Gartner a publié au Gartner IT Symposium la liste des dix tendances technologiques stratégiques pour 2027, allant de solutions déjà déployées à des concepts encore en phase pilote, dont le surprenant « wetware as a service » (WaaS) — l’utilisation de tissus vivants pour alimenter des systèmes d’IA.
Les 10 tendances identifiées par Gartner
Gartner a retenu dix axes majeurs, classés ici avec leur description telle que présentée lors du symposium :
– Large quantitative models : modèles capables de traiter des équations mathématiques et de physique, au-delà du contexte manipulé par les LLM classiques.
– Speech reasoning models : modèles axés sur l’audio et l’intonation, capables par exemple de détecter la frustration d’un interlocuteur et d’escalader un appel.
– World models : modèles utilisant la physique et la simulation pour prédire des issues physiques (par exemple pour préparer la gestion d’un accident).
– AI context platforms : plates-formes où l’information métier est stockée et automatiquement mise à disposition pour améliorer les décisions des systèmes d’IA.
– Agent coding harnesses : cadres gérant le plan de contrôle de la production logicielle automatisée par agents, avec implication nécessaire des développeurs.
– AI agent identity : mécanismes limitant l’accès des agents d’IA aux seules ressources dont ils ont besoin, à l’image des contrôles d’accès employés pour les personnes.
– Autonomous exposure remediation : combinaisons d’IA et d’automatisation pour détecter et corriger des vulnérabilités de sécurité avant qu’elles ne deviennent exploitables.
– Sovereign tech : solutions permettant aux entreprises de garder la maîtrise de leur matériel, logiciels, bases de données et modèles d’IA pour réduire le risque de dépendance aux fournisseurs.
– Disposable applications : pratiques consistant à concevoir des applications avec une date de péremption claire et à les remplacer plutôt que de tenter de maintenir indéfiniment chaque application.
– Wetware as a service (WaaS) : recours à des neurones et réseaux biologiques plutôt qu’au silicium pour des traitements d’IA — une piste encore très expérimentale qui ferme la liste.
Gartner identifie ces tendances en s’appuyant sur des éléments comme le financement venture, les brevets, les soumissions d’analystes, les profils d’innovation et ses propres cycles de sursaut d’intérêt.
Ce qui est déjà déployé et ce qui reste expérimental
Selon Amanda Hetler, certaines tendances sont déjà adoptées par des organisations : en particulier les agent coding harnesses et les AI context platforms, utilisées pour encadrer le développement d’IA et en améliorer la gouvernance. D’autres, comme les world models ou le wetware as a service, restent émergentes et se trouvent plutôt en phase pilote.
Impacts pour les DSI : gouvernance, sécurité et maîtrise des coûts
Les intervenants ont insisté sur un point central : l’essor des capacités d’IA dépasse les structures d’encadrement existantes. Le VP analyste Gene Alvarez a qualifié la situation d’« architectural vacuum », illustrant l’urgence de mettre en place des limites organisationnelles, des responsabilités claires et des garde‑fous.
Gartner alerte également sur les risques opérationnels : la société estime que des agents d’IA non gouvernés pourront être à l’origine de 25 % des violations d’entreprise d’ici 2028. Par ailleurs, le coût de l’IA augmente rapidement : Gartner a déclaré que les entreprises dépensent aujourd’hui 18 fois plus qu’il y a deux ans.
Face à ces tendances, Amanda Hetler recommande aux DSI de prioriser :
– l’infrastructure de gouvernance (contrôles d’identité pour agents d’IA, suivi des actions des agents) ;
– l’adoption de coding harnesses pour normaliser et superviser la production de code automatisée ;
– les AI context platforms pour fournir aux modèles des données métier propres et contextualisées ;
– l’établissement de responsabilités claires (qui est responsable et qui est comptable des systèmes d’IA) ;
– l’évaluation des coûts et des risques de dépendance aux fournisseurs (sovereign tech) et le contrôle de la consommation de modèles (utiliser le bon modèle pour la bonne tâche, limiter les tokens inutiles).
Enfin, la préparation des données reste cruciale : sans contexte fiable et accessible à l’échelle de l’entreprise, les résultats des modèles risquent d’être erronés ou inutiles.
Le message des analystes est clair : l’année à venir nécessitera davantage d’efforts d’architecture, de gouvernance et de contrôle des coûts pour que l’adoption de ces technologies soit durable et sûre.
