de réduire considérablement les coûts d'inférence et la surcharge liée aux transferts de données, tout en améliorant la qualité des réponses.
Les défis opérationnels et liés aux plateformes en 2026 seront axés sur l'orchestration et l'observabilité. L'IA agente requiert des capacités MLOps sophistiquées, la surveillance des interactions entre agents dans les systèmes distribués, la gestion du contexte persistant et de la mémoire entre les sessions, ainsi que la mise en œuvre de mécanismes de gouvernance et de contrôle capables d'intervenir lorsque les systèmes autonomes dépassent leurs limites. Les entreprises exigent des plateformes capables de gérer l'intégralité du cycle de vie, du versionnage des modèles et des tests A/B au suivi de la conformité et à l'attribution des coûts. Les organisations performantes s'appuieront sur des plateformes unifiées qui gèrent les charges de travail d'IA au même niveau que les applications traditionnelles, permettant une intégration transparente avec les systèmes d'entreprise existants tout en conservant la flexibilité nécessaire pour adopter les modèles et frameworks émergents.
Le marché privilégie le pragmatisme aux promesses : des portefeuilles de modèles allégés et optimisés pour des tâches spécifiques, des décisions d’infrastructure fondées sur l’emplacement des données plutôt que sur les préférences des fournisseurs, et des cadres de mesure reliant les résultats de l’IA aux objectifs commerciaux. La question n’est pas de savoir si l’IA transforme les entreprises – les premiers résultats montrent qu’elle le peut – mais si les entreprises peuvent atteindre la maturité opérationnelle nécessaire pour générer de la valeur à grande échelle.
Auteure : Pauline Truong – Architecte de solutions spécialiste en IA chez Red Hat.
D’ici 2026, le marché EMEA passera résolument de l’expérimentation de l’IA à une phase d’industrialisation structurée. Selon la dernière étude de Red Hat, seulement 7 % des organisations tirent profit de leurs investissements en IA pour créer de la valeur pour leurs clients. Après des années de projets pilotes, les entreprises sont désormais soumises à la pression de démontrer le retour sur investissement et de maîtriser le coût croissant des initiatives en matière d’IA. Par conséquent, on observe une évolution vers l’inférence de modèles à partir de données, à la fois pour réduire les coûts et répondre aux attentes grandissantes en matière de souveraineté numérique.
Les performances d'inférence constituent désormais le principal obstacle. À mesure que les entreprises développent des cas d'usage en temps réel, l'efficacité devient cruciale. Les modèles plus petits et hautement optimisés gagnent du terrain dans les scénarios où les ressources de calcul sont limitées et la latence faible, tandis que les modèles plus volumineux continuent de prendre en charge un raisonnement plus complet. Parallèlement, de nombreux secteurs s'appuient encore sur des approches éprouvées en matière d'apprentissage automatique prédictif et de science des données, qu'ils combinent avec de nouvelles capacités génératives. Cette combinaison accélère la demande pour une plateforme cloud hybride ouverte : une infrastructure robuste capable d'exploiter efficacement les deux paradigmes tout en s'intégrant aux systèmes existants, en garantissant la conformité aux normes de gouvernance et en assurant sa pérennité.
Dans ce contexte, le rôle de l'open source en IA devient fondamental en Europe. Contrairement aux logiciels traditionnels, l'ouverture en IA peut englober plusieurs dimensions : le code, les pondérations du modèle et, bien que beaucoup moins fréquemment, les données d'entraînement. Chaque aspect offre un niveau de transparence différent et influence directement la capacité d'une organisation à assurer la portabilité entre les environnements, à étendre les capacités d'un modèle, à auditer les risques et à instaurer la confiance. Pour les entreprises européennes, l'adoption de pratiques ouvertes conformes aux principes de souveraineté, d'interopérabilité et de conformité réglementaire (notamment la loi européenne sur l'IA) constituera un atout stratégique majeur.
Parallèlement, l'infrastructure technologique sous-jacente évolue rapidement. L'ingénierie simplifiée cède la place à des systèmes d'IA agents plus avancés, capables de gérer des flux de travail complexes et de fonctionner de manière autonome en entreprise. L'adoption de ces systèmes rehausse les exigences, non seulement en matière d'inférence haute performance et d'automatisation de l'orchestration, mais aussi en matière de transformation culturelle et opérationnelle. Pour rester compétitives, les entreprises devront passer d'un accès basique aux modèles à des plateformes matures, basées sur les meilleures pratiques MLOps, avec une observabilité de bout en bout, une gouvernance robuste et une formation continue des équipes.
