Flutter vs React Native : lequel choisir en 2026 ?
Flutter vs React Native en 2026 : performances, écosystème, recrutement et coût sur 3 ans. Notre comparatif honnête et notre grille pour choisir.
L'IA locale consiste à faire tourner un modèle de langage sur une infrastructure que vous contrôlez, pour que vos documents ne quittent jamais votre périmètre. Pour la santé, le juridique, les RH ou l'industrie, c'est parfois la seule option viable. Voici comment choisir entre Ollama, vLLM, Mistral et cloud souverain, avec les vrais compromis de coût et de qualité.
Ces trois termes sont souvent confondus, alors qu'ils décrivent trois choses différentes. Une IA locale est un modèle exécuté sur une machine que vous maîtrisez (poste, serveur interne, cluster privé). Une IA souveraine garantit en plus la maîtrise de la juridiction, de l'opérateur et de la réversibilité. Un modèle open source (ou plus exactement open weight) est un modèle dont les poids sont téléchargeables.
Un LLM local peut très bien utiliser un modèle sous licence restrictive. À l'inverse, un modèle open weight peut tourner chez un hébergeur américain. Les trois critères sont indépendants, et il faut les vérifier séparément.
Point de vigilance : la licence. Certains modèles « ouverts » limitent l'usage commercial ou la redistribution. Lisez-la avant de bâtir un produit dessus.
La souveraineté ne se résume pas au pays du datacenter. Un fournisseur européen détenu par une maison mère étrangère peut rester exposé au Cloud Act, la loi américaine qui permet aux autorités des États-Unis de demander l'accès à des données détenues par des entreprises américaines, y compris hors de leur territoire.
Quatre questions à poser : qui possède le fournisseur, qui a des accès administrateur, où sont les sauvegardes, et pouvez-vous migrer sans dépendre de lui.
Garder ses données chez soi devient nécessaire quand les documents traités sont réglementés, couverts par le secret des affaires ou contractuellement interdits de sortie. Dans les autres cas, une API bien contractualisée reste souvent acceptable.
Le RGPD n'interdit pas les API d'IA. Il impose de maîtriser la base légale, le rôle de sous-traitant, les transferts hors Espace économique européen et la durée de conservation des prompts. La CNIL publie des recommandations pratiques sur le sujet.
Une IA locale réduit la surface d'exposition. Elle ne dispense pas de documenter le traitement ni de gérer les habilitations.
Chez Fragments Studio, on observe que la demande d'IA locale vient presque toujours de l'une de ces situations :
L'AI Act classe les usages par niveau de risque. Un modèle local ne rend pas un usage conforme : c'est le cas d'usage qui détermine les obligations. En revanche, il facilite la traçabilité, l'audit des journaux et la maîtrise des versions.
Notre guide de conformité AI Act pour les PME détaille ces obligations.
Il n'existe pas d'option unique : Ollama sert à prototyper, vLLM à industrialiser, Mistral fournit des modèles déployables en Europe, et le cloud souverain (OVHcloud, Scaleway) évite d'acheter des GPU. Le bon choix dépend du volume, de la sensibilité et de vos compétences d'exploitation.
| Option | Atout principal | Limite | Usage recommandé |
|---|---|---|---|
| Ollama | Installation en une commande, API locale | Concurrence limitée | Prototype, peu d'utilisateurs |
| vLLM | Débit élevé, multi-GPU | Exploitation plus technique | Production multi-utilisateurs |
| Modèles Mistral | Open weight, éditeur européen | Licence à vérifier selon le modèle | Données sensibles, contexte européen |
| Cloud souverain | Pas d'achat de matériel | Coût récurrent, dépendance | Charge variable, hébergement UE |
| API propriétaire | Qualité maximale | Flux de données sortants | Données non sensibles |
Ollama est un runtime qui télécharge et exécute un modèle en local, avec une API compatible OpenAI. Il permet de tester trois modèles dans la journée. Il n'est pas conçu pour la forte concurrence, la haute disponibilité ou le monitoring fin.
vLLM est un moteur d'inférence qui exploite efficacement la mémoire GPU grâce au continuous batching, c'est-à-dire le regroupement dynamique des requêtes concurrentes. Il expose aussi une API compatible OpenAI. Il demande en échange des compétences en conteneurs, pilotes GPU et supervision.
