IA en local : 6 moteurs, 14 critères, 3 649 € de Mac mini
Ollama, LM Studio, Jan, llama.cpp, vLLM, MLX : lequel faire tourner dans votre PME, et lequel laisser aux développeurs.
Votre cabinet, votre agence ou votre atelier veut une IA qui ne renvoie aucun prompt vers un serveur américain. La réponse standard tient en un mot : « local ». Le choix du moteur, lui, ne tient pas en un mot. Ollama, LM Studio, Jan, llama.cpp, vLLM, MLX : six noms, six philosophies, et des écarts de performance qui changent de signe selon la machine.
La thèse de ce comparatif est simple. Pour une PME, le bon moteur local dépend d'abord du nombre de personnes qui l'interrogent en même temps, ensuite de la machine, et seulement en dernier de la vitesse brute. Les trois quarts des comparatifs que l'on trouve en ligne font l'inverse. Nous avons croisé onze sources publiées entre mars et octobre 2026 : benchmarks indépendants, documentation officielle, étude de sécurité, position de la CNIL et tarifs de revendeurs français. Nous n'avons pas refait ces tests nous-mêmes, et nous le disons à chaque fois qu'un chiffre vient d'un tiers. Ce qui suit s'adresse aux dirigeants de PME, aux responsables IT et aux freelances qui traitent des données clients.
Pourquoi choisir un moteur d'IA locale avant de choisir un modèle
On commence presque toujours par le modèle : Qwen, Gemma, Mistral, gpt-oss. C'est une erreur d'ordre. Le moteur décide de ce que vous pouvez servir à plusieurs personnes, de ce qui s'expose sur votre réseau, et de la facilité avec laquelle un collègue non technique s'en sert. Le modèle, lui, se change en une commande.
Le contexte a bougé depuis nos articles précédents. Nous avions comparé le coût d'un portail maison dans ChatGPT Business ou Open WebUI pour 20 salariés, et détaillé un déploiement outillé dans Claude Code sur votre serveur. Ce qui manquait, c'est le maillon du milieu : le moteur qui fait tourner les poids. Depuis mars, Ollama a ajouté un backend MLX pour les Mac, LM Studio a sorti son démon sans interface, et les modèles open-weights tiennent désormais dans 16 à 24 Go de mémoire. Le sujet vaut une mise à jour.
Un mot sur le vocabulaire. Un moteur d'inférence charge un fichier de poids en mémoire et répond à vos requêtes. Il expose en général une API compatible OpenAI, ce qui permet de brancher n8n, Open WebUI ou un script Python sans changer une ligne. Ollama, LM Studio et Jan s'appuient tous sur llama.cpp pour l'essentiel du calcul sur GGUF, comme le rappelle le comparatif de Tech Insider. À modèle, quantification et réglages identiques, leur vitesse reste donc proche. Les vraies différences sont ailleurs.
Les six moteurs en une page : licence, public, prix
Commençons par la photo d'ensemble. Les licences comptent plus qu'il n'y paraît : une PME qui équipe dix postes veut savoir si elle peut le faire gratuitement et légalement.
| Moteur | Public visé | Interface | Licence | Prix |
|---|---|---|---|---|
| Ollama | Développeurs, équipes techniques | Ligne de commande + API (port 11434) | Open source | Gratuit |
| LM Studio | Débutants, postes individuels | Application graphique + CLI lms + démon llmster | Propriétaire, gratuit pour un usage pro | Gratuit (offres Teams/Enterprise payantes) |
| Jan | Vie privée, poste isolé | Application de bureau | Open source | Gratuit |
| llama.cpp | Intégrateurs, matériel atypique | Binaire llama-server | Open source | Gratuit |
| vLLM | Serveurs GPU, production multi-utilisateurs | API uniquement | Open source | Gratuit (coût GPU) |
| MLX / mlx-lm | Mac, vitesse maximale | Bibliothèque Python | Open source | Gratuit |
Un point mérite d'être clarifié, car il bloque encore des directions juridiques : LM Studio n'est pas open source, mais il est gratuit en entreprise depuis juillet 2025. L'éditeur l'écrit noir sur blanc dans son billet « LM Studio is free for use at work » : plus de licence commerciale, plus de formulaire. Si votre revue juridique date d'avant, elle est périmée. Les fonctions d'équipe (SSO, contrôle des modèles) restent, elles, dans des offres payantes.
