Contexte du déplacement vers le on‑prem

En 2026, les entreprises réorientent leurs charges d’intelligence artificielle vers leurs propres centres de données. Le principal moteur est la combinaison de trois pressions : l’augmentation du prix des serveurs équipés de DRAM, le coût des tokens facturés par les fournisseurs de cloud public, et la crainte de fuite de propriété intellectuelle vers des modèles externes. Broadcom, propriétaire de VMware depuis trois ans, cite explicitement ces facteurs dans les entretiens tenus lors de l’événement VMware Explore 2026.

Le phénomène touche des organisations variées, de petites entreprises à des acteurs majeurs comme United Airlines, Audi ou la Bourse de Londres, qui ont déjà adopté la solution VMware Cloud Foundation (VCF). Cette adoption massive reflète la volonté de reproduire les avantages du cloud public (agilité, expérience développeur) tout en conservant le contrôle local sur les données et les coûts.

Architecture du Private AI Cloud de VMware

VMware a consolidé l’ensemble de ses produits en une pile unique, présentée comme VCF 9.1. Cette version étend le support à plus de 150 modèles d’IA, incluant les accélérateurs AMD et Nvidia, ainsi que tout serveur OEM compatible. Un élément clé est le memory tiering, introduit un an avant la pénurie de DRAM, qui réduit de 50 % les besoins en mémoire vive en transférant les données moins critiques vers du stockage NVMe.

Sur le plan de la résilience, VMware a intégré une fonction de live patching : les correctifs peuvent être appliqués sans interrompre les charges de travail en cours. Cette capacité repose sur une architecture de micro‑services qui sépare le plan de contrôle du plan de données, limitant ainsi les fenêtres d’indisponibilité.

Le projet interne Project Glasswing a permis à VMware d’expérimenter des modèles de pointe (« frontier models ») avant leur commercialisation. Ces modèles sont désormais incorporés dans le cycle de développement logiciel, renforçant la posture de sécurité du produit final.

Analyse des impacts économiques et sécuritaires

Le coût des tokens dans le cloud public a été identifié comme un facteur de hausse de dépenses opérationnelles, surtout pour les charges d’inférence à grande échelle. En ramenant les charges en interne, les entreprises peuvent contrôler directement la consommation d’énergie et les licences d’accélérateurs, ce qui se traduit par une réduction de l’ordre de 30 % à 40 % des dépenses totales selon les retours de clients cités lors de l’événement.

Sur le plan de la sécurité, la localisation des données minimise l’exposition aux attaques de type « data exfiltration » et aux vulnérabilités liées aux API publiques. VMware affirme que son environnement est « hardé » grâce à l’intégration de modèles de frontier AI dans le processus de test, mais la documentation publique ne détaille pas les mécanismes de chiffrement au repos ni les certifications de conformité, ce qui constitue une zone d’opacité.

Limites et perspectives

Malgré les avancées, le modèle on‑premise reste dépendant de la disponibilité de matériel spécialisé. La stratégie de memory tiering atténue la pression sur la DRAM, mais elle impose une charge supplémentaire sur les sous‑systèmes NVMe, dont la latence peut devenir un goulot d’étranglement pour les modèles très gourmands en bande passante.

Enfin, la consolidation sous VCF crée un point de défaillance unique : une vulnérabilité dans le composant de gestion centralisé pourrait affecter l’ensemble des charges d’IA déployées. Les entreprises devront donc équilibrer les gains de coût et de sécurité avec une vigilance accrue sur les mises à jour de la pile logicielle.