Macro-tendances de l'industrie tech | Novembre 2025

SECTION 1

Introduction

La dernière édition des radars technologiques sectoriels vient de sortir, avec 114 tendances retenues parmi les contributions de la communauté tech. Cet article détaille les macro-tendances qui ressortent de nos observations du paysage technologique dans son ensemble, avec des éclairages complémentaires sur ces évolutions.

SECTION 2

Les charges de travail IA exigent un changement dans l'orchestration de l'infrastructure

Que la "bulle IA" éclate ou non, une chose est certaine : l'IA est devenue un moteur énorme pour l'industrie tech dans son ensemble. La demande en infrastructure a considérablement augmenté, car l'entraînement de grands modèles de langage et l'inférence pour des fonctionnalités IA nécessitent de grandes flottes de GPU, forçant les entreprises à gérer ces ressources à des échelles jusque-là réservées au supercalcul.

Il est désormais courant que les équipes composent avec des modèles trop volumineux pour tenir sur un seul GPU, ce qui force à diviser le travail sur plusieurs accélérateurs. Les équipes d'ingénierie plateforme montent des pipelines multi-étapes et ajustent en continu débit et latence pour maintenir ces charges IA en fonctionnement, aidées par des outils comme NVIDIA DCGM Exporter pour surveiller les GPU distribués et le topology-aware scheduling.

Un défi immédiat est le coût : les instances cloud GPU sont coûteuses et souvent facturées qu'elles soient occupées ou inactives, donc maximiser l'utilisation des clusters est primordial. En réponse, les organisations adoptent des stratégies d'orchestration plus intelligentes.

### Comment Kubernetes s'adapte aux charges GPU

L'adaptation de Kubernetes pour les charges IA, Né dans le monde des applications web sans état, Kubernetes s'est révélé une solution adaptée à ces problèmes, surtout couplé à des bibliothèques comme Kueue. L'allocation dynamique de ressources (DRA) pour les GPU, longtemps en alpha puis en bêta, a atteint la disponibilité générale avec Kubernetes 1.36 début 2026 : c'est désormais la manière stable et prête pour la production de gérer les accélérateurs matériels (GPU, FPGA, cartes réseau) d'un cluster, avec une bien meilleure prise en compte de la topologie matérielle.

Cette évolution est fascinante d'un point de vue architectural. À l'origine conçu pour des conteneurs stateless qui démarrent et s'arrêtent rapidement, Kubernetes doit désormais gérer des workloads IA intrinsèquement stateful, à longue durée d'exécution, et très sensibles à la localité des données et à la topologie du réseau.

Les défis de la topologie GPU, Dans un cluster GPU moderne, tous les GPUs ne se valent pas : la bande passante entre deux GPUs sur la même carte mère est bien plus élevée qu'entre des GPUs sur des serveurs différents. Pour des tâches nécessitant une communication fréquente (comme l'entraînement distribué), placer les processus sur des GPUs bien connectés peut faire la différence entre un entraînement de quelques heures et un entraînement de plusieurs jours.

Le topology-aware scheduling donne à Kubernetes la conscience de cette topologie physique. Au lieu de se demander simplement "Y a-t-il un GPU disponible ?", le scheduler pose des questions plus fines comme "Quels GPUs sont connectés via NVLink ?" ou "Quels nœuds partagent le même switch réseau ?", ce qui permet des placements plus efficaces, maximisant le débit et minimisant les coûts.

Optimisation des coûts cloud pour l'IA, Chez Adservio, nous conseillons nos clients sur l'optimisation des coûts GPU, et les chiffres sont souvent frappants. Un cluster GPU mal optimisé peut facilement gaspiller 40 à 60% de sa capacité compute. Cela se traduit par des centaines de milliers d'euros gaspillés chaque année pour des organisations de taille moyenne.

Les stratégies d'optimisation incluent le bin-packing intelligent des workloads, l'utilisation de GPU spot/preemptible pour les tâches non-critiques, et des mécanismes de préemption pour prioriser les workloads haute-valeur. Nous recommandons aussi de monitorer en continu l'utilisation GPU au niveau granulaire : pas seulement "le GPU est-il utilisé ?" mais "à quel pourcentage de sa capacité compute et mémoire ?".

@cite:bonnes-pratiques-kubernetes-en-production

SECTION 3

L'essor du context engineering, MCP et des workflows IA

Si, d'un côté, les ingénieurs infrastructure cherchent des moyens d'optimiser l'utilisation du hardware, de l'autre, les développeurs cherchent encore les meilleures façons d'intégrer l'IA dans leurs workflows de manière efficace et efficient. Une tendance notable est le passage du prompting ad-hoc à un context engineering plus rigoureux.