Pour Jan, la page d'accueil annonce « free & open source », plus de 7 millions de téléchargements et environ 45 000 étoiles GitHub, ainsi que deux gammes, Jan Desktop et Jan Agent. Au moment de notre lecture, la mémoire entre sessions y figure encore comme « bientôt disponible ». Les sources divergent sur la licence exacte (Apache 2.0 pour certaines, MIT pour une autre) : vérifiez le dépôt avant de l'inscrire dans une charte.
Vitesse : l'ordre s'inverse selon la machine
C'est le résultat le plus instructif de notre lecture. InventiveHQ a publié en juin 2026 (mis à jour en août) un benchmark à protocole ouvert : même modèle (Qwen2.5-Coder-7B en Q4), 12 prompts répartis sur 5 catégories de tâches, tous passés par l'API compatible OpenAI, avec le code et les données sur GitHub.
| Moteur | RTX 5060 Ti (16 Go) | Écart vs llama.cpp | MacBook M3 Max (36 Go) | Écart vs llama.cpp |
|---|---|---|---|---|
| llama.cpp direct | 77,0 tok/s | – | 53,5 tok/s | – |
| LM Studio | 76,8 tok/s | 0,3 % | 38,2 tok/s | 29 % |
| Ollama | 69,1 tok/s | 10,3 % | 46,2 tok/s | 14 % |
Lecture : sur la carte NVIDIA, LM Studio colle à llama.cpp et Ollama traîne de 8 à 14 % selon la tâche. Sur le Mac, c'est LM Studio qui décroche. Les auteurs attribuent ce retard à une version de llama.cpp embarquée en retrait de la branche principale, et précisent que leur test ne couvre que deux machines et un seul modèle. Nous ajoutons une réserve : l'éditeur du benchmark vend ses propres outils. Les chiffres sont reproductibles, ce qui est précisément ce qu'on attend d'une source.
Deuxième enseignement, côté Mac : le moteur GGUF n'est plus la référence. Selon Codersera (mai 2026), MLX tourne à environ 130 tok/s sur un Mac mini M4 Pro avec Qwen3-Coder-30B-A3B, contre environ 89 tok/s pour llama.cpp en Metal, soit un gain de 1,4 à 1,6 fois sur les modèles denses et jusqu'à 3 fois sur les modèles à experts. L'article mélange toutefois machines et modèles d'un benchmark à l'autre : prenez ces chiffres comme un ordre de grandeur, pas comme un classement.
Ollama l'a compris. Sa version 0.19, annoncée le 30 mars 2026 dans le billet officiel sur MLX, annonce pour Qwen3.5-35B-A3B un passage de 1 154 à 1 810 tokens/s en pré-remplissage et de 58 à 112 tokens/s en génération. Conditions à lire avant de s'enthousiasmer : l'éditeur compare un nouveau format (NVFP4) à l'ancien (Q4_K_M), le test date du 29 mars, il faut un Mac avec plus de 32 Go de mémoire unifiée, et l'aperçu ne concernait au départ qu'un seul modèle. Le mois d'octobre en est à la version 0.40.10 : le support s'est élargi, mais vérifiez que votre modèle est couvert avant de promettre un doublement de débit à votre direction.
Notre avis : pour un usage individuel, ces écarts de 10 à 30 % ne justifient pas de changer d'outil. Un résumé de contrat qui prend 14 secondes au lieu de 11 ne bloque personne. La vitesse devient critique à un seul endroit, la charge multi-utilisateurs, et c'est le point suivant.
Plusieurs utilisateurs en même temps : le mur d'Ollama
C'est la section qui fait économiser le plus d'argent, et celle que les tutoriels omettent. Une équipe de 10 personnes n'envoie pas une requête à la fois.
Red Hat a publié en août 2025 un benchmark Ollama contre vLLM : un GPU A100 de 40 Go, Llama-3.1-8B-Instruct sur les deux moteurs, la charge montant de 1 à 256 utilisateurs simultanés. Résultats rapportés par Digital Applied :
- un seul utilisateur : les deux moteurs sont au coude-à-coude, autour de 130 à 180 tok/s ;
- huit utilisateurs : 187 tok/s pour vLLM, 82 pour Ollama réglé ;
- pic de charge : 793 tok/s pour vLLM, 41 pour Ollama, soit environ 19 fois plus ;
- latence P99 au pic : 80 ms pour vLLM, 673 ms pour Ollama.
