Les prévisions de trafic IA de Nokia mettent la capacité montante sous pression d’ici 2035

Nokia a publié le 4 novembre des prévisions selon lesquelles l’IA représentera 44 % du trafic réseau mondial d’ici 2035. Les prévisions de trafic IA de Nokia portent le trafic mensuel total à près de 3 789 exaoctets, un exaoctet représentant un milliard de gigaoctets. Leur principal avertissement concerne des réseaux conçus avant tout pour fournir des téléchargements : les machines et les logiciels automatisés exigeront davantage de capacité dans le sens inverse.

Cela crée un conflit de planification entre les habitudes de trafic des consommateurs et les applications qui envoient continuellement des informations à traiter. Les opérateurs doivent décider où investir dans une capacité montante supplémentaire, tandis que les acheteurs en entreprise ont besoin de preuves que la connectivité prendra en charge les charges de travail envisagées.

Cisco et Ericsson ont également identifié l’évolution des besoins liés au trafic IA, bien que leurs prévisions mesurent des éléments différents. Ensemble, ces rapports précisent une question concrète : quelles hypothèses réseau doivent être actualisées avant l’extension du déploiement de l’IA, et quelles affirmations sur les investissements restent à démontrer ?

Ce que mesurent réellement les prévisions de trafic IA de Nokia

Les perspectives de trafic réseau de Nokia prévoient que le trafic mensuel sera presque multiplié par quatre par rapport à son niveau de 2026 d’ici 2035. L’entreprise fonde son estimation sur l’usage des applications, les appareils connectés et les flux de travail automatisés, ainsi que sur des recherches externes, l’examen d’experts et des travaux de laboratoire.

Le chiffre phare décrit un avenir modélisé, plutôt qu’une mesure du trafic qui circule déjà sur les réseaux.

Cette distinction compte, car une échéance précise peut sembler plus certaine que les hypothèses d’adoption qui la sous-tendent. Les décisions d’investissement réseau nécessitent une gamme de scénarios de demande plausibles, surtout lorsque les prévisions couvrent l’évolution des applications, des appareils et des modèles économiques.

La portée du rapport mérite également attention. Nokia distingue le trafic directement associé aux applications d’IA de l’activité supplémentaire des consommateurs influencée par les recommandations de l’IA. Son total comprend le trafic d’accès et les échanges des flux de travail d’IA dans le cloud, tout en excluant plusieurs autres catégories d’activité réseau.

Le trafic d’accès désigne les données échangées entre les utilisateurs ou les appareils et le réseau auquel ils se connectent. Le trafic des flux de travail cloud couvre les échanges entre les services impliqués dans l’exécution d’une demande d’IA. Ces catégories décrivent des activités liées, mais situées à différents endroits ; les lecteurs doivent donc examiner leurs limites avant de comparer les prévisions.

Par exemple, les définitions du trafic excluent les activités qui restent sur les appareils ou les sites. Elles excluent aussi les communications internes aux plateformes de calcul IA et certains transferts liés à l’entraînement, à la réplication et aux sauvegardes.

Par conséquent, le chiffre phare ne doit pas devenir une affirmation selon laquelle Nokia a comptabilisé chaque octet circulant sur tous les réseaux informatiques. Il décrit l’univers de prévision défini par l’entreprise. Il s’agit d’un cadre de planification utile, à condition que les lecteurs conservent cette définition lorsqu’ils en reprennent les conclusions.

La même prudence s’applique à la part projetée de l’IA. Le trafic associé à un assistant cloud, à une décision de visionnage guidée par une recommandation ou à une machine industrielle peut résulter de mécanismes différents. Les combiner aide à estimer la demande globale, mais ne rend pas leurs exigences opérationnelles interchangeables.

Un consommateur qui regarde davantage de vidéos n’a pas les mêmes besoins de service qu’une machine en attente d’une instruction. Leurs trafics peuvent contribuer à un total commun tout en créant des schémas de congestion, des conséquences de panne et des priorités d’investissement différents.

Pour les opérateurs, le point de départ utile est donc la composition de la demande. Un agrégat plus élevé établit l’échelle, mais le comportement des applications aide à déterminer quel segment du réseau exige une attention particulière.

