L’expression « IA privée » recouvre aussi bien « nous avons désactivé l’utilisation de nos données pour l’entraînement sur notre compte SaaS » que « nous exécutons des modèles open source sur nos propres GPU dans un réseau fortement cloisonné ». Ces situations ne sont pas équivalentes.
Pour une PME, l’architecture d’IA privée adaptée dépend des données, de la tâche, du niveau de qualité requis et de la capacité de l’équipe à exploiter l’infrastructure. L’option la plus confidentielle n’est pas toujours la meilleure. L’option la plus performante n’est pas toujours acceptable au regard des données. L’option la moins chère peut devenir coûteuse si elle mobilise constamment les ingénieurs.
Cet article fournit une grille de lecture concrète.
Commencez par classifier les données, et non par choisir un modèle. Un modèle moins performant, utilisé dans un périmètre de confidentialité approprié, vaut mieux qu’un modèle de pointe auquel sont transmises des données qu’il ne devrait pas recevoir.
Les cinq modèles de déploiement
| Modèle | Description | Cas les plus adaptés | Limitation principale |
|---|---|---|---|
| SaaS grand public | Comptes personnels ChatGPT, Claude ou Gemini | Tâches publiques, personnelles et à faible risque | Contrôles d’entreprise limités |
| SaaS d’entreprise | Offre professionnelle avec administration, SSO, règles de conservation et refus de l’entraînement | La plupart des tâches courantes de l’entreprise | Les données quittent toujours votre environnement |
| VPC ou cloud privé | Point d’accès à un modèle géré dans un périmètre cloud contrôlé | Charges confidentielles nécessitant une isolation renforcée | Coût et configuration plus importants |
| Inférence auto-hébergée | Vous exécutez des modèles open source sur votre propre infrastructure | Données à diffusion restreinte, modèles personnalisés, économies d’échelle | Charge d’exploitation |
| Modèles sur appareil local | Le modèle s’exécute sur un ordinateur portable, un poste de travail ou un appareil en périphérie | Tâches ciblées, sensibles, hors ligne ou à faible latence | Modèles plus petits et capacités limitées des appareils |
La plupart des entreprises ont besoin de plusieurs modèles. L’objectif n’est pas d’en choisir un définitivement, mais d’orienter chaque cas d’usage vers le périmètre approprié.
Commencez par classifier les données
Utilisez quatre catégories :
| Données | Exemples | Périmètre d’IA par défaut |
|---|---|---|
| Publiques | Texte de site web, documents publiés, recherche publique | Tout outil approuvé |
| Internes | Notes de processus, exemples anonymisés, brouillons non sensibles | SaaS d’entreprise |
| Confidentielles | Données clients, contrats, code source, données financières, stratégie | SaaS d’entreprise avec contrôles, VPC ou auto-hébergement |
| À diffusion restreinte | Données de santé, informations couvertes par le secret professionnel, enquêtes RH, dossiers réglementés, identifiants d’accès | Examen juridique et de sécurité ; souvent traitement local, VPC ou absence d’IA |
Cette classification évite une erreur courante : utiliser par commodité le même assistant pour des brouillons de blog publics et des dossiers clients confidentiels.
Modèle 1 : le SaaS d’entreprise par défaut
Pour de nombreuses PME, le SaaS d’entreprise est l’option par défaut adaptée. Les outils comme ChatGPT Enterprise/Business, Claude for Work, Microsoft Copilot, Gemini for Workspace et similaires offrent généralement :
- Exclusion contractuelle de l’utilisation des données pour l’entraînement.
- Contrôles d’administration.
- SSO et gestion d’accès.
- Contrôles de conservation.
- Journaux d’audit.
- Documentation de sécurité.
- Support du fournisseur.
Cela suffit pour une grande partie du travail : rédaction, synthèse, recherche, notes de réunion, analyse interne et utilisation approuvée du contexte client.
La configuration est essentielle. Souscrire une offre pour équipe ne suffit pas. Définissez la durée de conservation, le partage, l’accès aux connecteurs, les espaces de travail approuvés et les règles relatives aux données.
Modèle 2 : VPC ou cloud privé
Les architectures en VPC ou cloud privé sont utiles lorsque les données peuvent quitter votre application, mais doivent rester dans un périmètre cloud contrôlé. Exemples :
- Assistant de service client travaillant sur des tickets confidentiels.
- Assistant de connaissances interne travaillant sur des documents sensibles.
- Extraction de documents pour des contrats ou des factures.
- Assistant spécifique à un domaine où vous avez besoin d’une isolation des données plus forte que le SaaS.
Avantages :
- Meilleure isolation.
- Plus de contrôle sur le réseau et les journaux.
- Argumentaire d’achat plus convaincant pour les clients qui traitent des données sensibles.
- Moins de charge opérationnelle que l’auto-hébergement complet.
Limitations :
- Plus coûteux que le SaaS.
- Plus de travail d’intégration.
- Choix de modèles plus restreints.
- Vous dépendez toujours de l’infrastructure du fournisseur.
Pour de nombreux systèmes stratégiques de PME, cette solution constitue un compromis pragmatique.
Modèle 3 : inférence auto-hébergée
L’auto-hébergement signifie que vous exploitez l’environnement d’exécution du modèle : vLLM, TGI, SGLang, llama.cpp, Ollama ou une autre pile de service. Cette option est pertinente lorsque :
- Les données ne peuvent pas quitter votre environnement.
