IA locale hors cloud en industrie : déployer un LLM ou un LMM sur site

Quand on parle d'intelligence artificielle, on discute presque toujours du modèle : lequel est le plus performant, lequel comprend le mieux une consigne.

En industrie, la question décisive est ailleurs. Elle n'est pas « quel modèle », mais « où tourne-t-il ».

Un même outil, selon qu'il s'exécute dans le cloud d'un fournisseur ou sur votre propre infrastructure, ne pose pas les mêmes problèmes de confidentialité, de dépendance et de sécurité. Le choix du lieu précède le choix de la technologie.

Que veut dire « en local », concrètement ?

Dans un service cloud, votre donnée voyage vers le modèle : elle quitte votre site, est traitée sur des serveurs distants, et la réponse revient.

En local, la logique s'inverse : le modèle vient à la donnée. Il est installé sur une machine que vous contrôlez, à l'intérieur de votre périmètre, et rien de ce qu'il traite ne sort de vos murs.

Cette inversion a trois conséquences directes :

• Confidentialité préservée par construction : aucune donnée ne transite chez un tiers.
• Cloisonnement intact entre bureautique et réseau industriel : aucun flux vers l'extérieur n'est nécessaire.
• Disponibilité qui ne dépend plus d'un abonnement ni d'une connexion : l'outil fonctionne même si le fournisseur change de politique ou disparaît.

Ces trois points ne sont pas des arguments commerciaux : ce sont les réponses aux risques les plus concrets de l'IA en industrie.

LLM ou LMM : lire le texte, et lire le reste ?

Une part de la réalité industrielle est du texte ; une autre ne l'est pas. D'où deux familles de modèles.

Tableau faisant défiler horizontalement sur petit écran.

Un LLM local sait extraire ce qui compte d'un rapport et le remettre en forme. Mais un plan ou une photo de corrosion portent une information qu'un modèle purement textuel ignore.

Sur le terrain, la différence est loin d'être théorique : c'est l'écart entre un outil qui ne comprend que la moitié de vos documents et un outil qui les comprend tous.

Le choix entre les deux n'est pas une question de mode, mais de vos documents. Un service qui ne manipule que des rapports texte n'a pas besoin d'un modèle multimodal ; une inspection qui vit de photos et de plans, si.

En pratique, la tendance va vers le multimodal, car peu de services d'inspection se limitent au texte : dès qu'il y a des clichés de défauts ou des plans annotés, le LMM cesse d'être un luxe pour devenir la condition d'un outil réellement utile sur vos dossiers.

Quelles tâches une IA locale automatise-t-elle vraiment ?

Rester en local ne signifie pas se contenter d'un outil bridé. Voici ce qu'elle prend en charge, avec les douleurs qu'elle règle :

• Ressaisir ce que personne ne veut ressaisir. D'un rapport d'inspection scanné, où les points de mesure suivent une codification qui n'est pas celle de votre GMAO, elle extrait repères, mesures et échéances, et les range de façon exploitable. Le sujet est traité dans OCR ou IA sur les documents techniques.
• Retrouver dans un historique volumineux. Sur un parc de plusieurs centaines d'équipements, retrouver tous ceux qui ont présenté un même mode de dégradation : la différence entre une demi-journée de fouille et une réponse immédiate.
• Rapprocher des informations éparses. Une même anomalie signalée dans trois rapports différents, par trois prestataires, sous trois formulations, qu'aucun humain n'aurait reliées faute de les avoir lus le même jour.
• Rédiger un premier jet. Un compte rendu structuré à partir de champs guidés, qu'un technicien corrige plutôt que d'écrire de zéro. Le gain n'est pas d'écrire à sa place : c'est de partir d'une page déjà remplie.

Ces tâches ont un point commun : répétitives, chronophages, sans valeur ajoutée intellectuelle, mais exigeantes en rigueur. C'est exactement le périmètre où l'automatisation dégage du temps, sans jamais que l'outil ne décide à la place de l'humain.

« Sur mesure » : entraîné sur vos données, sans les partager ?

Un modèle générique ne connaît ni votre parc, ni votre vocabulaire, ni vos référentiels. Il ne sait pas que « ballon 201 » et « B-201 » désignent le même équipement, ni que « CUI » veut dire corrosion sous calorifuge.