Pour les acheteurs en entreprise, cette distinction évite une erreur tout aussi fréquente : traduire directement une prévision mondiale en exigence de connectivité individuelle. Les besoins d’une entreprise dépendent de ses applications, de ses lieux d’exploitation, de ses politiques de données et de sa tolérance aux interruptions.

L’annonce modifie la discussion sur la planification en plaçant ces enjeux à côté du chiffre de capacité. Son utilité dépendra de la capacité des organisations à relier les prévisions générales à des conditions observables dans leurs propres réseaux.

Les opérateurs font face à une demande montante parallèlement à la croissance du haut débit résidentiel

La pression immédiate pèse sur les organisations responsables des réseaux d’accès, où les appareils se connectent d’abord à des services plus étendus. Elles doivent prendre en charge les clients existants tout en se préparant à des applications dont les schémas de trafic restent incertains.

Une demande plus élevée ne permet pas d’identifier la bonne mise à niveau tant que les opérateurs ne savent pas où, quand et dans quelle direction le trafic apparaît.

Les projections de trafic IA de Nokia identifient l’IA agentique, des logiciels qui exécutent des tâches en plusieurs étapes, comme une catégorie particulièrement dynamique. L’entreprise prévoit que son trafic atteindra 160 fois son niveau de 2026 d’ici 2035.

L’IA physique, des systèmes qui perçoivent et agissent dans le monde physique, devrait atteindre 105 fois son niveau initial. Nokia s’attend à ce que plus de 90 % du trafic de cette catégorie provienne de la liaison montante, c’est-à-dire de la connexion qui transporte les informations depuis les appareils.

Il s’agit de prévisions fondées sur de faibles bases de départ. Leur importance opérationnelle réside dans les types de demande qu’elles représentent, plutôt que dans les seuls multiplicateurs.

Un réseau transportant des informations de capteurs vers un traitement distant fait face à un problème de capacité différent de celui d’un réseau qui fournit du divertissement à un écran. Une capacité de téléchargement supplémentaire ne résout pas automatiquement une contrainte de capacité montante.

L’emplacement complique encore la décision. Une demande concentrée autour de sites industriels peut nécessiter une réponse différente d’une demande répartie dans des zones résidentielles. Les opérateurs doivent distinguer une croissance généralisée d’une pression concentrée autour de clients ou de zones de service spécifiques.

L’accès fixe sans fil, ou FWA, ajoute une autre variable de planification en fournissant du haut débit à un emplacement fixe via une infrastructure cellulaire. Nokia prévoit qu’il générera plus d’un tiers du trafic cellulaire grand public d’ici 2035.

Cette prévision ne doit pas être interprétée comme une estimation de l’adoption de l’IA. La croissance du haut débit résidentiel peut accroître la demande cellulaire indépendamment des agents autonomes ou des machines connectées. Ce chevauchement importe, car plusieurs services peuvent dépendre d’une infrastructure partagée.

Les perspectives FWA d’Ericsson apportent un point de comparaison distinct. Ses prévisions de juin 2026 estiment que le FWA représentera 36 % du trafic de données des réseaux mobiles mondiaux d’ici 2031.

Les dates et les catégories diffèrent des chiffres de Nokia ; les estimations ne doivent donc pas être considérées comme des mesures concordantes. Elles montrent néanmoins pourquoi le haut débit résidentiel doit faire partie de la même discussion d’investissement que les charges de travail IA émergentes.

Un opérateur qui évalue sa capacité doit tenir compte de sa composition réelle de services. La demande résidentielle, la connectivité des entreprises et le trafic des machines peuvent créer des exigences différentes même lorsqu’ils partagent des équipements réseau.

La question commerciale en découle directement. Les opérateurs ont besoin de clients prêts à payer pour les caractéristiques de service qu’ils demandent, tandis que les acheteurs ont besoin d’engagements clairs en matière de performance. Une promesse générale de préparation à l’IA laisse trop d’éléments non précisés.

Les achats en entreprise doivent donc distinguer la capacité disponible de la performance fiable des applications. Une connexion peut sembler adéquate lors d’une démonstration isolée tout en laissant sans réponse les questions de congestion, d’interruption et de reprise.

