−10 % sur votre première commande, hors machines

Inscrivez-vous à la newsletter d’IAboutique et recevez un code de 10 % de réduction, valable une fois sur tout le catalogue sauf les machines IA.

Une utilisation par adresse e-mail, non cumulable avec un autre code. Un e-mail de confirmation vous est envoyé.

IAboutique

IA locale en entreprise

L’IA locale : le modèle tourne sur votre machine, pas chez un fournisseur.

Un LLM local (modèle de langage) tourne sur votre machine, sur vos documents, sans facture au token. Machines dimensionnées à votre besoin au configurateur, en commande en ligne ou sur devis, installation en option.

Cloud ou local

La même IA, deux façons de l’utiliser

Une IA comme ChatGPT tourne d'habitude sur les serveurs d'une entreprise tierce : chaque fois que vous l'utilisez, votre texte part là-bas et vous payez à l'usage. En local, le même type de modèle tourne sur votre machine : ce qu'il traite n'a pas à partir chez un tiers, vous l'achetez une fois, et vous ne dépendez pas d'un quota ou d'un changement de prix décidé ailleurs. Pour une analyse plus poussée (Cloud Act, RGPD, dépendance stratégique), consultez notre guide IA souveraine.

Ce qui est traité en local reste chez vous

Pour les flux traités par l’inférence locale, les documents et les requêtes restent sur votre machine. Ce qui reste dans le cloud est nommé et documenté.

Un achat, pas un abonnement au token

Vous achetez la machine une fois ; l’usage ne fait pas grimper une facture mensuelle.

Vos documents interrogeables

Vous branchez l’IA sur vos fichiers et posez vos questions en langage naturel, chez vous.
Démonstration réelle, 26 à 32 s selon le format, sans son : une question, une réponse générée en direct, non retouchée. Enregistrée le 14/10/2026 sur un Mac mini M4 (24 Go, machine hors catalogue) avec Ollama 0.40.3 et le modèle gemma3:12b ; pour la démo, le moteur était privé d'accès Internet. La vitesse dépend de la machine et du modèle.

Choisir une taille

8B, 32B, 70B : la taille du modèle, pas la vôtre à choisir

Le nombre suivi d'un « B » indique la taille du modèle en milliards de paramètres : plus il est grand, plus il comprend de nuances, mais plus il demande de puissance. Vous n'avez pas à trancher seul — le configurateur choisit le modèle et la machine selon votre besoin.

Voir la gamme complète, notre guide sur Llama 70B pour comparer des modèles ouverts, ou pour un agent qui agit sur vos fichiers plutôt qu'un simple assistant, les agents IA.

Plusieurs sites

Trois façons d’organiser la puissance de calcul quand on a plusieurs sites

Avec plusieurs agences, la question n’est plus « quel PC ? » mais « où mettre la puissance de calcul ? ». Trois montages reviennent, du plus simple au plus robuste.

1. Tout au siège

Un serveur au siège, relié aux trois agences par le réseau de l'entrepriseréseauSiègeserveur de calculAgenceAgenceAgence
Quand la choisir
Quelques agences bien reliées au siège. Une seule machine, bien remplie, et une seule à surveiller : c’est le montage le moins cher par personne.
Sa limite
Si le lien entre l’agence et le siège tombe, l’agence n’a plus d’IA.

2. Une machine par agence

Trois agences, chacune avec sa propre machine, sans lien de calcul entre ellesAgenceSamachineAgenceSamachineAgenceSamachine
Quand la choisir
Agences isolées, ou réseau peu fiable : chaque agence travaille même sans réseau.
Sa limite
Autant de machines à acheter, installer et mettre à jour que d’agences, souvent à moitié vides. C’est le montage le plus cher.

3. Mixte

Un gros serveur au siège, un petit boîtier dans chaque agence, un service en ligne pour les picsSiègegros serveurService en lignepour les picsAgence+ boîtierAgence+ boîtierAgence+ boîtier
Quand la choisir
Un réseau d’agences qui ne doit jamais s’arrêter : le gros modèle tourne au siège, un petit boîtier prend le relais dans l’agence en cas de coupure, et un service d’IA hébergé en France absorbe les pointes.
Sa limite
Plus de pièces à faire tenir ensemble. En secours, l’agence travaille avec un modèle plus petit, et ce qui part vers le service en ligne n’est plus traité chez vous : à décider dans la charte d’usage.