Il reste donc approximatif là où la précision compte. Il confond des repères voisins, passe à côté d'un acronyme maison, range mal une mesure. Sur des centaines de rapports, ces petites approximations s'accumulent en un historique dans lequel on ne peut plus avoir confiance.

Un outil sur mesure est affiné sur vos propres documents : il apprend votre manière de nommer les équipements, de formuler un constat, de qualifier un défaut, à partir de vos rapports réels.

En local, ce travail se fait sans que ces documents ne quittent jamais votre infrastructure. C'est toute la différence entre entraîner un modèle chez vous, sur vos données, et les envoyer nourrir le modèle d'un tiers : la première approche renforce votre maîtrise, la seconde la cède.

C'est cette combinaison, local et sur mesure, qui fait qu'un outil devient réellement utile en usine plutôt que vaguement impressionnant en démonstration.

Quelles sont les vraies contraintes ?

Prétendre que le local est une solution sans contrepartie serait malhonnête, et contraire à l'esprit d'une IA responsable.

• Sous-dimensionner le matériel.Faire tourner un modèle en local a un coût d'infrastructure à poser d'emblée, et à dimensionner selon l'usage réel plutôt que selon l'ambition affichée.
• Croire qu'un modèle s'installe et s'oublie.Il demande un entretien : mise à jour, surveillance de ses réponses, correction quand il dérive. Un outil laissé à lui-même se dégrade en silence.
• Négliger la qualité des données.L'affinage suppose des données saines : un modèle entraîné sur des historiques faux apprend des erreurs et les répète avec assurance. Le chantier de l'IA locale commence souvent par un chantier de données.
• Retirer l'humain de la boucle.Le local protège la donnée et l'autonomie ; il ne remplace pas le jugement. Une IA locale reste une IA que quelqu'un contrôle.

Le local coupe-t-il des progrès des modèles ?

Une objection revient souvent : déployer en local, est-ce se retrouver avec un outil figé pendant que le cloud avance ? La crainte est légitime, la réponse est non.

Un modèle installé sur site se met à jour comme n'importe quel logiciel maîtrisé. On choisit quand adopter une nouvelle version, après l'avoir testée sur ses propres cas, plutôt que de la subir parce qu'un fournisseur a modifié son service. Le local ne fige pas l'outil : il vous rend maître de son évolution.

Local ne veut pas non plus dire artisanal. Les modèles ouverts déployés aujourd'hui sur site atteignent, pour les tâches qui comptent en industrie (lire, extraire, retrouver, rédiger un premier jet), un niveau largement suffisant.

La question n'est pas de rivaliser avec le plus gros modèle du marché sur des usages généralistes : c'est de traiter très bien vos documents, sans jamais les exposer.

À quoi ressemble un déploiement, concrètement ?

Un déploiement local ne se résume pas à installer un logiciel. Il suit quelques étapes, et chacune a ses pièges.

Le déploiement local n'est pas plus compliqué qu'un projet cloud ; il déplace simplement l'effort là où il crée de la valeur durable : chez vous, sur vos données.

Cloud ou local : comment trancher ?

Tout ne justifie pas un déploiement local, et il serait dogmatique de le prétendre. La règle de décision est simple : plus la donnée traitée est sensible, plus le local s'impose.

Tableau faisant défiler horizontalement sur petit écran.

Pour un site classé, une usine agroalimentaire ou une unité pharmaceutique, dès qu'entrent en jeu des données qui décrivent l'outil de production, la question n'est plus « est-ce pratique », mais « suis-je prêt à ce que ces données sortent de mon site ». La réponse est presque toujours non.

Beaucoup de sites finissent d'ailleurs par une architecture mixte : le cloud pour les tâches anodines et publiques, le local pour tout ce qui touche à l'installation. La frontière n'est pas idéologique, elle suit la sensibilité de la donnée.

Déployer une IA locale, hors cloud, sur mesure, n'est donc pas une préférence technique. C'est la traduction d'une exigence : garder la maîtrise de ce qui fait la valeur et la sécurité d'un site industriel.

Une fois ce cap tenu, l'IA cesse d'être un pari sur un fournisseur pour devenir ce qu'elle devrait toujours être en industrie : un outil que vous possédez, sur des données que vous ne cédez à personne. C'est là que se rejoignent l'utilité et la responsabilité.