Les AI Factories de NTT DATA s’étendent avec Cisco et NVIDIA pour tester la préparation des entreprises

NTT DATA a étendu son réseau d’usines d’IA le 27 octobre, en ajoutant des sites de test sans quantifier les résultats des déploiements en entreprise. Les AI Factories de NTT DATA sont des environnements pratiques permettant d’évaluer les applications d’intelligence artificielle et les systèmes qui les soutiennent avant des investissements plus importants. L’expansion comprend de nouveaux sites à Paris et à Singapour, soutenus par des partenaires technologiques, dont Cisco et NVIDIA.

Le changement immédiat consiste à offrir davantage de lieux où les clients peuvent examiner les décisions de déploiement. La tension centrale réside entre une démonstration réussie et une application qui demeure utile, sûre et abordable dans des conditions d’exploitation quotidiennes. L’ouverture d’un site supplémentaire élargit les possibilités d’étudier cet écart. Le combler exige des preuves issues de charges de travail réelles.

Dell fournit un repère sectoriel utile avec son propre portefeuille d’AI factories soutenues par NVIDIA, destiné à accompagner le passage de l’expérimentation à la production. NTT DATA travaille également avec Dell, ce qui fait de cette évolution une concurrence entre approches de prestation qui se chevauchent plutôt qu’entre camps technologiques distincts. Pour les acheteurs en entreprise, la comparaison essentielle concerne ce que chaque engagement permet d’établir avant qu’une décision d’achat ne devienne un engagement opérationnel.

Les AI Factories de NTT DATA ajoutent Paris et Singapour au réseau

L’expansion des AI factories de NTT DATA relie les nouveaux sites de Paris et Singapour aux installations existantes de Plano, au Texas, et de Riyad. Une installation à Munich, inaugurée le 7 octobre, complète ces sites.

L’entreprise décrit des missions comprenant des ateliers de découverte, des discussions techniques, la planification de preuves de concept et la conception de solutions. Une preuve de concept est un exercice limité destiné à établir si une approche fonctionne. L’expansion concerne donc l’évaluation client et le soutien à la prestation, plutôt qu’une hausse annoncée de la capacité de calcul.

Le changement concret est une présence géographique plus large pour examiner les décisions de déploiement avant que les clients ne s’engagent dans une mise en œuvre plus étendue.

Cette distinction importe lors de l’interprétation du mot « usine ». Ici, il décrit un environnement combinant infrastructure, logiciels et expertise autour d’applications métier potentielles. Il ne doit pas automatiquement évoquer un centre de données nouvellement construit ou une installation dédiée à l’entraînement de grands modèles.

De même, un réseau plus étendu n’établit pas combien de clients ont achevé leurs évaluations ou sont passés en production. La production signifie qu’une application répond à des besoins métier continus selon des responsabilités opérationnelles définies. Ces résultats nécessitent des mesures distinctes.

Pour un client potentiel, l’expansion soulève une question pratique : qu’est-ce que le site peut réellement aider l’organisation à décider ? Une démonstration peut établir qu’une application répond correctement dans des conditions préparées. Une décision d’investissement requiert une vision plus large du comportement attendu, des efforts d’exploitation et des défaillances acceptables.

Un engagement utile rendrait ces limites explicites avant le début des tests. Sinon, les participants peuvent quitter la même session avec des interprétations différentes du succès. Les développeurs peuvent voir une application fonctionnelle, les équipes de sécurité peuvent voir des questions d’accès non résolues et les équipes financières peuvent voir des hypothèses opérationnelles incomplètes.

L’implantation géographique soulève également des questions auxquelles la seule liste des sites ne peut répondre. Les acheteurs doivent déterminer quelles capacités sont disponibles localement et lesquelles nécessitent un soutien ailleurs. Ils doivent aussi clarifier comment leurs informations entrent dans l’environnement et qui peut y accéder.

La proximité physique peut faciliter la collaboration, mais elle ne détermine ni la conformité juridique ni le contrôle des données. Ceux-ci dépendent des modalités réelles entourant l’application. Une installation de test proche nécessite toujours des conditions claires concernant le traitement, la conservation et la suppression des données.

L’expansion doit donc être comprise avant tout comme une augmentation des possibilités de validation. Son importance commerciale dépendra de la capacité de ces possibilités à produire des décisions que les clients peuvent justifier. Une recommandation d’avancer, de réviser ou d’arrêter doit découler des preuves, plutôt que de la seule existence de l’installation.

