Les agents de confiance commencent par des données fiables

Lorsqu'une IA agentielle se bloque en entreprise, la cause n'est généralement pas le modèle lui-même. C'est l'état de préparation des données qui l'alimentent. Les agents consomment les informations de l'entreprise et agissent sur elles à une vitesse et à une échelle bien supérieures à celles des humains, ce qui renforce l'exigence de données précises, d'autorisations cohérentes, ainsi que d'un contexte et d'une mémoire à jour qui créent les connaissances nécessaires pour permettre l'action.

Toutes les entreprises attendent la même chose de l'IA : de meilleures décisions, une action plus rapide et des résultats mesurables à partir des données dont elles disposent déjà. C'est difficile à réaliser lorsque le patrimoine de données est fragmenté et difficile à inventorier. Si vous ignorez quelles données existent, où elles se trouvent, qui en est propriétaire et qui y a accès, vous ne pouvez pas les exploiter en toute confiance pour l'IA.

C’est précisément cette lacune que le NetApp^® AI Data Engine a été conçu pour combler. Alimentant la couche de service de données IA de la NetApp Platform, il permet de rendre les données d’entreprise détectables, gouvernées et utilisables pour l’IA dans des environnements hybrides, et tout commence par la découverte.

C’est pourquoi nous annonçons aujourd’hui la disponibilité générale des services de découverte de données et de métadonnées dans le AI Data Engine sur l’ensemble de votre patrimoine de données d’entreprise, que ces données soient hébergées ou non sur NetApp. Un catalogue unique couvre NetApp ONTAP^®, StorageGRID, ainsi que les solutions de stockage NAS et objet tierces via NFS, SMB et S3, sur site et dans le cloud, y compris les services cloud propriétaires basés sur ONTAP et les compartiments S3 d’autres fournisseurs. Le résultat est une visibilité à l’échelle de l’ensemble du patrimoine de données et une base de métadonnées pour connaître vos données avant que l’IA n’agisse sur elles.

La première étape vers des agents dignes de confiance

Les entreprises ont déjà tenté de maîtriser les données non structurées. Les outils disponibles fonctionnaient avec un seul fournisseur à la fois, effectuaient un échantillonnage au lieu d’analyser l’ensemble des données ou exigeaient d’abord de copier les données dans un système distinct, de sorte que le résultat n’offrait qu’une vue partielle déjà obsolète. Plus de 80 entreprises nous ont dit la même chose avant que nous ne construisions cela : un outil qui ne voit que le stockage d’un seul fournisseur ne résout pas le problème.

Les services de découverte de données et de métadonnées sont conçus pour répondre à cette exigence : un catalogue unique couvrant un environnement hétérogène, et non un échantillon et pas seulement les systèmes NetApp. C’est l’architecture qui rend cette portée possible. Il est déployé sous forme de logiciel à côté du stockage que vous possédez déjà, analyse les données sur place sans déplacement des données ni copies, est conçu pour des environnements de plusieurs milliards de fichiers et fonctionne indépendamment du système d’exploitation du stockage, c’est pourquoi il lit les systèmes tiers de la même manière qu’il lit ONTAP. Rien n’est déplacé vers une plateforme distincte, de sorte que les autorisations, la protection et la portée hybride restent intactes.

Il a également été conçu pour les agents, et pas seulement pour les personnes. Le catalogue peut être interrogé via des API ouvertes et des points de terminaison MCP authentifiés, de sorte qu’un agent peut demander ce qui existe et ce qui est pertinent aujourd’hui. Cela en fait un index actif plutôt qu’un rapport de classification, et le premier point de contact de l’IA agentique avec votre environnement.

Valeur immédiate issue des mêmes fondations

La valeur commence dès la première analyse. Le même index à l’échelle de l’environnement qui prépare les données pour l’IA aide également les équipes à récupérer de la capacité, à planifier les migrations et à trouver des données plus largement exposées qu’elles ne devraient l’être. Il ne s’agit pas de fonctionnalités distinctes, mais de différentes utilisations du même index, et tout repose sur les métadonnées, il n’y a donc aucun contenu à extraire, aucun modèle ni GPU à déployer, et rien à déplacer ni à copier :

• Optimisation. Identifiez les données redondantes, obsolètes, dupliquées et périmées dans le stockage NetApp et non-NetApp, organisées par propriétaire et par taille, afin d'adapter l'encombrement et d'éclairer les décisions de hiérarchisation.
• Planification de la migration. Indiquez au catalogue les partages NFS, SMB et S3, NetApp ou non, afin de comprendre ce qui est actif et ce qui importe avant tout déplacement.
• Hygiène d'accès et exposition. Utilisez un inventaire unique dans ONTAP, StorageGRID et le stockage non-NetApp afin de faire apparaître des problèmes tels que les partages ouverts, les clés égarées, les journaux exposés et les données surautorisées.
• La rampe d'accès des agents. Identifiez les fichiers que vous ne souhaitez pas que les agents utilisent, tels que les journaux, les fichiers binaires, les doublons et les données datant de plusieurs années, afin de créer un corpus plus propre et une base plus fiable pour les agents.