Pour la machine d’une agence ou le boîtier de secours : nos stations et nos DGX Spark / GB10.

Source : comparaison qualitative, notre étude d’octobre 2026.

Dimensionner

Combien de machines pour combien de personnes ?

On ne compte pas les salariés : on compte les conversations qui ont lieu en même temps. Tout le monde n’écrit pas au même moment, et seule une petite part des personnes attend une réponse à un instant donné. Un agent (un programme qui enchaîne des actions sans pause : lire un dossier, chercher, écrire) compte comme une conversation permanente.

Conversations en même temps égale personnes fois part active, plus agents en continu.PersonnesPart activeAgents en continuConversations en même temps

Aucun constructeur ne publie de règle pour la part active : un rapport d’éditeur retient 5 à 10 % des personnes. Pour choisir la machine, on vise ensuite 25 jetons par seconde et par personne (le seuil dit « interactif » de MLPerf), et plus le modèle est gros ou les échanges longs, plus il faut de mémoire et de cartes.

10 personnes

Un seul site

En même temps
0,5 à 1 personne (part active de 5 à 10 %), plus les agents qui tournent en continu.
Ordre de grandeur
Une machine avec une carte graphique de 96 Go, ou un boîtier GB10 de 128 Go (dans ce cas, des modèles de 8 à 30 milliards de paramètres quand plusieurs personnes s’en servent en même temps).
Dans notre catalogue
Nos stations et nos DGX Spark / GB10.

50 personnes

Réparties sur 3 agences

En même temps
2,5 à 5 personnes (part active de 5 à 10 %). Avec les agents, comptez 15 à 25 conversations (hypothèse de calcul).
Ordre de grandeur
Au siège, 2 cartes graphiques de 96 Go (192 Go au total) ; un boîtier GB10 par agence en option.
Dans notre catalogue
Fiche SERVEURIA (2 à 4 cartes), sur devis.

200 personnes

Réparties sur 10 agences

En même temps
10 à 20 personnes (part active de 5 à 10 %). Avec les agents, comptez 50 à 100 conversations (hypothèse de calcul).
Ordre de grandeur
De l’ordre de 8 cartes graphiques de 96 Go (768 Go au total), idéalement réparties sur deux serveurs et deux sites ; un boîtier GB10 par agence en option.
Dans notre catalogue
Au-delà de 4 cartes : étude sur mesure, sur devis.

Au-delà de 10 personnes, le catalogue en ligne ne suffit plus à lui seul : voir nos fiches « Station et serveur IA RTX PRO 6000 » (STATION96 et SERVEURIA) ou une demande de devis sur mesure. Réponse sous 24 h ouvrées.

Le réseau n’est presque jamais le frein

Une réponse qui s’écrit mot à mot consomme de 40 à 260 kbit/s par conversation, d’après notre calcul : c’est très peu. Seule la copie d’un modèle vers une agence est lourde, environ 53 minutes pour 40 Go sur une ligne de 100 Mbit/s.

Sources, notre étude d’octobre 2026. Part active de 5 à 10 % : rapport d’éditeur (iternal.ai, guide de dimensionnement 2026, ratio de 1 pour 10 à 1 pour 20, relu le 15/10/2026). Personnes en même temps : calcul (personnes × part active) ; conversations avec les agents pour 50 et 200 personnes : hypothèses de calcul. Cartes des repères 10, 50 et 200 personnes : ordres de grandeur calculés à partir de MLPerf (seuil interactif de 25 jetons/s par personne) et des réglages vLLM. Réseau : 40 à 260 kbit/s, calcul sur le format des messages de vLLM ; copie de 40 Go : calcul. Ce sont des ordres de grandeur pour choisir une classe de machine, ils ne remplacent pas un essai sur votre usage réel, à faire avant d’acheter.

Sous le capot

Le chemin d’une question, de la page web à la carte graphique

  1. Votre navigateur

    Vous écrivez votre question dans une page web, comme sur un service de chat en ligne. Rien d’autre à utiliser sur votre poste.

  2. L’interface de chat

    par exemple Open WebUI ou LibreChat

    Elle vous reconnaît grâce au compte de l’entreprise, garde vos conversations et transmet la question au reste du système.