Les acheteurs en entreprise ont besoin de réponses que les démonstrations ne fournissent pas

L’expansion impose une charge immédiate aux personnes qui approuvent les projets d’IA en entreprise. Elles doivent déterminer si une expérimentation encourageante justifie un engagement opérationnel durable. Une mission de test est utile lorsqu’elle leur donne de meilleures bases pour prendre cette décision.

L’argument le plus solide en faveur de ces installations réside dans leur capacité à révéler les questions de déploiement non résolues tant que les changements restent maîtrisables.

Prenons l’exemple illustratif d’un assistant de connaissance interne qui répond aux questions des employés à l’aide de documents de l’entreprise. Lors d’une démonstration, il peut produire une réponse claire à partir d’une sélection soigneusement constituée. Ce résultat établit un élément utile, mais il laisse sans réponse des questions importantes.

La même application devrait respecter les différences d’accès entre les employés. Elle devrait aussi gérer les documents obsolètes, les instructions contradictoires et les questions sans réponses fiables. Il s’agit de conditions d’évaluation proposées, et non de résultats rapportés chez un client de NTT DATA.

La distinction entre connaissances personnelles et d’équipe aide à expliquer le défi. Un système partagé doit prendre en compte des informations appartenant à différentes personnes et à différents groupes. L’accès à une collection de documents fait donc partie du comportement de l’application, plutôt que d’être un détail administratif ajouté ultérieurement.

Pour les développeurs, cela modifie ce qui constitue un prototype complet. Produire une réponse n’est qu’une partie du travail. Ils doivent également disposer d’un moyen d’examiner les réponses incorrectes et de comprendre quelles informations les ont influencées.

Les évaluateurs de sécurité font face à une charge différente. Ils doivent examiner ce que l’application peut lire, les actions qu’elle peut effectuer et l’évolution de ces autorisations. Une démonstration convaincante ne supprime pas la nécessité de tester les restrictions.

Les équipes d’exploitation doivent comprendre ce qui se passe après la remise. Si une application devient indisponible, quelqu’un doit identifier le problème et rétablir le service. Les responsabilités doivent rester claires même lorsque plusieurs fournisseurs technologiques contribuent au système.

Les responsables métier doivent définir le bénéfice avec suffisamment de précision pour pouvoir l’évaluer. Une réponse plus rapide n’est utile que si la tâche profite de cette rapidité et si la réponse reste fiable. Une application qui transfère une part importante du travail de vérification aux employés doit inclure cet effort dans l’évaluation.

Les équipes financières, quant à elles, ont besoin d’hypothèses qu’elles pourront réexaminer après le déploiement. Elles devraient pouvoir distinguer l’utilisation expérimentale des ressources de la demande continue attendue. Sinon, une évaluation apparemment attractive peut masquer l’incertitude sur les futurs besoins d’exploitation.

C’est pourquoi le déploiement de l’IA par NTT DATA mérite d’être examiné comme un processus de prestation, et non simplement comme une sélection technologique. Le résultat devrait inclure une explication de ce que le client a appris. Les seules spécifications matérielles ne peuvent établir si le flux de travail proposé mérite de devenir un service permanent.

Le partenariat d’infrastructure crée un parcours de test, pas une configuration universelle

Cisco apporte un contexte pertinent avec son architecture IA à l’échelle du rack. Annoncée en août, cette expansion a ajouté des systèmes de calcul Supermicro à Cisco Secure AI Factory with NVIDIA, y compris des options refroidies par liquide et par air.

Cisco a également décrit les logiciels d’entreprise et la gestion de NVIDIA via Cisco Cloud Control. L’annonce prévoyait une disponibilité via le réseau de partenaires de Cisco en octobre 2026. Ce calendrier aide à expliquer pourquoi les environnements de validation en entreprise gagnent en pertinence parallèlement à des offres d’infrastructure plus larges.

Une offre d’infrastructure intégrée fournit aux clients une configuration de départ à évaluer, mais cette configuration doit toujours convenir à l’application.

L’infrastructure IA Cisco NVIDIA réunit des composants que les acheteurs devraient autrement évaluer dans des domaines techniques distincts. Son avantage analytique est d’offrir un point de départ mieux défini. Les clients peuvent examiner une combinaison proposée plutôt que d’assembler eux-mêmes chaque relation.