Dans un environnement d’entreprise, le service de métadonnées a indexé plus de trois milliards de fichiers en temps quasi réel, sans en déplacer ni en copier aucun. Le filtrage des binaires, des journaux, des doublons et des fichiers que personne n’avait ouverts depuis des années a réduit cet environnement à environ soixante-dix mille documents qu’il valait la peine de fournir à un agent. La même analyse a regroupé les données froides par propriétaire, transformant ainsi un débat sur le nettoyage en une conversation avec des personnes précises, et a fourni à l’équipe des éléments probants pour élaborer un plan de migration pour une plateforme vieillissante qu’elle n’avait pas pu mettre hors service.

De la découverte au graphe de connaissances

La découverte est aujourd'hui généralement disponible aujourd'hui, et constitue le fondement de ce que nous construisons ensuite. L'ordre est important : trouver les données, comprendre ce qu'elles contiennent, relier ce contenu au contexte et à la mémoire qui le transforment en connaissance, puis décider à qui cette connaissance est accessible. Les agents ont besoin de cette connexion, car le contexte et la mémoire sont ce qui crée la connaissance, et la connaissance est ce qui permet une action génératrice de résultats.

La compréhension commence à l'intérieur du fichier. L'extraction de contenu est conçue pour lire ce qu'un document ou un objet contient réellement et identifier ce qui importe à une entreprise : le nom d'un client, un numéro de contrat, une date de renouvellement. Un graphe de connaissances est conçu pour relier ces informations, en associant un client à un contrat, un contrat à un renouvellement et un renouvellement à l'équipe qui en est responsable, afin qu'un agent puisse suivre une relation au lieu de la déduire.

Au-dessus du graphique, un système de décision est conçu pour conserver ce qu'aucun fichier ne contient : ce que l'organisation a décidé, qui l'a décidé et pourquoi. Cette mémoire organisationnelle garantit que les agents restent cohérents avec les choix que l'entreprise a déjà faits.

Une telle richesse de connaissances soulève une question évidente : qui devrait pouvoir l’utiliser ? Les autorisations existantes sont conçues pour être conservées, de sorte que les règles qui protègent déjà les données d’entreprise sont celles qui les protègent pour l’IA. L’activation suit : recherche sémantique et visuelle dans les textes, les images et les vidéos via des protocoles ouverts, et analyses ouvertes permettant à des moteurs comme Starburst de travailler avec des données non structurées sur place. Ces capacités sont en cours de développement et s’appuient sur la base de découverte disponible aujourd’hui.

Tirer davantage profit des données que vous possédez déjà

L'opportunité la plus importante n'est pas un meilleur inventaire. Il s'agit de tirer davantage de valeur des données que vous possédez déjà tout en réduisant la complexité, le coût et les risques liés à leur préparation pour l'IA. La plupart des voies vers la préparation à l'IA vous demandent de déplacer des données ou de mettre en place un stockage distinct : un autre pipeline, un autre ensemble d'autorisations, une autre surface à sécuriser. Cette intelligence fonctionne là où vos données se trouvent déjà, protégées et gérées comme elles le sont aujourd'hui, dans des environnements hybrides, de sorte qu'il y a moins à construire, moins à déplacer et moins d'endroits où vos contrôles peuvent céder. Pour une équipe incapable de mettre hors service une baie en fin de support parce que personne ne pouvait dire ce qu'elle contenait, cette différence représente tout le projet.

Le principe est simple. La fiabilité de l’entreprise agentique dépend entièrement des données sous-jacentes, et ces données vous appartiennent déjà, quel que soit l’endroit où elles se trouvent et quel que soit le stockage sur lequel elles résident. L’enjeu consiste à les rendre détectables, compréhensibles, gouvernées et accessibles sur place afin qu’elles deviennent des connaissances fiables sur lesquelles l’IA peut agir pour générer des résultats commerciaux. Cette première étape est disponible dès aujourd’hui dans l’ensemble de votre environnement, et les capacités permettant de comprendre, de gouverner et d’activer vos données s’appuient sur elle.

Vous pouvez commencer dès aujourd'hui. Les services de découverte des données et de métadonnées sont offerts gratuitement aux clients, sur les stockages NetApp et non-NetApp.

Nous l’aborderons en détail lors de NetApp INSIGHT 2026 à Las Vegas, du 29 septembre au 1er octobre.