  3. La passerelle et les droits

    par exemple LiteLLM

    Un point de passage unique vérifie ce que vous avez le droit de faire, applique un budget à chaque agence et peut renvoyer vers un service en ligne si le siège est saturé.

  4. Le serveur de modèles

    par exemple vLLM

    Ce logiciel fait tourner le modèle d’IA et le partage entre des dizaines de conversations à la fois.

  5. La carte graphique

    Les calculs se font ici, au siège et éventuellement dans un petit boîtier par agence.

  6. La réponse, mot à mot

    Elle repasse par le même chemin et s’affiche au fur et à mesure qu’elle s’écrit. C’est ce flux continu qui occupe le réseau, de 40 à 260 kbit/s.

Et pour une ou deux personnes ?

Un outil simple, comme celui de notre option installation, suffit. Il traite une seule demande à la fois par défaut : au-delà de 2 ou 3 personnes qui écrivent en même temps, mieux vaut un serveur de modèles fait pour servir plusieurs personnes.

Source : chemin d’une question et rôle de chaque logiciel, notre étude d’octobre 2026 (les logiciels cités sont des exemples, pas une liste complète). Débit de 40 à 260 kbit/s : calcul sur le format des messages de vLLM. Comportement par défaut d’Ollama (une demande à la fois) : documentation d’Ollama ; limite de 2 ou 3 personnes en même temps : notre étude, d’après une mesure de Red Hat comparant Ollama et vLLM sur la même carte.

En vidéo

Se former à l’IA locale en vidéo

Toutes les formations en vidéo

C’est quoi l’IA, au juste ?
Un programme entraîné à comprendre et écrire du texte : vous lui posez une question, il répond ; vous lui donnez un document, il le résume. D’habitude, ce modèle tourne sur les serveurs d’une entreprise américaine et votre texte y transite. En local, il tourne sur votre machine.
Qu’est-ce qu’un LLM, et un LLM local ?
LLM veut dire « grand modèle de langage » (large language model) : le programme qui comprend et écrit du texte, derrière ChatGPT, Claude, Mistral ou Llama. Un LLM local est un modèle dont les fichiers sont téléchargés et qui tourne sur votre propre machine : vos requêtes ne partent pas vers un service en ligne. Sa taille se compte en milliards de paramètres (8B, 32B, 70B…) : plus il est gros, plus il demande de mémoire.
Qu’est-ce que le NVIDIA DGX Spark ?
Un boîtier compact qui embarque la puce GB10 (Grace Blackwell) et de la mémoire unifiée pour faire tourner de gros modèles chez vous. Voir le détail sur la page DGX Spark et le configurateur pour dimensionner selon votre besoin.
Que comprend l’option installation et configuration ?
Ollama (moteur d'inférence), Open WebUI (interface de chat), votre modèle choisi pré-téléchargé et testé, système à jour ; le débit mesuré sur votre machine et consigné au procès-verbal de recette ; 1 h de prise en main à distance et un guide « premiers pas » en français. Voir le maintien en condition opérationnelle pour la suite.
Une IA locale remplace-t-elle ChatGPT ou Claude ?
En général pas complètement : les services en ligne les plus puissants peuvent rester devant les modèles qu'on fait tourner chez soi, surtout sur les tâches difficiles, et l'écart varie d'un modèle à l'autre et change vite. Un partage courant : le local pour les documents confidentiels, les tâches répétitives et ce qui tourne en continu ; un service en ligne pour une tâche difficile sans donnée sensible. Le seul vrai test est un essai sur vos propres tâches, c'est ce que prépare le diagnostic.
Mes données restent-elles vraiment chez moi ?
Ce qui est traité en local reste chez vous : le modèle tourne sur votre machine. Mais le reste du montage compte autant. Un service laissé accessible depuis Internet, une extension ou un outil branché sur un service en ligne, un module ajouté par un tiers ou un logiciel qui envoie ses statistiques d'usage à son éditeur peuvent faire sortir des données. Vérifiez le réglage de chaque outil, et décidez par écrit ce qui a le droit d'aller dans le cloud. Voir le guide IA souveraine.
Mémoire unifiée ou carte graphique : que choisir ?
Avec une mémoire unifiée, le processeur et la puce graphique se partagent une même grande mémoire : on y loge de gros modèles dans un boîtier compact, comme sur nos DGX Spark / GB10. Une carte graphique dédiée, comme sur notre STATION96, a sa propre mémoire, en général lue plus vite, ce qui aide à répondre vite à plusieurs personnes. Le bon choix dépend du modèle voulu et du nombre de personnes : le configurateur fait le calcul.
Puis-je utiliser un modèle ouvert, et ce qu’il produit, pour mon activité ?
Cela dépend de la licence du modèle, pas du fait qu’il tourne chez vous. Certaines licences autorisent l’usage commercial, d’autres l’interdisent ou le limitent (usage de recherche seulement, seuil de revenu, zone géographique). Lisez la licence sur la page officielle du modèle avant de l’employer pour un travail facturé, et gardez-en la référence. En cas de doute sur un cas précis, demandez un avis juridique.
Quelle formation pour prendre l’outil en main ?
La formation IA locale & souveraine, sur devis. Pour un usage par métier, voir les cas d'usage.