Le succès en 2026 dépendra de l'intégration complète des charges de travail d'IA à l'infrastructure globale de l'entreprise. S'appuyant sur des projets open source pilotés par la communauté, les environnements d'IA modernes reposeront de plus en plus sur des technologies standard comme vLLM, ainsi que sur des innovations émergentes pour la mise à l'échelle, telles que llm-d. Les standards ouverts et les écosystèmes collaboratifs permettront aux organisations de passer plus facilement de l'expérimentation à une IA prête pour la production à grande échelle.
Auteur : Brian Stevens, vice-président senior et directeur technique de l’IA chez Red Hat.
Ces trois dernières années, l’industrie a connu des investissements massifs dans l’entraînement des modèles de raisonnement logique génératifs (LLM) au sein de laboratoires de pointe du monde entier. Il en a résulté un large éventail de modèles de raisonnement puissants, désormais disponibles en open source et en version propriétaire. L’année dernière, nous avons assisté à l’émergence d’agents, alimentés par ces modèles de raisonnement avancés et intégrés à un vaste écosystème d’outils, de données et de systèmes. En 2026, l’accent sera mis sur les plateformes d’inférence, c’est-à-dire les plateformes de production permettant d’exécuter ces agents de manière évolutive, efficace, fiable et sécurisée. À l’instar de ce que nous avons fait il y a vingt ans avec Red Hat Enterprise Linux, nous fournissons, via Red Hat AI, la plateforme d’inférence unifiée qui non seulement assure une production à grande échelle, mais est également compatible avec tous les modèles, tous les accélérateurs et tous les clouds.
Virtualisation
Auteur : Ed Hoppitt, directeur EMEA – Pratiques de création de valeur commerciale, Red Hat
Pressions liées à la migration depuis les plateformes de virtualisation traditionnelles :
En 2025, la fragilité de nombreuses stratégies de virtualisation a été mise en lumière, révélant la dépendance des organisations à des solutions devenues obsolètes. L’accumulation progressive de technologies au fil des ans a laissé les dirigeants face à des systèmes désormais coûteux à gérer, complexes à remplacer et de plus en plus inadaptés au rythme de transformation imposé par l’IA et la modernisation numérique, du fait de leur conception et de leur nature révolues. À l’horizon 2026, la pression pour découpler les charges de travail critiques des hyperviseurs hérités s’intensifiera, sous l’effet de la hausse des coûts de renouvellement, des préoccupations liées aux risques de concentration et d’une attention accrue portée à la résilience opérationnelle. L’enjeu n’est plus seulement de moderniser les machines virtuelles pour gagner en efficacité, mais de considérer la migration des machines virtuelles comme un mécanisme stratégique permettant de réduire la dette technique, de reprendre le contrôle de l’architecture et de créer une plateforme capable de prendre en charge les charges de travail actuelles et futures. Ceux qui attendent que les rénovations imposent le changement découvriront que le modèle opérationnel, et non la technologie, constitue le principal obstacle.
Coexistence des charges de travail d'IA et des machines virtuelles traditionnelles :
En 2025, la plupart des entreprises considéraient la virtualisation et l'IA comme des domaines distincts, tant sur le plan opérationnel qu'architectural. À l'aube de 2026, cette séparation devient intenable. Les organisations cherchent à exécuter simultanément des charges de travail d'inférence d'IA critiques et gourmandes en données, sans dupliquer l'infrastructure ni créer de structures opérationnelles parallèles. Cela exige une approche de la virtualisation qui considère les machines virtuelles à la fois comme une cible de consolidation et comme une composante d'une couche d'exécution d'IA plus large. Les équipes de plateforme doivent donc mettre en place une gestion du cycle de vie, une observabilité et une gouvernance unifiées pour les deux types d'applications. Le changement est ici moins technique que culturel. Les entreprises devront intégrer les disciplines opérationnelles de l'IA directement dans leurs plateformes de charges de travail existantes, plutôt que de créer de nouveaux silos pour les accueillir.