Le mécanisme est connu. vLLM regroupe les requêtes en continu (continuous batching) et gère sa mémoire par pages. Ollama, par défaut, place les requêtes en file d'attente : son plafond OLLAMA_NUM_PARALLEL est à 4, et Red Hat n'a pas réussi à combler l'écart même en le montant à 32. Précision d'honnêteté : Red Hat vend un produit fondé sur vLLM, et ce test date de plus d'un an. Un essai indépendant (Robert McDermott, 2 GPU RTX A6000, Qwen3 14B) va dans le même sens, avec jusqu'à 3,23 fois plus de requêtes par seconde pour vLLM à 128 requêtes simultanées. L'ordre de grandeur est donc robuste, le chiffre exact l'est moins.
Et LM Studio ? Selon Codersera, le traitement par lots continu est arrivé dans la version 0.4.0 de janvier 2026, puis a été étendu à MLX dans la 0.4.2 en février. Le comparatif de Rost Glukhov, plus ancien, classe encore LM Studio comme mono-utilisateur sans authentification : la lecture des dates compte. Pour une équipe de 3 à 5 personnes qui pose des questions de temps en temps, les deux tiennent. Pour 20 personnes qui lancent des résumés de documents à 9 h 05, non.
Combien d'utilisateurs simultanés sur un Mac mini ?
Aucune des sources que nous avons lues ne donne de chiffre fiable pour un Mac mini, et nous n'en inventerons pas. Ce que l'on sait : la bande passante mémoire borne le débit, et la mémoire disponible borne le nombre de conversations en cache. Un guide pour PME cité par IA Cyber Sécurité propose 1 500 à 3 000 € pour 2 à 10 utilisateurs et 3 000 à 10 000 € avec un serveur GPU de 10 à 50 utilisateurs. Ce sont des fourchettes de conseil, pas des mesures. Notre règle de prudence : au-delà de 10 utilisateurs réguliers, demandez un test de charge à votre prestataire avant d'acheter.
Quel matériel et combien coûte une IA locale en France
La question prix, tapée telle quelle dans Google, arrive juste après « est-ce légal ». Voici les repères constatés ce mois-ci.
Le Mac mini M5 Pro a été lancé à 1 999 € en version 24 Go / 512 Go. Chez LDLC, la version 64 Go / 1 To (CPU 18 cœurs, GPU 20 cœurs) s'affiche à 3 649 €, et la 64 Go / 2 To à 4 199 €. Chez Inmac, une configuration 64 Go / 1 To (CPU 15 cœurs, GPU 16 cœurs) est affichée 3 428,99 € avec Ethernet 2,5 Gb. Nous n'avons pas pu confirmer le tarif de la page Apple France pour cette configuration : vérifiez-le avant de commander.
Que loge-t-on dans ces mémoires ? Les tailles Ollama relevées par BriefIA (septembre 2026) et Analytics Vidhya :
| Mémoire | Modèle réaliste | Taille sur disque (Ollama) | Contexte |
|---|---|---|---|
| 16 Go | gpt-oss-20b (Apache 2.0) | ~14 Go | 128K |
| 24 Go | Gemma 4 26B A4B, Qwen3.6 27B, Qwen3-Coder 30B | ~18 à 19 Go | jusqu'à 256K |
| 32 Go | Qwen3.6 35B | ~23 Go | 256K |
| 48 à 64 Go | Llama 3.3 70B quantifié | ~43 Go | 128K |
Ces guides ne présentent aucun test de vitesse : ce sont des points de départ, pas des garanties, et les deux sites le précisent. La règle de calcul de Digital Applied aide à vérifier : en Q4_K_M, un modèle de 7 milliards de paramètres pèse environ 4,2 Go, un 30B environ 18 Go, un 70B environ 42 Go, avant le cache de contexte qui, sur un 70B, passe d'environ 1,6 Go à 2 000 tokens à plus de 42 Go à 128 000.
Notre lecture du budget : pour 1 à 3 personnes, un Mac mini 24 à 32 Go suffit pour la rédaction, le résumé et l'extraction. Le 64 Go à 3 649 € se justifie si vous voulez un modèle de 70B ou des contextes longs. Il ne se justifie pas « pour être tranquille ». À titre de repère, 3 649 € représentent environ 15 mois de 20 licences à 12 € par mois, ordre de grandeur à comparer avec le coût réel de votre abonnement actuel, que nous détaillons dans le budget IA réel d'une PME.