Qu'est-ce que le context engineering ? En essence, le context engineering se réfère à la pratique de préparer soigneusement et de fournir des informations de contexte structurées à un modèle IA afin qu'il puisse effectuer une tâche de manière fiable. Cela va bien au-delà de simplement phraser un seul prompt intelligent, impliquant un ensemble de différentes techniques et d'étapes soigneusement planifiées pour améliorer la fiabilité et la précision du modèle.

En pratique, le context engineering cherche à atténuer le comportement non-déterministe des LLMs en les alimentant avec les informations les plus essentielles dont ils ont besoin pour être plus précis. Il ne s'agit pas de donner plus de contexte, mais de donner le bon contexte, au bon moment, dans le bon format.

### Le Model Context Protocol, standard de facto

Le Model Context Protocol (MCP), Le Model Context Protocol (MCP) est le meilleur exemple d'un standard évoluant comme un effort pour "contrôler" le contexte efficacement. Depuis que nous avons mentionné MCP pour la dernière fois dans le volume 32 comme un standard intéressant, il est maintenant devenu omniprésent.

Publié à l'origine comme un standard open source par Anthropic fin 2024, il définit comment un client IA (agent ou assistant de codage) peut interroger un serveur MCP pour des informations ou des actions, que ce dernier se trouve devant un wiki d'entreprise, une base de données ou une API SaaS externe. Fin 2025, Anthropic a transféré la gouvernance de MCP à l'Agentic AI Foundation, une fondation neutre sous l'égide de la Linux Foundation également co-fondée par Block et OpenAI : MCP n'est donc plus un simple projet Anthropic mais un standard piloté par la communauté, avec des groupes de travail ouverts.

Ce découplage est puissant : cela signifie que les développeurs IA peuvent intégrer de nouveaux outils ou sources de données beaucoup plus rapidement, et c'est neutre vis-à-vis des fournisseurs par conception. L'industrie a adopté MCP remarquablement vite. En moins d'un an, nous avons vu des milliers de serveurs MCP se mettre en place, fournissant des ponts vers tout, de GitHub aux systèmes SAP.

L'architecture MCP en pratique, Un client IA (Claude, ChatGPT, ou un agent personnalisé) qui a besoin d'informations n'a plus à hardcoder une intégration par source de données : il parle MCP et envoie une requête standardisée, du type "Donne-moi les derniers tickets Jira assignés à l'équipe X" ou "Récupère le document Y de Confluence".

Le serveur MCP, qui sait dialoguer avec Jira ou Confluence, reçoit cette requête, va chercher les données et les retourne dans un format structuré. Le client n'a jamais besoin de connaître les spécificités de l'API Jira ou de l'authentification Confluence : c'est le travail du serveur MCP.

Cette abstraction est révolutionnaire pour les mêmes raisons que l'ont été REST et GraphQL : elle standardise l'intégration, réduit la duplication de code, et crée un écosystème où des serveurs MCP réutilisables peuvent être partagés et améliorés par la communauté.

@cite:le-protocole-model-context-au-dela-de-la-tendance

SECTION 4

Les agents IA et les protocoles d'interaction

Les agents IA sont un contributeur majeur à l'utilisation des MCPs, et ont accumulé une pléthore de protocoles annexes pour supporter leurs workflows, comme Agent-to-Agent (A2A) et AG-UI. À la différence de MCP, qui connecte un agent à des outils et des données, A2A connecte les agents entre eux, permettant à l'un de déléguer une tâche sans exposer son état interne. Initié par Google puis confié à la Linux Foundation, A2A a atteint sa version 1.0 stable début 2026 avec déjà plus de 150 organisations en production.

L'évolution vers les agents IA, Les agents IA représentent à la fois les développements les plus excitants et les plus surchauffés par le hype. Ce passage des chatbots aux workflows agentiques marque une étape importante pour les organisations, qui ont désormais réalisé les limites des LLMs statiques.

Un modèle ne peut pas voir au-delà de sa date de coupure d'entraînement, nécessitant une utilisation minutieuse des techniques de contexte et de prompting pour atteindre un objectif. Par contraste, un agent peut puiser dans des informations en temps réel, réagir aux changements, appeler des APIs, lire des bases de données, exécuter du code, et même déléguer des tâches à d'autres agents.

Les risques des agents mal configurés, Notre préoccupation concernant la complaisance avec le code généré par l'IA demeure, et de nouvelles pratiques émergent pour éviter qu'un agent devienne incontrôlable : de simples patterns de fichiers comme AGENTS.md, jusqu'à des configurations plus complexes comme ancrer les agents de codage à une application de référence et au développement piloté par spécifications (spec-driven development).