Consolidation des plateformes et réduction de la dette technique :
La tendance observée tout au long de 2025, à savoir une multiplication des plateformes plus rapide que la capacité d’absorption des équipes, risque d’atteindre un point critique en 2026. Une analyse budgétaire approfondie, les attentes de souveraineté et la pénurie d’ingénieurs qualifiés convergent pour établir une directive claire : rationaliser l’infrastructure existante, sous peine de voir l’entreprise confrontée à une fragilité systémique. La virtualisation et la modernisation des applications seront de plus en plus perçues comme des outils d’unification plutôt que comme de simples solutions de migration. Les organisations cherchent activement à consolider leurs environnements d’exécution, à réduire les transferts de responsabilités et à harmoniser leurs modèles opérationnels entre les applications existantes et les applications natives du cloud. Celles qui réussiront envisageront la conception de la plateforme comme une transformation organisationnelle et non comme une simple mise à niveau de l’infrastructure, en investissant autant dans les compétences, l’ingénierie de la plateforme et la gouvernance que dans la technologie. Ne pas le faire risque d’accroître la complexité précisément au moment où le coût d’exploitation devient insoutenable.
Compétences, modèles opérationnels et modernisation pour une meilleure résilience :
d’ici 2026, les organisations performantes seront celles qui auront compris que la modernisation repose autant sur les personnes, la responsabilisation et le pouvoir de décision que sur le code et l’informatique. Les programmes de virtualisation, initialement axés sur la réduction des dépenses d’investissement grâce à la consolidation des serveurs, privilégient désormais les programmes axés sur les dépenses d’exploitation, privilégiant la résilience opérationnelle et la fiabilité des plateformes. Cette évolution exige des équipes une plus grande autonomie, une meilleure implication au sein des charges de travail qu’elles prennent en charge et une responsabilité tout au long du cycle de vie, bien au-delà du déploiement initial. Les organisations qui mettent en place des structures de gouvernance adaptées, qui donnent aux équipes les moyens de gérer les charges de travail intégrées de virtualisation et d’IA et qui intègrent la planification de la sortie de crise à leur stratégie de plateforme pourront non seulement résister aux pressions sur les coûts et la résilience, mais aussi les exploiter pour regagner en agilité stratégique.
Que dois-je exécuter, où, comment et pourquoi ?
Tout au long de l'année 2025, la question la plus fréquemment posée aux équipes de plateforme était d'une simplicité trompeuse : « Que dois-je exécuter, où, comment et pourquoi ? » En réalité, cette question devient la décision stratégique déterminante pour 2026. Face à l'augmentation des charges de travail, au renforcement des exigences en matière de résilience et à la hausse des coûts, les entreprises ne considèrent plus les choix d'infrastructure comme une simple planification tactique du déploiement ; elles alignent le placement des charges de travail sur les objectifs métier, la tolérance au risque et la gravité des données. On s'attend à un passage des stratégies « cloud-first » ou « on-premises by default » à des modèles de déploiement situationnels qui prennent en compte la latence, la souveraineté, la flexibilité de sortie et la maturité opérationnelle de chaque charge de travail. Le « comment » devient aussi important que le « où » : les entreprises standardiseront de plus en plus l'orchestration et la gestion du cycle de vie dans tous les environnements afin d'éviter les silos opérationnels et les charges de travail isolées. Et surtout, le « pourquoi » sera axé sur la création de valeur et la résilience : les conseillers s’interrogent déjà sur la pertinence des charges de travail pour justifier le coût d’une infrastructure haut de gamme, sur la nécessité d’une proximité GPU ou d’une simple disponibilité prévisible, et sur leur impact sur l’autonomie opérationnelle à long terme. Ceux qui intègrent cette prise de décision à la stratégie de la plateforme, plutôt qu’à la planification de projet, gagneront en rapidité et éviteront une dette technique architecturale dont la résolution pourrait prendre des années.
Cloud hybride.
Auteur : Michael Ferris, vice-président senior, directeur des opérations et directeur de la stratégie chez Red Hat.
Nous atteignons un point critique où la modernisation informatique n’est plus seulement une question d’efficacité. Elle devient rapidement une question de survie. Les entreprises sont prises au piège entre la volatilité du marché de la virtualisation et l’impératif absolu d’adopter l’IA. Ces deux pressions mettent en lumière la dette technique comme jamais auparavant, la transformant d’un coût d’exploitation gênant en un obstacle insurmontable qui peut étouffer l’innovation. Et ce, alors même que les exigences des entreprises continuent de s’accélérer.
Pour réussir, les entreprises auront besoin de technologies capables de combler le fossé entre la stabilité éprouvée des systèmes existants et la flexibilité des systèmes intelligents – tels que les agents d'IA – où l'innovation future se concrétisera. Les plateformes qui tirent parti des investissements déjà réalisés dans les ressources humaines et les processus, et qui peuvent s'adapter aux nouvelles capacités, seront les moteurs de progrès des industries. Retarder ces travaux a toujours comporté des risques, mais les enjeux sont encore plus importants en 2026. Il est urgent de poser les fondements technologiques de l'avenir.