Sécurité : le piège du « 0.0.0.0 »
Voici le chiffre qui devrait figurer en tête de toute charte d'IA locale. En janvier 2026, SentinelOne et Censys ont publié leur étude : 175 108 hôtes Ollama uniques joignables depuis Internet, dans 130 pays, observés sur 293 jours. Plus de 48 % annoncent la capacité d'appeler des outils, c'est-à-dire d'exécuter du code ou d'interroger des API. La France figure dans les cinq premiers pays.
Aucun de ces serveurs n'a été « piraté ». Ollama écoute par défaut sur 127.0.0.1:11434, sans mot de passe. Pour que d'autres postes l'utilisent, quelqu'un change OLLAMA_HOST en 0.0.0.0 et oublie le pare-feu. The Hacker News relaie les risques : détournement de la puissance de calcul pour du spam, de la désinformation ou du minage, un usage baptisé « LLMjacking ».
La leçon dépasse Ollama. Dès que vous ouvrez un moteur à votre réseau local, il devient une infrastructure comme une autre. Quatre gestes minimaux :
- garder le moteur sur
127.0.0.1et placer devant lui un proxy avec authentification (Open WebUI ou un reverse proxy) ; - n'ouvrir le port sur aucune interface publique, vérifier avec un scan depuis l'extérieur ;
- couper les outils et les fonctions cloud (modèles hébergés, recherche web, accès à distance) que certains moteurs proposent, car les données quittent alors la machine ;
- chiffrer les disques des postes (FileVault, BitLocker) : un portable perdu avec l'historique des conversations est une violation de données.
Sur ce critère, le moteur le plus sûr est souvent celui qu'on ne peut pas ouvrir par erreur : une application de bureau sans serveur réseau. C'est l'argument de Jan et de LM Studio en usage poste seul. À l'inverse, vLLM exposé sans jeton d'authentification est aussi vulnérable qu'Ollama.
RGPD et IA locale : ce que l'auto-hébergement ne règle pas
« Local » ne veut pas dire « conforme ». Cette confusion revient dans chaque réunion de direction que nous avons documentée. La CNIL recommande de privilégier les solutions sur site quand on fournit des données personnelles ou une documentation sensible à une IA, parce qu'elles limitent les risques d'extraction par des tiers. Elle reconnaît aussi que le coût fait souvent préférer un hébergement distant sous contrat de sous-traitance.
Ce que le serveur local règle : vos prompts restent chez vous. Ce qu'il ne règle pas, d'après le guide de Sylvain Jacquemard (octobre 2026) :
- l'analyse d'impact (AIPD), non systématique mais nécessaire en cas de risque élevé, par exemple pour l'analyse de candidatures ou les données de santé ;
- l'information du DPO et la mise à jour du registre des traitements ;
- la durée de conservation des conversations, stockées sur le poste ;
- la vérification de la licence commerciale du modèle choisi, qui n'est pas celle du moteur.
Le calendrier réglementaire pèse aussi. Les obligations de transparence de l'AI Act sont applicables depuis le 2 août 2026, et le haut risque (annexe III, dont le recrutement) a été repoussé au 2 décembre 2027. Nous détaillons les conséquences dans notre analyse de l'omnibus et dans notre guide d'hébergement. Pour le tri de CV, le piège est décrit dans l'article sur la CNIL et les CV : un modèle local qui trie des candidatures reste un traitement à risque.
Les 14 critères : le tableau de synthèse
Nous notons chaque moteur de 1 à 5 à partir des sources lues. Ce n'est pas une moyenne mathématique à afficher en comité de direction : c'est une grille de lecture. Les notes de « vitesse » reflètent le benchmark InventiveHQ, celles de « multi-utilisateurs » le test Red Hat, et le reste la documentation et les comparatifs cités.