- Vous avez besoin d’un modèle open source personnalisé ou affiné.
- Le volume d’inférence est suffisamment élevé pour justifier l’infrastructure.
- Les besoins en latence ou en disponibilité exigent un contrôle direct.
- Vous avez des personnes capables de l’exploiter.
N’optez pas pour l’auto-hébergement uniquement parce qu’il paraît plus « pur ». Le coût opérationnel est réel : capacité GPU, supervision, mises à jour, correctifs de sécurité, évaluation des modèles, mise à l’échelle et réponse aux incidents.
L’auto-hébergement est un excellent choix pour l’organisation adaptée. Pour une petite équipe sans expérience des infrastructures de ML, il peut devenir un projet parallèle fragile.
Modèle 4 : modèles sur appareil local
Les modèles locaux sont sous-estimés pour le travail individuel sensible à la confidentialité :
- Résumer des notes locales.
- Rédiger à partir de documents privés.
- Classer des extraits internes.
- Travail hors ligne sur le terrain.
- Processus en périphérie où la latence est déterminante.
Le compromis porte sur la qualité. Un petit modèle local peut suffire pour la synthèse, la classification, l’extraction et les premiers brouillons. Il n’égalera pas les modèles hébergés de pointe pour le raisonnement difficile, la rédaction complexe ou l’utilisation de nombreux outils.
Utilisez des modèles locaux lorsque la tâche est ciblée et que le périmètre de confidentialité importe davantage que les performances de pointe.
Modèle 5 : routage hybride
Une architecture mature est souvent hybride :
- Les tâches publiques et à faible risque vont au SaaS d’entreprise.
- La recherche dans les données confidentielles s’effectue dans un système RAG privé.
- L’extraction de données à diffusion restreinte s’exécute localement ou dans un VPC.
- La rédaction finale peut utiliser un modèle de pointe après suppression des champs sensibles.
- Les journaux et les évaluations permettent de vérifier le bon fonctionnement de chaque route.
Le routage hybride vous permet d’utiliser des modèles puissants sans traiter chaque enregistrement de la même manière. Cela exige de la discipline :
- Classification des données avant le routage.
- Masquage des données lorsque c’est possible.
- Liste d’autorisation claire des modèles et outils.
- Journaux indiquant quel périmètre a été utilisé.
- Mécanisme de repli lorsque le modèle privé ne peut pas accomplir la tâche.
Cadre de décision
Posez six questions :
- Quelles données entrent dans le modèle ? Publiques, internes, confidentielles ou à diffusion restreinte.
- Quel est l’impact du résultat ? Brouillon, recommandation, décision ou action concernant un client.
- Quelle qualité est requise ? Suffisante, niveau expert, raisonnement de pointe.
- Quelle latence est requise ? Interactive, par lots, en temps réel, hors ligne.
- De quelles capacités opérationnelles disposez-vous ? Aucune équipe d’infrastructure, équipe applicative, équipe plateforme ou équipe MLOps.
- Quelles preuves les clients ou les autorités exigent-ils ? Documentation fournisseur, journaux, localisation des données, piste d’audit ou isolation.
Choisissez ensuite le modèle le moins complexe qui répond aux exigences relatives aux données et à la qualité.
Ne faites pas cela pour le moment
Ne vous auto-hébergez pas avant de mesurer la charge de travail et les exigences en matière de qualité.
Ne transmettez pas de données à diffusion restreinte à des outils grand public.
Ne supposez pas que « open source » signifie privé. C’est privé uniquement si le déploiement, les journaux, l’accès et le flux de données sont privés.
Ne construisez pas une passerelle d’IA unique sans classifier les données. Elle finira par acheminer des données sensibles vers le mauvais périmètre.
Ne négligez pas les évaluations. Une IA privée qui produit des résultats erronés reste une IA défaillante.
Point de départ pratique pour une PME
Pour la plupart des PME :
- Approuvez un assistant SaaS d’entreprise pour le travail général.
- Écrivez une règle de classification des données.
- Bloquez les données à diffusion restreinte tant qu’un examen n’a pas été effectué.
- Construisez un processus RAG privé ou en VPC pour le cas d’usage confidentiel le plus utile.
- Utilisez des modèles locaux pour les tâches sensibles et ciblées lorsque leur qualité est suffisante.
- Reconsidérez l’auto-hébergement uniquement lorsque la confidentialité, la personnalisation ou le coût justifient clairement.
Cette démarche offre à l’organisation une trajectoire conçue autour de la confidentialité, sans prétendre que chaque cas d’usage de l’IA exige un cluster de GPU.
Le point clé
L’IA privée consiste à adapter l’architecture aux données. La bonne réponse est rarement « tout en SaaS » ou « tout en auto-hébergement ». Il s’agit généralement d’un portefeuille : SaaS d’entreprise pour les tâches courantes, systèmes privés ou en VPC pour les processus confidentiels, modèles locaux pour les tâches sensibles et ciblées, et auto-hébergement lorsque l’échelle ou les exigences de contrôle le justifient réellement.
Choisissez en fonction des données, de l’impact, de la qualité, de la latence, des capacités opérationnelles et des preuves requises. C’est l’approche la moins spectaculaire, mais aussi celle qui résiste à la mise en production.