### Gouverner les agents avec AGENTS.md

Le fichier AGENTS.md est un concept simple mais puissant : c'est un fichier markdown à la racine de votre projet qui documente ce que les agents IA sont autorisés et non autorisés à faire. Par exemple, il pourrait spécifier "Les agents peuvent modifier des fichiers dans /src/ mais jamais dans /config/" ou "Les agents doivent toujours exécuter les tests avant de committer".

Cette approche déclarative de la gouvernance des agents est beaucoup plus maintenable que d'essayer de contrôler le comportement des agents via des prompts complexes. Le fichier AGENTS.md devient la source de vérité unique que les humains et les agents peuvent consulter.

Les workflows IA au niveau de l'équipe, Ces nouvelles techniques ne s'appliquent pas qu'aux agents, d'ailleurs. Les workflows IA complets ont gagné en importance, servant des équipes entières, qu'elles soient fonctionnelles ou cross-fonctionnelles. La plupart des éditeurs de code fournissent un ensemble d'options pour partager des instructions à réutiliser par plusieurs individus.

Cela permet essentiellement aux équipes de partager les meilleures pratiques et utilitaires comme une extension one-click pour l'IA, aidant à standardiser l'utilisation de l'IA, garantissant que chaque revue de code passe par la même checklist, ou fournissant à tous les développeurs une commande rapide pour récupérer les docs de bibliothèque mises à jour, par exemple.

Chez Adservio, nous avons développé des bibliothèques de prompts curées pour différents types d'équipes : équipes backend, équipes frontend, équipes data, équipes DevOps. Chaque bibliothèque contient des dizaines de prompts testés et optimisés pour des tâches courantes spécifiques à cette discipline.

Par exemple, notre bibliothèque backend inclut des prompts pour générer des tests unitaires, écrire des migrations de base de données, créer des endpoints API RESTful, et optimiser des requêtes SQL. Ces prompts ne sont pas de simples one-liners ; ils incluent du contexte sur les standards de codage de l'entreprise, les patterns architecturaux préférés, et les considérations de sécurité.

SECTION 5

Éviter l'iceberg : Antipatterns IA émergents

À mesure que les techniques IA se répandent dans l'industrie, nous observons l'émergence de certains antipatterns. Les mauvaises pratiques ne sont pas nouvelles en développement logiciel, mais de nouveaux problèmes apparaissent avec l'adoption de l'IA. La plupart peuvent être atténués par des pratiques fondamentales solides, mais mieux vaut les reconnaître tôt pour corriger le cap.

### Shadow IT et Text-to-SQL : deux pièges concrets

Shadow IT accéléré par l'IA, Nous avons précédemment mentionné le shadow IT accéléré par l'IA, qui reste une préoccupation : analogue au shadow IT classique, mais turbocompressé par la capacité de l'IA à connecter des systèmes de manières non conventionnelles.

Par exemple, certaines plateformes d'automatisation no-code permettent maintenant aux utilisateurs de s'intégrer directement avec les APIs OpenAI ou Anthropic, rendant tentant d'utiliser l'IA comme "ruban adhésif" pour joindre des systèmes ensemble de manières que le département IT n'a jamais sanctionnées. Bien que cela puisse donner des victoires rapides, cela pose des risques de maintenabilité et de sécurité (par exemple, fuites de données ou processus non surveillés).

Chez Adservio, nous avons observé plusieurs cas où des employés bien intentionnés ont créé des "agents" connectant Slack à des bases de données de production via ChatGPT, contournant complètement les contrôles d'accès et les audits. Ces intégrations sauvages peuvent sembler pratiques à court terme mais créent des vulnérabilités de sécurité énormes et des cauchemars de conformité.

L'échec du Text-to-SQL, D'autres exemples traduisent une confiance trop optimiste dans la tech IA actuelle. Les solutions Text-to-SQL n'ont pas répondu aux attentes initiales en pratique : faire confiance à un LLM pour générer de manière fiable des requêtes SQL complexes peut se retourner contre vous, ces outils nécessitant souvent une validation humaine et peinant sur les cas limites.

Nous avons testé de nombreux outils Text-to-SQL sur des schémas de bases de données réels de clients, avec des résultats décevants. Pour des requêtes simples (SELECT avec quelques WHERE clauses), les outils fonctionnent bien. Mais dès qu'il faut des JOINs complexes, des sous-requêtes, des window functions ou de la logique métier spécifique, les taux d'erreur montent en flèche.