Les prévisions de trafic IA de Nokia donnent aux opérateurs une raison de réexaminer ces hypothèses. Elles n’établissent pas que chaque réseau nécessite la même architecture ni que chaque mise à niveau proposée présente un intérêt économique immédiat.

La pression pratique consiste à rendre les décisions d’investissement plus précises. Les opérateurs doivent relier la demande attendue aux véritables goulots d’étranglement, et les clients doivent expliquer quels résultats applicatifs justifient des engagements de connectivité renforcés.

Les agents modifient la relation entre les tâches et le trafic

Le mécanisme à l’origine de l’augmentation de la demande des agents est simple : l’instruction d’un utilisateur peut déclencher des échanges qu’il ne voit jamais. La réponse visible ne donne qu’une image incomplète de l’activité réseau nécessaire à sa production.

Pour les flux de travail automatisés, l’unité de demande pertinente est la tâche achevée et les échanges qui la soutiennent.

Prenons l’exemple illustratif d’un assistant de recherche qui compare des documents et prépare une note de synthèse. Il peut récupérer des sources, demander une analyse au modèle, examiner une autre source et réviser sa réponse. La note finale peut être courte, même lorsque le processus sous-jacent implique des échanges d’informations importants.

Cet exemple décrit un flux de travail possible, plutôt qu’un déploiement mesuré. Son importance tient à la séparation entre ce qui est affiché à l’utilisateur et l’activité nécessaire pour produire ce résultat.

L’inférence, le processus consistant à exécuter un modèle entraîné afin de produire une sortie, devient une partie de cette chaîne. Le lieu où l’inférence s’exécute détermine quelles connexions transportent les requêtes, les informations de soutien et les réponses.

Les recherches de Cisco sur les réseaux pour l’IA fournissent des éléments à l’appui de ce mécanisme. Leurs tests ont montré que les agents pouvaient générer jusqu’à 450 % de trafic total supplémentaire par tâche par rapport à une exécution pilotée par des humains.

Ce résultat justifie de s’intéresser aux flux de travail automatisés, mais l’expression « jusqu’à » limite les conclusions possibles. Il ne s’agit pas d’un multiplicateur universel pour chaque assistant, application ou organisation. La conception et l’implémentation des tâches restent essentielles.

La comparaison montre aussi pourquoi l’usage des tokens à lui seul ne peut pas régler la planification réseau. Les tokens sont des unités de texte ou d’autres contenus traités par un modèle. Ils décrivent l’activité du modèle, tandis qu’un flux de travail peut aussi récupérer des fichiers, échanger des résultats d’outils ou transférer des médias de soutien.

Une équipe applicative a donc besoin de visibilité sur le parcours complet. Sans cela, elle risque d’attribuer les retards au modèle alors qu’un autre service ou une autre connexion mérite d’être examiné.

Le contexte, c’est-à-dire les informations fournies pour guider la réponse d’un modèle, crée un autre choix de conception. Davantage de documents de soutien peuvent aider une tâche, mais des transferts inutiles peuvent ajouter du travail sans améliorer le résultat.

Pour les travailleurs du savoir, cela relie la planification de l’infrastructure à l’organisation de l’information. Une base de connaissances IA bien entretenue peut favoriser des décisions plus claires sur ce qu’un assistant doit récupérer.

Ce lien n’établit pas qu’un outil de connaissance particulier réduit le trafic réseau. Il souligne une question au niveau de l’application : quelles informations doivent circuler, et quels éléments sont sans pertinence pour la tâche ?

Les développeurs font face au même enjeu lorsqu’ils évaluent les nouvelles tentatives et les requêtes répétées. Un flux de travail qui demande à plusieurs reprises des informations similaires mérite d’être étudié avant que son trafic ne soit considéré comme une demande inévitable.

Le volet physique présente un problème lié, mais distinct. Une machine peut générer des informations parce que son environnement continue de changer, plutôt que parce qu’une personne soumet une nouvelle demande.