Cela n’établit pas que chaque site NTT DATA contient le même équipement. L’annonce d’expansion mondiale ne fournit pas un inventaire complet pour chaque installation. Les acheteurs doivent distinguer le portefeuille disponible d’un partenaire de la configuration proposée dans leur mission particulière.

Ils doivent aussi distinguer la validation de l’infrastructure de la validation de l’application. Les tests d’infrastructure examinent les systèmes qui soutiennent une application. Les tests d’application examinent si celle-ci produit des résultats acceptables pour ses utilisateurs prévus.

Ces évaluations se recoupent sans devenir interchangeables. Une plateforme techniquement solide peut soutenir une application dont la qualité de l’information est faible ou dont l’objectif métier est incertain. À l’inverse, un prototype utile peut encore nécessiter des modifications de son environnement de soutien avant un déploiement plus large.

Pour l’assistant de connaissance illustratif, une évaluation matérielle pourrait examiner si les réponses restent rapides sous la charge de travail attendue. L’évaluation de l’application examinerait si ces réponses restent correctes et appropriées. Aucun de ces résultats ne devrait se substituer à l’autre.

Un engagement crédible devrait relier ces évaluations. Si l’application fonctionne mal, les participants doivent comprendre si la cause réside dans sa conception, ses informations, sa configuration ou ses systèmes de soutien. Dans le cas contraire, l’évaluation risque de produire une conclusion sans diagnostic.

Le partenariat soulève également une question de responsabilité entre fournisseurs. Combiner des produits n’établit pas automatiquement qui traite une défaillance impliquant plusieurs composants. Les clients ont besoin d’une description opérationnelle de cette relation, en plus de sa description technique.

Cela crée une norme utile pour juger les affirmations d’intégration. L’offre devient plus convaincante lorsqu’elle réduit le travail du client pour diagnostiquer les problèmes et gérer les changements. La simple présentation de plusieurs produits compatibles ne démontre pas cette réduction.

L’implication plus large est que les environnements de test peuvent aider à rendre les choix d’infrastructure plus précis. Au lieu de demander si une plateforme d’IA est généralement capable, les clients peuvent demander si une configuration particulière soutient une application définie. Cette question plus restreinte est plus utile pour les achats et plus facile à réexaminer après le déploiement.

Munich et Dell montrent pourquoi l’appellation AI Factory a besoin de contexte

L’environnement de test de Munich de NTT DATA fonctionne au sein de l’installation Munich 2 de NTT Global Data Centers. L’entreprise indique que les clients peuvent évaluer les applications qu’ils possèdent et contrôlent dans un environnement réel de qualité production. Parmi ses partenaires technologiques nommés figurent Dell Technologies et NVIDIA.

Ce détail replace l’expansion plus large dans son contexte. Le réseau comprend un environnement de centre de données en production explicitement décrit, mais les acheteurs ne doivent pas présumer que les dispositions sont identiques d’un site à l’autre. La description de Munich doit être comprise selon ses propres termes.

La comparaison pertinente porte sur ce que chaque environnement permet à un client d’établir, plutôt que sur le fournisseur qui utilise le label d’usine d’IA.

Le portefeuille d’IA d’entreprise de Dell offre un point de comparaison contemporain. Le 21 octobre, Dell a indiqué que son offre d’usine d’IA soutenue par NVIDIA comptait plus de 6 500 clients, contre 5 000 au trimestre précédent.

Ces chiffres d’adoption sont déclarés par l’entreprise pour l’offre de Dell. Ils ne correspondent pas au nombre de clients utilisant les installations de NTT DATA. Ils n’établissent pas non plus combien d’applications ont produit un bénéfice commercial durable.

Dell associe infrastructure, partenariats logiciels et services autour du déploiement de l’IA en entreprise. L’expansion de NTT DATA met l’accent sur des lieux où les clients peuvent étudier les exigences de déploiement. Les approches se recoupent, notamment parce que Dell participe également à l’environnement de Munich.

Ce chevauchement limite l’utilité d’un récit simpliste opposant un fournisseur à un autre. Un client peut rencontrer plusieurs des mêmes fournisseurs de technologies dans le cadre de modalités de prestation différentes. La distinction se déplace alors vers le périmètre de l’évaluation, l’expertise, le soutien opérationnel et la responsabilité.

Une comparaison utile examinerait les éléments de preuve que chaque proposition promet de produire. L’engagement évalue-t-il l’application du client ou un exemple préparé ? Inclut-il les restrictions d’information qui s’appliqueraient après le déploiement ? Documente-t-il les conditions dans lesquelles la recommandation change ?