Mistral AI propose des modèles via API et des modèles open weight que vous pouvez déployer sur votre propre infrastructure, par exemple avec vLLM. Pour une architecture reposant sur ces modèles, consultez notre page intégration Mistral.
OVHcloud et Scaleway louent des GPU dans des datacenters européens. Vérifiez au moment du projet les certifications (comme SecNumCloud, la qualification de l'ANSSI pour les clouds de confiance) et les garanties contractuelles : elles varient selon les offres.
Nous déployons régulièrement sur OVHcloud, et la logique de déploiement conteneurisé rejoint celle de notre article sur la migration vers ECS Express Mode.
Un LLM local est rarement moins cher qu'une API à faible volume : son vrai bénéfice est le contrôle. Selon un comparatif Qovery sur les GPU européens, en dessous d'environ 20 milliards de tokens par mois pour un modèle de classe 70B, l'auto-hébergement relève davantage de la souveraineté que de l'économie.
Le même benchmark Qovery relève un H100 PCIe à 2,87 € de l'heure chez Scaleway. Pour une machine allumée en continu, cela représente environ 2 000 € par mois, avant stockage et réseau.
L'achat de matériel ne devient rentable que si la charge est stable et fortement utilisée.
Le coût humain est le plus souvent sous-estimé. Un service LLM doit être traité comme un service critique :
Notre position est claire : sans personne responsable de l'exploitation, un LLM local devient vite plus coûteux que l'API qu'il remplace.
Les modèles propriétaires restent en général devant sur le raisonnement complexe, la multimodalité et le suivi de consignes longues. Les modèles open weight sont en revanche très compétitifs sur l'extraction, la classification et la synthèse de documents spécialisés.
Ne vous fiez pas aux classements génériques. Construisez un jeu de tests avec vos propres documents anonymisés, et mesurez l'exactitude, le taux d'hallucination, le respect du format, la latence et le coût par requête. Un petit modèle bien choisi bat souvent un gros modèle sur une tâche ciblée.
Une architecture d'IA locale place le modèle derrière une passerelle interne qui gère les droits, la journalisation et l'accès aux documents. Le principe de recherche documentaire est détaillé dans notre article sur le RAG et les données d'entreprise : ici, nous nous concentrons sur l'infrastructure.
Le flux type suit cinq étapes :
La bonne approche est souvent hybride : données sensibles sur infrastructure maîtrisée, API externe pour les usages non confidentiels.
Qu'est-ce qu'une IA locale ?
Une IA locale est un modèle de langage exécuté sur une machine ou une infrastructure que vous contrôlez, sans envoyer vos documents à un fournisseur externe. Elle réduit l'exposition des données mais ne dispense pas de documenter le traitement au titre du RGPD.
Quelle est la différence entre IA locale et IA souveraine ?
L'IA locale décrit où le modèle s'exécute. L'IA souveraine ajoute la maîtrise de la juridiction, de l'opérateur et de la réversibilité. Un cloud européen peut être souverain sans être local, et un serveur local peut dépendre d'un modèle ou d'un fournisseur étranger.
Comment faire tourner un LLM sur ses propres données ?
Pourquoi l'IA souveraine est-elle importante pour une PME ?
Parce que les données sensibles (santé, contentieux, RH, industrie) engagent la responsabilité juridique de l'entreprise. Maîtriser où elles sont traitées protège aussi le secret des affaires et évite une dépendance exclusive à un fournisseur.
L'IA locale n'est ni une solution universelle ni une économie automatique : c'est un choix de contrôle. Ollama valide un usage, vLLM le met en production, Mistral apporte des modèles déployables en Europe et le cloud souverain évite l'investissement matériel.
Le bon arbitrage repose sur trois variables : la sensibilité de vos données, votre volume de requêtes et la qualité attendue. Commencez petit, mesurez sur vos propres documents, puis dimensionnez.
Un LLM sur vos données se décide sur des critères d'architecture, de conformité et de coût. Nous pouvons vous aider à trancher puis à déployer.
Suivez Fragments Studio sur Google
Ajoutez-nous à vos sources préférées : nos articles remontent alors en priorité dans Top Stories, les AI Overviews et l'AI Mode.
Fragments Studio s'occupe de tout : de la stratégie à la mise en production.
Discuter de mon projet