Ici, une conception applicative utile doit déterminer ce qui requiert une analyse à distance et ce qui peut être traité localement. Envoyer moins d’informations n’est bénéfique que si l’application continue de répondre à ses exigences opérationnelles.

Aucune de ces catégories ne permet d’affirmer simplement que l’automatisation gaspille toujours de la bande passante. Des échanges supplémentaires peuvent accompagner un travail utile. La question de planification est de savoir si le trafic qui en résulte est nécessaire, bien compris et pris en charge par une connectivité adaptée.

C’est pourquoi la croissance projetée mérite l’attention au-delà des départements télécoms. Les décisions produit déterminent le comportement des flux de travail, et ce comportement détermine la demande que les réseaux devront finalement transporter.

Le traitement au plus près des utilisateurs présente un argument économique conditionnel

Nokia prévoit qu’une partie du traitement de l’IA deviendra plus distribuée. L’edge computing consiste à traiter les données plus près des utilisateurs ou des appareils, tandis que les infrastructures réseau métropolitaines offrent un autre emplacement possible entre les connexions d’accès et les services cloud distants.

L’entreprise prévoit que les infrastructures edge et métropolitaines achemineront 36 % du trafic natif de l’IA d’ici 2035. Elle s’attend également à ce que la majeure partie du trafic IA reste dans le cloud central.

La décision d’investissement porte sur l’emplacement de chaque charge de travail, la performance, la complexité opérationnelle et les exigences liées aux données déterminant la réponse.

Il s’agit d’un choix architectural plutôt que d’un calendrier de migration universel. Rapprocher une charge de travail modifie l’endroit où les ressources informatiques doivent être installées, entretenues, sécurisées et mises à jour.

Pour une entreprise, la proximité peut sembler attrayante avant que les exigences de l’application ne soient clairement établies. Une infrastructure locale apporte peu de valeur si le délai pertinent survient ailleurs dans le flux de travail.

Cisco propose une comparaison utile et sceptique. Ses recherches indiquent que le traitement par les modèles domine actuellement le délai d’inférence de bout en bout dans les charges de travail qu’il examine. L’entreprise affirme que le délai réseau seul ne justifie pas encore de vastes changements architecturaux vers l’inférence en périphérie.

Cette conclusion n’invalide pas la projection à plus long terme de Nokia. Les entreprises abordent des horizons temporels et des questions différents. L’observation de Cisco concerne les performances actuelles, tandis que Nokia modélise l’évolution des applications futures et des choix de déploiement.

La comparaison remet toutefois en question un raccourci du marketing des infrastructures. Une application impliquant l’IA ne nécessite pas automatiquement une informatique proche, et une informatique proche n’améliore pas automatiquement le résultat qui importe aux utilisateurs.

Un acheteur doit identifier le besoin réel. L’application attend-elle le transfert d’informations, le traitement à distance, un autre système métier ou une approbation humaine ? Chaque réponse oriente vers une intervention différente.

La souveraineté des données, c’est-à-dire les exigences qui régissent l’endroit où les données sont stockées ou traitées, peut également influencer le placement. Ces exigences méritent d’être examinées séparément de la performance, car une contrainte de conformité peut s’appliquer même lorsqu’un service distant fonctionne de manière adéquate.

La résilience opérationnelle ajoute une autre considération. Une application distribuée exige des décisions explicites sur ce qui se produit lorsqu’un site perd l’accès aux services de soutien. La proximité géographique ne répond pas à elle seule à cette question.

Pour les développeurs, une architecture raisonnable commence par les dépendances de l’application. Rapprocher l’inférence tout en laissant les outils essentiels ailleurs peut préserver une grande partie de la dépendance initiale aux connexions distantes.

Les acheteurs d’entreprise devraient également examiner qui exploite chaque composant. La responsabilité des mises à jour, de la supervision, du contrôle des accès et de la réponse aux incidents doit rester claire lorsqu’une application s’étend sur plusieurs emplacements.

Ces considérations rendent la prévision plus utile lorsqu’elle est traitée comme un problème de distribution. Différentes charges de travail peuvent justifier différents emplacements, et une même organisation peut exploiter plusieurs approches.