Le résultat de l’évaluation compte autant que son cadre. Un client devrait pouvoir expliquer pourquoi une configuration a été retenue et quelles alternatives ont été envisagées. Sans cette explication, une visite réussie peut devenir difficile à traduire en une décision interne défendable.

Un environnement en production ajoute un contexte opérationnel pertinent, mais il ne reproduit pas automatiquement les circonstances du client. Les différences d’information, de demande, d’effectifs et de systèmes existants peuvent encore influencer le résultat. Les acheteurs doivent comprendre ces différences avant d’appliquer les conclusions ailleurs.

C’est la pression concurrentielle créée par l’expansion. Les fournisseurs qui demandent aux clients d’accepter de larges promesses de déploiement font désormais face à une comparaison plus précise : que peuvent-ils aider l’acheteur à vérifier ? L’opportunité pour NTT DATA consiste à rendre ce processus de vérification suffisamment utile pour influencer les décisions ultérieures.

La même exigence s’applique à sa propre offre. Citer des partenaires établis renforce la description de l’expertise et des technologies disponibles. Cela ne remplace pas la preuve qu’un engagement donné a aidé un client à faire un meilleur choix de déploiement.

Davantage de sites n’établissent pas encore des résultats commerciaux reproductibles

Au 29 octobre, la principale lacune en matière de preuves concerne les résultats au-delà des installations elles-mêmes. Le communiqué sur l’expansion mondiale identifie des sites et décrit leur objectif. Il ne fournit pas de compte rendu public détaillé sur la conversion des clients, des performances applicatives comparables ou des résultats opérationnels durables.

Cette absence fixe une limite aux conclusions que les lecteurs peuvent tirer. Elle n’établit pas que les installations manquent de valeur. Elle signifie que l’annonce étaye plus directement une évaluation de la portée de l’offre qu’une évaluation de son efficacité.

L’expansion établit une empreinte de test plus large ; elle laisse l’impact commercial et opérationnel ouvert à des preuves supplémentaires.

L’un des risques est qu’un environnement de test devienne une démonstration prolongée. Cela se produit lorsqu’un exercice met l’accent sur des comportements favorables sans examiner les conditions qui mettent l’application proposée à l’épreuve. La question porte sur la qualité du test, plutôt que sur la qualité de la présentation.

Un autre risque concerne la transition après l’évaluation. Les clients doivent comprendre quelles conclusions se transfèrent à leur déploiement prévu et lesquelles dépendent de la configuration de test. Des différences non examinées peuvent affaiblir l’utilité d’un travail par ailleurs rigoureux.

Les affirmations économiques exigent la même discipline. Un résultat favorable dans le cadre d’hypothèses choisies ne tranche pas l’économie d’une charge de travail différente. Les acheteurs ont besoin de visibilité sur les hypothèses, y compris l’effort opérationnel et les conséquences d’une évolution de la demande.

Il existe également une distinction entre contrôle technique et contrôle métier. Posséder l’équipement n’explique pas à lui seul comment une organisation approuve les changements, enquête sur les erreurs ou limite le comportement de l’application. Ces responsabilités nécessitent des responsables désignés et des processus opérationnels viables.

Pour NTT DATA AI Factories, une mesure particulièrement utile serait de savoir si les clients repartent avec moins de décisions non résolues. Cela va au-delà du fait qu’ils procèdent ou non à un achat. Une décision bien étayée de différer ou de repenser un projet peut également refléter une évaluation efficace.

Des témoignages publics de clients seraient utiles, surtout s’ils incluent des limites. Un récit expliquant ce qui a échoué et comment la conception a évolué offre davantage de valeur décisionnelle qu’un récit de réussite sans complication. Il donne aux autres acheteurs une base pour juger si l’expérience s’applique à leur situation.

Une évaluation indépendante renforcerait encore les preuves, mais l’indépendance exige une interprétation prudente. Une recommandation citée n’établit pas automatiquement que quelqu’un a évalué les résultats des clients. Les lecteurs doivent distinguer les commentaires sur l’approche de la vérification de ses résultats.

Le communiqué mondial comprend des commentaires favorables de Cisco et de Chris Barnard d’IDC. Barnard souligne la relation entre l’infrastructure, l’information, la sécurité et les opérations. Ses commentaires figurent dans l’annonce de NTT DATA et doivent être considérés comme un point de vue attribué, plutôt que comme une évaluation publiée séparément.