Le problème fondamental est que SQL n'est pas qu'un langage de requête ; c'est un langage de modélisation de domaine. Une requête SQL efficace nécessite une compréhension profonde du schéma de données, des relations entre tables, des contraintes de performance, et de la logique métier. Les LLMs actuels n'ont simplement pas cette compréhension contextuelle profonde.

Cela ne signifie pas que l'idée est morte, mais les équipes ont appris à garder un humain dans la boucle ou à utiliser ces outils dans des portées limitées. Nous recommandons le Text-to-SQL pour l'exploration et le prototypage rapide, mais toujours avec validation humaine avant l'exécution en production.

Trouver l'équilibre, En restant conscients des antipatterns émergents, les leaders technologiques peuvent éviter les pièges du hype. Le message global est celui de l'équilibre : tirer parti avec enthousiasme des capacités d'accélération de l'IA, tout en couplant cela à des pratiques d'ingénierie réfléchies, des écosystèmes ouverts et une bonne dose de jugement humain.

Cela garantit que l'IA élève vraiment la productivité et la créativité de l'équipe, plutôt que de la conduire dans un labyrinthe de solutions rapides et de risques cachés.

@cite:les-agents-ia-ne-doivent-pas-etre-un-cauchemar-de-securite

SECTION 6

Faire face aux défis avec une stratégie flexible et informée

L'industrie tech n'est pas étrangère aux révolutions. Le cloud computing a transformé la façon dont nous travaillons et vivons, et de multiples vagues se sont produites depuis. À chaque nouvelle vague, nous découvrons de nouveaux pièges et réalisons que nos processus et mentalités doivent évoluer aux côtés de la tech. Ce n'est pas différent avec l'IA.

Au-delà du hype et du doomposting, l'IA n'est qu'une autre partie de notre boîte à outils, bien qu'une qui fait beaucoup de bruit. Les entreprises qui chevaucheront avec succès cette vague seront celles qui investissent dans les fondamentaux avec un regard pragmatique.

L'importance de l'expérimentation contrôlée, Chez Adservio, nous encourageons nos clients à adopter une approche d'expérimentation contrôlée avec l'IA. Plutôt que de déployer l'IA à grande échelle immédiatement, mieux vaut commencer par des projets pilotes bien définis avec des métriques de succès claires, apprendre de ces pilotes, itérer, et scaler progressivement.

Cette approche permet d'échouer rapidement et à moindre coût dans des environnements contrôlés, plutôt que d'échouer de manière catastrophique en production. Elle permet aussi de développer l'expertise interne progressivement, garantissant que l'organisation a les compétences pour maintenir et faire évoluer les systèmes IA dans la durée.

Investir dans les compétences et la formation, La transition vers l'IA nécessite de nouvelles compétences, pas seulement pour les data scientists mais pour toute l'organisation. Les développeurs doivent apprendre le context engineering et le prompt engineering, les ingénieurs infrastructure maîtriser l'orchestration GPU, les product managers comprendre les capacités et limites des LLMs.

Nous recommandons aux organisations d'investir massivement dans la formation. Les équipes qui réussissent avec l'IA ne sont pas nécessairement celles avec les meilleurs modèles, mais celles avec les personnes les mieux formées pour les utiliser efficacement.

La gouvernance comme avantage compétitif, Enfin, les organisations qui traitent la gouvernance IA non comme un fardeau de conformité mais comme un avantage compétitif seront celles qui gagneront à long terme. Une gouvernance forte garantit la confiance des clients, réduit les risques, et permet l'innovation responsable.

Cela inclut des politiques claires sur l'utilisation des données, des mécanismes de transparence et d'explicabilité, des processus d'audit robustes, et des guardrails éthiques. Chez Adservio, nous aidons nos clients à mettre en place des frameworks de gouvernance IA assez robustes pour protéger contre les risques, mais assez flexibles pour ne pas étouffer l'innovation.

SECTION 7

Conclusion : Comprendre pour mieux décider

En comprenant la signification et les implications de ces tendances, nous pouvons prendre de meilleures décisions aujourd'hui, plutôt que d'attendre simplement de réagir au futur. L'IA n'est pas une destination, c'est un voyage continu d'apprentissage, d'expérimentation et d'adaptation.

Les organisations qui réussiront seront celles qui combinent enthousiasme technologique et pragmatisme opérationnel, qui investissent autant dans les personnes que dans la technologie, et qui traitent la gouvernance comme un enabler plutôt qu'un obstacle.

Le futur de l'IA dans l'entreprise sera façonné non par ceux qui adoptent le plus rapidement, mais par ceux qui adoptent le plus intelligemment.

Note : Les déclarations et opinions exprimées dans cet article sont celles de l'auteur et ne reflètent pas nécessairement les positions d'Adservio.

FAQ

Questions fréquentes