Souveraineté numérique
– Auteur : Fevzi Konduk, Directrice EMEA Logiciels et Écosystème ISV, Red Hat.
La souveraineté numérique continuera de façonner le marché européen des logiciels, portée par la recherche d’une plus grande autonomie numérique et d’une résilience opérationnelle accrue. Il s’agit d’une transformation fondamentale du marché, qui va au-delà de la simple conformité réglementaire, comme c’était le cas ces dernières années. Ce changement est impulsé par d’importants facteurs macroéconomiques et des exigences réglementaires.
De nouvelles réglementations, telles que la loi sur la résilience opérationnelle numérique (DORA), la directive sur la sécurité des réseaux et des systèmes d'information 2 (NIS2) et la loi sur la protection des données, redéfinissent les attentes du marché en matière de sécurité et de gestion des données. Les clients exigent un meilleur contrôle de leurs données et une compréhension plus claire de leurs chaînes d'approvisionnement numériques. Par conséquent, on observe une attention croissante portée à la réduction des dépendances technologiques et à l'atténuation des risques opérationnels liés aux prestataires tiers.
La question essentielle n'est plus seulement de savoir où les données sont stockées, mais qui, en fin de compte, en a le contrôle et l'accès.
Cela bouleverse le paysage concurrentiel des éditeurs de logiciels. Instaurer une confiance vérifiable est désormais un objectif commercial essentiel, favorisant une approche de « souveraineté dès la conception ». Il s'agit là d'un avantage concurrentiel majeur.
Cependant, l'évolution la plus significative se situe au niveau organisationnel. Le succès exige un changement culturel profond, passant d'une approche traditionnelle de conformité juridique à une mentalité axée sur les capacités du produit. Cela implique que la souveraineté soit une caractéristique intrinsèque du produit, intégrée à l'architecture logicielle, et non un élément parallèle ou ajouté a posteriori.
D’ici 2026, le débat passera de la simple sensibilisation à la réglementation à une mise en œuvre concrète. Les leaders du marché seront ceux qui auront opéré cette transformation organisationnelle, en tirant parti de l’open source d’entreprise non seulement comme un choix technologique, mais aussi comme le fondement stratégique leur permettant d’offrir l’autonomie, le contrôle et la résilience vérifiables que nos clients exigent désormais.
spécialisé en sécurité
: Chris Jenkins, architecte en chef principal chez Red Hat.
En 2026, le paysage de la cybersécurité et de la souveraineté numérique sera marqué par les menaces, réelles et potentielles, liées à l’IA, ainsi que par la nécessité d’un contrôle régional et tangible des données. Les défis pour les clients évolueront : de la simple conformité réglementaire à la gestion des risques liés à la gouvernance de l’IA, avec l’apparition imminente des premiers incidents de sécurité majeurs imputables aux systèmes d’IA autonomes et agents. Les entreprises seront ainsi contraintes de réorienter leurs priorités, délaissant l’expérimentation enthousiaste de l’IA (comme ces dernières années) au profit de la mise en place d’une « infrastructure de confiance » et de preuves tangibles d’une utilisation responsable de l’IA.
Les pressions du marché s'intensifieront également en raison de réglementations mondiales plus strictes et ciblées, telles que l'évolution des lois européennes (NIS2, DORA, AI Act, Cyber Resilience Act, etc.) qui privilégient la résilience numérique et opérationnelle. Les entreprises s'attacheront à transformer cette obligation réglementaire en avantage concurrentiel en adoptant une stratégie de défense basée sur l'IA : utiliser des approches proactives de cybersécurité et des plateformes de sécurité basées sur l'IA pour lutter contre les attaques hyper-automatisées. Pour les personnes et les processus, cela exige un changement culturel important, passant d'une sécurité réactive à des stratégies de « sécurité dès la conception » et de « sécurité par défaut », intégrant la souveraineté, notamment la localisation des données, directement dans les décisions architecturales. Les concepts de provenance numérique et de confidentialité informatique deviendront des approches technologiques essentielles, permettant aux organisations de vérifier l'origine et l'intégrité des données et d'en maintenir le contrôle même dans des environnements multicloud, atténuant ainsi les risques géopolitiques et renforçant leur autonomie numérique.