Le jugement le plus défendable reste restreint. NTT DATA a élargi une offre conçue pour répondre à l’incertitude liée au déploiement. La question de savoir si cette offre réduit systématiquement l’incertitude, raccourcit les délais de décision ou améliore les résultats opérationnels nécessite des informations supplémentaires.

Cette distinction maintient l’utilité de l’analyse sans exiger une certitude que l’annonce ne peut fournir. Elle donne également aux acheteurs une façon pratique d’évaluer l’offre : demander quelles incertitudes l’engagement résoudra et quels éléments de preuve étayeront ses conclusions.

Suivre les résultats clients, la transparence des tests et le transfert opérationnel

Au cours des prochains mois, les signaux les plus clairs concerneront les résultats des clients, la transparence des évaluations et la transition vers un service continu. Ces signaux révéleraient davantage qu’une simple annonce d’un site supplémentaire.

La prochaine évolution significative sera une preuve reliant une évaluation à une décision de déploiement précise et à ses conséquences.

Premièrement, surveillez les témoignages clients qui relient les tests à une action ultérieure. Les exemples les plus solides décriraient l’application, les questions examinées et la décision qui a suivi. Ils distingueraient également les conclusions de l’évaluation des résultats opérationnels ultérieurs.

L’histoire d’un client nommé renforcerait le dossier si elle expliquait comment les tests ont modifié le déploiement proposé. Le client a peut-être révisé sa conception, choisi une configuration différente ou réduit les responsabilités de l’application. Il s’agit d’exemples de preuves utiles, et non de résultats déjà rapportés ici.

Les récits centrés uniquement sur la participation seraient moins informatifs. Participer à un atelier ou achever une démonstration n’explique pas ce que l’organisation a appris. Le signal pertinent est une décision documentée étayée par des constatations.

Deuxièmement, surveillez une communication plus claire sur les méthodes de test. Les acheteurs bénéficieraient de savoir comment un engagement examine la qualité de l’application, l’accès à l’information, les performances et la gestion des défaillances. Une méthode réutilisable rendrait les résultats plus faciles à interpréter d’un projet à l’autre.

La transparence ne nécessite pas de publier des informations confidentielles sur les clients. Un fournisseur peut expliquer les questions qu’il teste et la manière dont il consigne les limites sans exposer de données privées. Cela aiderait à distinguer une évaluation reproductible d’une présentation adaptée à des conditions favorables.

Davantage de détails sur l’infrastructure Cisco NVIDIA AI dans le cadre d’engagements spécifiques amélioreraient également l’interprétation. Les clients doivent relier la configuration testée à la recommandation qu’ils reçoivent. Sinon, le rapport entre le portefeuille d’un partenaire et un résultat individuel demeure incertain.

Troisièmement, surveillez ce que les fournisseurs divulguent au sujet du transfert opérationnel. L’évaluation devrait déboucher sur une explication claire de la personne qui maintient l’application et de celle qui répond lorsqu’elle échoue. La preuve que ces responsabilités perdurent après la transition renforcerait l’argument en faveur de la prestation.

Ce signal importe parce que le déploiement de l’IA par NTT DATA va au-delà du choix de l’équipement. Un client a besoin d’un chemin pratique entre une responsabilité expérimentale et une responsabilité continue. Des limites floues lors du transfert affaibliraient les affirmations selon lesquelles l’évaluation a résolu le risque de déploiement.

Ensemble, ces signaux offrent un cadre pour évaluer l’expansion sans considérer chaque annonce comme une preuve de progrès. Les résultats clients montrent ce qui s’est produit. La divulgation des tests explique pourquoi les conclusions méritent confiance. Les preuves de transfert montrent si la recommandation est restée applicable par la suite.

Pour une entreprise qui envisage NTT DATA AI Factories, commencez par consigner la décision que l’engagement doit étayer. Définissez l’application, ses utilisateurs prévus et les conditions dans lesquelles elle doit s’arrêter ou solliciter un examen humain. Demandez au fournisseur d’identifier les questions auxquelles l’environnement peut répondre et celles qui resteront ouvertes. Demandez des conclusions qui expliquent les limites en parallèle des résultats favorables. Comparez ensuite ces conclusions avec votre approche existante, plutôt qu’avec une démonstration seule. Le résultat utile est une raison documentée de poursuivre, de réviser ou de suspendre. Avant de vous engager dans un déploiement plus large, demandez les preuves dont votre organisation aura besoin lorsqu’une personne remettra ultérieurement cette décision en question.