L’année 2024 a redistribué les cartes sur plusieurs fronts technologiques simultanément. Entre l’entrée en application progressive du Règlement européen sur l’IA, la maturation des architectures cloud souveraines et l’accélération des modèles d’IA à usage général, les entreprises font face à des arbitrages techniques qui engagent leur conformité autant que leur compétitivité.
AI Act européen : les obligations qui changent le déploiement de l’IA en entreprise
Le Règlement (UE) 2024/1689 sur l’IA est entré en vigueur le 1er août 2024. Ses effets ne sont pas théoriques. Le calendrier d’application échelonné entre 2025 et 2030 impose aux équipes techniques de revoir leurs pipelines de développement dès maintenant.
Depuis le 2 février 2025, les pratiques d’IA classées « à risque inacceptable » sont juridiquement interdites dans l’UE : manipulation comportementale, scoring social, certaines formes de reconnaissance biométrique en temps réel. Depuis le 2 août 2025, les obligations pour les modèles d’IA à usage général (GPAI) sont effectives. Documentation technique, gestion des risques, exigences de robustesse : les fournisseurs de grands modèles comme ChatGPT, Claude ou Gemini doivent s’y conformer.
À partir du 2 août 2026, la majorité des obligations de transparence prévues par l’article 50 de l’AI Act s’appliqueront. Le marquage lisible par machine des contenus générés ou modifiés par IA deviendra obligatoire. L’AI Office européen disposera alors de pouvoirs de contrôle renforcés.
Nous observons que la plupart des articles sur les tendances 2024 traitent l’IA générative sous l’angle des cas d’usage, en occultant cette couche réglementaire. C’est une erreur stratégique. Une entreprise qui déploie un modèle GPAI sans anticiper la classification de risque s’expose à des sanctions graduelles, et surtout à des coûts de mise en conformité rétroactive bien supérieurs à ceux d’une intégration native des exigences.
Comme le détaille le blog de nouvelles technologies Les News, ces évolutions réglementaires redessinent la façon dont les équipes R&D structurent leurs projets d’intelligence artificielle, bien au-delà du simple choix d’un modèle.
Cloud souverain et edge computing : convergence des architectures données
La question du cloud n’est plus « faut-il migrer » mais « où placer la frontière entre traitement centralisé et traitement en périphérie ». L’edge computing n’est pas une alternative au cloud. Les deux architectures convergent vers un modèle hybride piloté par la latence et la conformité des données.
Les contraintes du RGPD, combinées aux exigences sectorielles (santé, finance, défense), poussent les entreprises européennes vers des solutions cloud qualifiées. Le besoin de souveraineté numérique ne relève plus du discours politique : il conditionne désormais les appels d’offres publics et les choix d’infrastructure des grands groupes.
Les critères qui orientent le choix d’architecture
- La latence acceptable pour l’application cible : les cas d’usage industriels (maintenance prédictive, contrôle qualité en ligne de production) imposent un traitement local en quelques millisecondes, incompatible avec un aller-retour cloud
- La localisation réglementaire des données personnelles ou sensibles, qui détermine le recours à un cloud souverain ou à un hébergement on-premise
- Le coût de bande passante pour les flux vidéo ou IoT massifs, qui rend l’edge computing économiquement pertinent au-delà d’un certain volume
Nous recommandons d’aborder ces décisions avec une grille technique plutôt qu’avec des labels marketing. Un « cloud souverain » dont le plan de contrôle reste opéré depuis un hyperscaler américain ne répond pas aux mêmes garanties qu’une infrastructure intégralement opérée en juridiction européenne.
IA générative appliquée : au-delà de la génération de texte
La maturité des modèles génératifs en 2024 se mesure moins à la qualité du texte produit qu’à leur capacité d’intégration dans des workflows métier existants. La génération de code, la synthèse de documents juridiques, la création de modèles 3D et la production de données synthétiques pour l’entraînement d’autres modèles constituent les cas d’usage qui génèrent un retour sur investissement mesurable.
Le principal frein reste la fiabilité des sorties, pas la performance brute. Les entreprises qui déploient ces outils en production investissent massivement dans des couches de vérification humaine, de RAG (Retrieval-Augmented Generation) et de monitoring des hallucinations. Sans ces garde-fous, le risque juridique et réputationnel dépasse largement le gain de productivité.
Modèles GPAI et dépendance fournisseur
L’AI Act introduit une distinction entre modèles GPAI standard et modèles présentant un « risque systémique ». Cette classification aura un impact direct sur le choix des fournisseurs. Les entreprises qui construisent leur stack applicatif sur un seul modèle propriétaire s’exposent à un verrouillage technique et réglementaire simultané.
La tendance observable chez les acteurs les plus avancés consiste à maintenir une couche d’abstraction entre l’application métier et le modèle sous-jacent. Cela permet de basculer d’un fournisseur à un autre sans réécrire la logique applicative, une approche que nous considérons comme un standard d’architecture pour tout nouveau projet.
Cybersécurité et informatique quantique : la menace post-quantique se prépare maintenant
La cryptographie post-quantique n’est plus un sujet de recherche académique réservé aux laboratoires. Le NIST a finalisé en 2024 ses premiers standards d’algorithmes résistants aux attaques quantiques. Les entreprises qui manipulent des données à longue durée de vie (données de santé, secrets industriels, données financières archivées) doivent anticiper la menace dite « harvest now, decrypt later ».
Le principe est simple : des acteurs malveillants interceptent aujourd’hui des communications chiffrées, les stockent, et attendront de disposer d’un ordinateur quantique suffisamment puissant pour les déchiffrer. Le délai de transition vers des algorithmes post-quantiques se compte en années, pas en mois. Les migrations cryptographiques touchent les certificats, les protocoles de communication, les systèmes de stockage et les chaînes de signature.
- Inventorier tous les algorithmes cryptographiques utilisés dans l’infrastructure (TLS, signatures, chiffrement au repos)
- Identifier les données dont la durée de confidentialité dépasse dix ans
- Tester les algorithmes post-quantiques standardisés par le NIST dans des environnements de pré-production avant toute migration en production
- Prévoir un budget de transition qui inclut la mise à jour des HSM (Hardware Security Modules) et des PKI internes
Les tendances technologiques 2024 ne se résument pas à des gadgets ou à des promesses marketing. L’AI Act redéfinit le cadre juridique de l’IA en Europe, les architectures cloud évoluent sous la pression conjointe de la performance et de la souveraineté, et la menace quantique impose des chantiers cryptographiques dès aujourd’hui. Ce sont des sujets d’ingénierie, pas de veille passive.