Lexique

Les mots du guide, expliqués simplement

Un mot vous échappe ? Voici ceux qui reviennent le plus sur cette page. Ce sont des définitions simplifiées, pour comprendre, pas des définitions techniques complètes.

Afficher les 12 définitions
Inférence
Faire tourner un modèle déjà entraîné pour obtenir une réponse. C’est ce que fait votre machine quand vous posez une question ; l’entraînement, beaucoup plus lourd, a été fait avant par l’éditeur du modèle.
Modèle ouvert
Un modèle dont l’éditeur publie les fichiers : vous pouvez les télécharger et les faire tourner chez vous. Ce n’est pas toujours de l’open source complet, et la licence fixe ce que vous avez le droit d’en faire, y compris pour une activité payante.
Jeton
L’unité de texte que le modèle lit et écrit : un morceau de mot, parfois un mot entier. Un mot long ou peu courant en demande souvent plusieurs.
Jetons par seconde (débit)
La vitesse à laquelle le modèle écrit sa réponse. Les débits affichés pour nos machines (fiches, configurateur, comparateur) sont des estimations calculées, pas des mesures : avec l’option installation, le débit réel est mesuré sur votre machine et consigné au procès-verbal de recette.
Contexte
La quantité de texte que le modèle garde en tête dans une conversation : votre question, ses réponses et les documents joints. Au-delà de cette limite, il « oublie » le début.
Cache KV
La mémoire où le modèle garde ce qu’il a déjà lu de la conversation pour ne pas tout relire à chaque mot. Plus le contexte est long et plus il y a de conversations en même temps, plus elle prend de place, en plus du modèle lui-même.
Quantification
Compresser un modèle pour qu’il prenne moins de place en mémoire. Il tient alors sur une machine plus modeste, au prix d’une qualité parfois un peu moindre.C’est comme… Une photo plus compressée : plus légère, un peu moins nette.
Mémoire unifiée
Une seule mémoire partagée entre le processeur et la puce graphique, comme sur nos DGX Spark / GB10. On peut y loger de gros modèles, mais elle est en général lue moins vite que la mémoire d’une carte graphique dédiée.
VRAM
La mémoire propre à une carte graphique. Pour répondre vite, le modèle doit y tenir en entier.C’est comme… Un meuble qui doit passer la porte : s’il est plus large que l’ouverture, il ne rentre pas, même si la pièce est immense.
Bande passante de la mémoire
La vitesse à laquelle la mémoire est lue. Elle limite la vitesse d’écriture du modèle : plus le modèle est gros, plus elle pèse sur le débit.
Modèle « à experts » (MoE)
Un modèle composé de nombreux petits spécialistes, dont seuls quelques-uns travaillent à chaque mot. Il faut la mémoire pour tous, mais il écrit plus vite qu’un modèle « dense » de taille comparable.C’est comme… Une grande équipe où chacun a son bureau, mais où l’on ne consulte que quelques personnes par question.
RAG
Avant de répondre, le modèle va chercher les passages utiles dans vos documents et s’appuie dessus.C’est comme… Un élève qui a le droit d’ouvrir son classeur pendant l’examen.

À lire aussi

Pour continuer

Quelle machine pour vos usages ?

Répondez à quelques questions : on vous dit quelle machine il vous faut et ce qu’elle fait tourner. Sans engagement.