Les services de cloud central restent pertinents lorsque les ressources partagées et les opérations centralisées conviennent à l’application. Le traitement de proximité mérite d’être envisagé lorsqu’un besoin démontré le justifie.

L’argument économique le plus solide relie le placement à un résultat mesurable. Un déploiement devrait montrer pourquoi l’emplacement choisi améliore les performances, satisfait une exigence liée aux données ou soutient une exploitation fiable.

Sans ce lien, une organisation risque d’acheter une étiquette architecturale. L’évolution à plus long terme anticipée par Nokia dépendra de décisions de déploiement pratiques dont la valeur peut être démontrée au niveau de l’application.

Les hypothèses de la prévision comptent davantage que sa précision

Les prévisions à long terme aident les organisations à se préparer, mais leur apparente précision numérique peut masquer l’incertitude. L’adoption, la conception des applications, le traitement local et l’économie des services influencent tous le chemin entre une catégorie émergente et un total mondial.

L’interprétation la plus solide de la prévision de Nokia préserve ses hypothèses et évite de transformer une demande projetée en dépenses d’équipement garanties.

Commençons par les multiplicateurs de croissance. Une petite catégorie peut croître rapidement tandis que sa contribution finale reste dépendante de l’adoption. Le multiplicateur seul ne montre pas quels utilisateurs arrivent, ce qu’ils font ni où leur trafic circule.

Les choix de déploiement comptent également. Un flux de travail exécuté principalement sur un appareil a des implications réseau différentes de celles d’un service comparable reposant sur des échanges distants. Une prévision doit formuler des hypothèses sur l’évolution de ces choix.

L’efficacité introduit une autre incertitude. Les développeurs peuvent modifier la quantité d’informations qu’une application envoie pour une tâche donnée. Ils peuvent aussi élargir ce que l’application tente d’accomplir, créant une demande supplémentaire malgré les améliorations des opérations individuelles.

L’équilibre qui en résulte est une question empirique. Il ne peut être tranché en supposant que l’efficacité élimine la croissance ou que chaque amélioration crée nécessairement davantage de trafic.

La classification crée un défi distinct. La définition de Nokia inclut le trafic incrémental des consommateurs influencé par les recommandations de l’IA. L’estimation de cet incrément exige un jugement contrefactuel sur l’activité qui aurait autrement eu lieu.

Les lecteurs devraient donc distinguer les catégories pouvant être observées directement de celles qui exigent une modélisation comportementale. Les deux peuvent éclairer la planification, mais elles offrent des types de preuves différents.

Les comparaisons entre fournisseurs exigent une discipline similaire. Cisco prévoit que l’inférence IA représentera un quart du trafic réseau d’ici 2035. Ce chiffre ne devrait pas être présenté comme une contradiction directe de la part plus large du trafic stimulé par l’IA selon Nokia.

Le trafic d’inférence et le trafic stimulé par l’IA décrivent des périmètres différents. Une comparaison pertinente alignerait les applications incluses, les frontières du réseau et les méthodes de comptage avant d’interpréter l’écart.

Les incitations commerciales méritent également d’être reconnues. Nokia, Cisco et Ericsson vendent des infrastructures qui bénéficient des investissements réseau. Leurs recherches peuvent contenir des éléments probants précieux tout en servant des objectifs commerciaux.

Cela ne justifie pas de rejeter leurs conclusions. Cela invite à demander des méthodes transparentes, des mesures sur le terrain et des résultats clients en complément des projections des fournisseurs.

Les éléments disponibles n’établissent pas non plus un effondrement généralisé de la préparation des réseaux. La pression peut être inégale, avec des contraintes apparaissant dans certains lieux ou certaines applications plutôt que partout simultanément.

Un total mondial ne peut pas, à lui seul, identifier ces lieux. Les opérateurs ont besoin de preuves locales avant de traduire une trajectoire mondiale en décisions individuelles de construction ou d’approvisionnement.

Pour les acheteurs d’entreprise, le risque pratique va dans les deux sens. Sous-estimer la connectivité peut empêcher une application de répondre aux attentes. Surestimer ses besoins peut engager des ressources avant que la demande ou la valeur opérationnelle ne soit claire.