| Critère | Ollama | LM Studio | Jan | llama.cpp | vLLM | MLX |
|---|---|---|---|---|---|---|
| 1. Installation | 4 | 5 | 5 | 3 | 1 | 2 |
| 2. Interface graphique | 1 | 5 | 4 | 1 | 1 | 1 |
| 3. Vitesse sur NVIDIA | 3 | 5 | 4 | 5 | 5 | n/a |
| 4. Vitesse sur Mac | 4 | 3 | 3 | 4 | 1 | 5 |
| 5. Multi-utilisateurs | 2 | 3 | 1 | 2 | 5 | 1 |
| 6. Authentification intégrée | 1 | 1 | 1 | 2 | 4 | 1 |
| 7. API compatible OpenAI | 5 | 5 | 3 | 5 | 5 | 2 |
| 8. Appel d'outils / agents | 3 | 3 | 2 | 3 | 5 | 2 |
| 9. Licence / ouverture | 5 | 3 | 5 | 5 | 5 | 5 |
| 10. Formats de modèles | 3 | 4 | 3 | 3 | 4 | 3 |
| 11. Surcharge mémoire au repos | 5 | 3 | 3 | 5 | 3 | 5 |
| 12. Risque d'exposition réseau | 2 | 4 | 5 | 3 | 2 | 5 |
| 13. Coût d'exploitation (temps IT) | 4 | 5 | 5 | 3 | 1 | 2 |
| 14. Adapté à 10+ utilisateurs | 2 | 2 | 1 | 2 | 5 | 1 |
Quelques justifications. La surcharge mémoire (critère 11) : selon Tech Insider, Ollama consomme 100 à 200 Mo au repos, contre 400 à 600 Mo pour LM Studio et Jan, des applications Electron. Le critère 10 : vLLM privilégie safetensors, AWQ, GPTQ et FP8, avec un GGUF encore expérimental, alors que LM Studio lit GGUF et safetensors et que Jan et Ollama se limitent largement au GGUF. Enfin, les notes de tool calling de Jan et LM Studio viennent d'un comparatif qui date de plusieurs mois : si vous bâtissez des agents, testez la version actuelle avant de vous engager.
Ollama pour les équipes, LM Studio pour les postes : le bon duo selon la taille
Plutôt que de couronner un gagnant, voici la décision par profil. Nous avons écarté les options qui ne servent qu'à rassurer.
Freelance ou dirigeant seul, données clients sensibles : LM Studio, ou Jan
Une application, un double-clic, un catalogue de modèles qui indique si votre mémoire suffit. LM Studio est gratuit en usage professionnel, lit GGUF et MLX côte à côte et sait désormais tourner sans interface via llmster. Prenez Jan si l'open source est une exigence contractuelle ou si vous voulez une application strictement locale. Son API et ses outils sont moins mûrs : n'en faites pas le cœur d'un workflow automatisé.
Équipe de 3 à 15 personnes : Ollama + Open WebUI
C'est la combinaison que revendiquent la plupart des guides techniques pour une équipe. Ollama sert, Open WebUI donne les comptes, l'historique et l'authentification. Vous gagnez la couche que le moteur n'a pas, et vous évitez d'exposer le port 11434. Pensez à fixer la fenêtre de contexte : par défaut, Ollama limite le contexte à 4 096 tokens sous 24 Go de VRAM, alors que sa propre documentation recommande au moins 64 000 pour les agents et le code. Contrôlez avec ollama ps que le modèle tourne bien à 100 % sur le GPU. Nous comparions déjà le coût d'un tel portail dans notre article ChatGPT Business contre Open WebUI.
Plus de 15 utilisateurs réguliers, ou pipelines de traitement en masse : vLLM, mais pas sans prestataire
vLLM est le seul moteur de ce comparatif conçu pour la charge. Il demande aussi ce que Codersera résume par « une journée de devops » : Python, CUDA ou ROCm, NCCL. Si personne chez vous ne sait lire un journal de pilote GPU, n'achetez pas de serveur GPU pour l'exploiter vous-même. Passez par un hébergeur souverain, comme dans notre comparatif des API IA souveraines.
Intégrateur, matériel atypique : llama.cpp
Un binaire statique d'environ 5 Mo, le moins de surcharge, des backends Metal, CUDA, ROCm, Vulkan, SYCL et CPU. C'est l'outil de ceux qui embarquent un modèle dans un produit ou une machine isolée, pas celui d'une assistante de direction.
Mac haut de gamme, vitesse prioritaire : MLX, via Ollama ou LM Studio
N'installez pas MLX en direct sauf si vous lisez du Python. Ses gains arrivent déjà dans Ollama (0.19 et suivantes) et dans LM Studio. Contrôlez simplement que votre modèle est disponible au format MLX.
Le prix caché : ce qu'une IA locale coûte vraiment en temps
Le tableau des coûts est trompeur si l'on oublie le temps humain. Le moteur est gratuit. Pas l'heure de l'informaticien qui met à jour les modèles, surveille la mémoire, règle le contexte et répond au collègue dont la requête a bloqué la file.
Chaque outil conserve sa propre copie des modèles téléchargés, ce qui double l'espace disque si vous testez deux moteurs sur la même machine. Les versions changent vite : les tests cités dans cet article sont déjà datés de plusieurs mois, et InventiveHQ le dit lui-même, ses écarts « reflètent des versions et des réglages par défaut ». Prévoyez une demi-journée par trimestre pour réévaluer.
Il y a aussi la question de la qualité. Un modèle de 20 à 35 milliards de paramètres sur un Mac mini rédige correctement un courriel, résume un contrat et extrait des champs. Il ne remplace pas un modèle frontier sur un raisonnement long ou du code complexe. C'est pour cela que beaucoup d'équipes finissent en mode hybride : le local pour les documents sensibles, un abonnement cloud pour le reste. Cette stratégie multi-modèles est aussi la meilleure parade au risque décrit dans notre article sur la dépendance à un seul fournisseur. Pour le cloud, notre comparatif Claude PME et ChatGPT Business donne les prix.
Notre verdict détaillé : qui devrait s'y mettre, qui devrait attendre
Disons-le sans détour : l'IA locale n'est pas pour tout le monde, et le marketing des guides de revendeurs fait croire le contraire. Plusieurs des sources que nous avons lues sont écrites par des vendeurs de matériel ou des éditeurs. Cela ne les invalide pas, cela impose de recouper.
À faire maintenant si vous traitez des dossiers de santé, des pièces juridiques, des données RH ou des contrats clients, et que la direction juridique refuse l'envoi vers un cloud étranger. Prenez LM Studio sur un Mac 32 Go, un modèle de 20 à 35 milliards de paramètres, et mesurez trois semaines.
À faire en deux temps si vous êtes une équipe de 5 à 15 personnes : pilote sur un poste, puis Ollama et Open WebUI sur une machine dédiée, derrière un reverse proxy, avec un test de charge réel avant l'extension.
À ne pas faire : ouvrir un port, acheter un serveur GPU « pour voir », ou considérer le local comme une conformité RGPD acquise. Si l'essentiel de votre usage est de la rédaction non sensible, un abonnement cloud bien cadré coûtera moins cher en temps. Comparez avec le coût détaillé dans notre étude à 20 salariés avant de signer un bon de commande matériel.
Les questions qu'on continue de se poser
Trois points restent ouverts. Premièrement, la tenue des modèles locaux face aux versions cloud sur des tâches francophones : les benchmarks publics sont majoritairement en anglais. Deuxièmement, la sécurité des moteurs eux-mêmes : une source secondaire évoque une faille nommée « Bleeding Llama » (CVE-2026-7482) permettant de lire la mémoire du processus, mais nous ne l'avons trouvée qu'à un endroit et ne la tenons pas pour établie. Appliquez les mises à jour dans tous les cas. Troisièmement, la trajectoire matérielle : les articles évoquent déjà des puces M6, ce qui pèsera sur le prix des M5 Pro d'occasion et sur votre calendrier d'achat.
Conclusion : trois décisions pour cette semaine
Un moteur d'IA locale ne se choisit pas à la vitesse affichée. Il se choisit au nombre d'utilisateurs, à la machine et au niveau d'exposition réseau que vous acceptez. Voici trois actions concrètes.
- Comptez vos utilisateurs réels. Moins de 4 personnes : LM Studio ou Jan. Entre 5 et 15 : Ollama derrière Open WebUI. Plus de 15 : un prestataire et vLLM, ou un hébergeur souverain.
- Fermez la porte avant d'ouvrir la fenêtre. Vérifiez que rien n'écoute sur
0.0.0.0, chiffrez les disques, coupez les fonctions cloud des moteurs. C'est gratuit et cela évite de rejoindre les 175 108 serveurs de l'étude SentinelOne. - Documentez avant de déployer. Une page : quels usages, quelles données, quelle durée de conservation, quelle licence de modèle, quel DPO prévenu. L'AIPD n'est pas toujours obligatoire, mais elle l'est dès que vous touchez au recrutement ou à la santé.
Si vous voulez un point de comparaison cloud avant d'investir, Claude et ChatGPT proposent des offres équipe dont le coût par poste se compare directement au matériel ci-dessus.