La prévision du trafic IA de Nokia est particulièrement utile comme scénario de planification structuré. Elle identifie des hypothèses qui méritent d’être testées tout en laissant la possibilité que le comportement des applications et les choix de déploiement évoluent.

Cette approche maintient l’information dans de justes proportions. Le rapport renforce l’intérêt de mesurer les charges de travail IA, tandis que le calendrier et l’ampleur des investissements particuliers restent des décisions nécessitant des preuves plus précises.

Trois signaux à surveiller jusqu’au début de 2027

Les prochains mois ne valideront pas une prévision se terminant en 2035. Ils peuvent apporter des éléments sur l’apparition de ses mécanismes sous-jacents dans les réseaux commerciaux et les déploiements en entreprise.

L’observation à court terme devrait se concentrer sur le comportement mesuré du trafic, l’adoption par les clients et l’économie des déploiements, dans cet ordre.

Le premier signal concerne les communications des opérateurs sur la demande montante dans des déploiements IA identifiables. Des éléments utiles relieraient les profils de trafic à des applications précises et les distingueraient de la croissance ordinaire du haut débit.

Des mesures montrant des contraintes persistantes sur l’envoi de données renforceraient l’idée que les hypothèses de planification existantes doivent être ajustées. Des rapports indiquant une marge de capacité suffisante appuieraient une réponse d’investissement plus sélective.

Le contexte compte autant que le résultat. Les lecteurs devraient rechercher le cadre de déploiement, la période de mesure, le comportement de l’application et les conditions réseau. Un indicateur de performance isolé offre peu d’orientation sans ces détails.

Le deuxième signal est l’utilisation commerciale durable d’agents et de machines connectées. Les essais peuvent révéler des exigences techniques, mais une exploitation récurrente fournit des preuves plus solides quant à savoir si ces exigences se traduisent par une demande durable.

Les communications les plus instructives décriraient l’utilisation active, les tâches accomplies, les emplacements d’exploitation et l’expansion chez les clients. Les annonces qui se contentent d’ajouter une terminologie IA aident moins à évaluer les prévisions de trafic.

La poursuite des déploiements soutiendrait la thèse de Nokia sur la demande. Une adoption lente, des flux de travail abandonnés ou des applications effectuant davantage de travail localement affaibliraient les hypothèses reposant sur l’expansion des échanges distants.

Le troisième signal est constitué par les éléments étayant l’emplacement du traitement. Les clients et les fournisseurs devraient expliquer pourquoi une charge de travail particulière relève d’un cloud central, d’une infrastructure métropolitaine, d’un site proche ou d’un appareil.

Des résultats comparatifs montrant un bénéfice pour l’application renforceraient l’argument en faveur du traitement distribué. Des résultats dominés par l’exécution du modèle ou d’autres dépendances distantes appuieraient une réponse architecturale plus prudente.

L’économie d’exploitation doit figurer aux côtés de la performance dans ces comparaisons. Un déploiement techniquement réussi nécessite encore une organisation durable pour entretenir les équipements, les logiciels, la sécurité et le support de service.

Les investisseurs devraient éviter de considérer la demande générale en IA comme la preuve des résultats futurs d’un fournisseur particulier. Les opérateurs devraient relier leurs plans d’expansion aux conditions réelles du réseau. Les acheteurs d’entreprise devraient exiger des engagements liés aux résultats des applications.

Au cours des prochains mois, lisez la prévision du trafic IA de Nokia à la lumière des éléments provenant des réseaux et des applications dont vous dépendez. Demandez aux fournisseurs d’expliquer où circulent les données, quelle connexion limite les performances et ce qui change dans le cadre d’une utilisation durable. Conservez ces hypothèses avec vos dossiers de déploiement, puis comparez-les au comportement observé à mesure que l’adoption progresse. Pour les équipes de connaissance, cela signifie documenter les choix de récupération et de traitement parallèlement à la qualité des modèles. Pour les opérateurs, cela signifie séparer la croissance du haut débit domestique des charges de travail émergentes des machines. Avant d’étendre un déploiement IA, votre équipe peut-elle identifier le trafic qu’il crée et l’exigence de service à laquelle ce trafic doit répondre ?