Accueil › Blog › Quelle machine pour une IA locale

Quelle machine pour faire tourner une IA en local ? (2026)

Publié le 23 septembre 2026 · par Amine, AI business analyst en CAC 40 · 7 min de lecture

Mac Studio à 5 000 euros, mini-PC à 2 000, petite boîte NVIDIA à 4 700 : depuis un an, on te vend la machine « qui possède sa propre IA ». Avant de dépenser un seul euro, il faut comprendre une chose que presque personne n'explique clairement : c'est la mémoire, pas le processeur, qui décide de ce que tu peux faire tourner.

Faire tourner une IA en local, ça veut dire quoi concrètement ?

Quand tu utilises ChatGPT ou Claude, ton texte part sur les serveurs de quelqu'un d'autre, le modèle tourne là-bas, et la réponse revient. Faire tourner une IA en local, c'est télécharger le modèle sur ta propre machine et l'exécuter toi-même, sans que rien ne sorte de chez toi.

Ce n'est plus une fantaisie de bricoleur. En août 2026, le laboratoire chinois Qwen a publié Qwen3.8-27B, un modèle de 27 milliards de paramètres en poids ouverts, pensé pour tourner sur du matériel grand public. Un modèle de cette taille tient dans la mémoire d'un bon ordinateur de bureau, et il répond à une qualité que tu n'aurais trouvée, il y a deux ans, que sur des grappes de serveurs.

La question n'est donc plus « est-ce possible », mais « quelle machine, pour quoi faire, et à quel prix ». Et c'est là que la plupart des gens se trompent de critère.

Pourquoi la quantité de mémoire décide de tout ?

Un grand modèle de langage doit tenir entièrement en mémoire pour être exécuté. Si ton modèle pèse 40 gigaoctets et que ta machine n'a que 16 Go de mémoire unifiée, il ne rentre pas, point. La puissance du processeur n'y change rien : un modèle qui ne tient pas en mémoire ne tourne pas.

Ensuite vient la bande passante mémoire, c'est-à-dire la vitesse à laquelle la machine peut lire les données du modèle pour produire chaque mot. C'est elle, bien plus que le nombre de cœurs, qui fixe la vitesse de génération. Deux machines peuvent faire tourner le même modèle, l'une à 10 mots par seconde, l'autre à 50, uniquement à cause de la bande passante.

Ce point est si central que même les fabricants le mettent en avant. Apple annonce sur la page produit du Mac Studio M5 Ultra une mémoire unifiée allant jusqu'à 512 Go, avec une bande passante de 1,2 To/s. C'est le chiffre qui compte, bien avant la fréquence du processeur.

Mac Studio, DGX Spark ou mini-PC AMD : laquelle pour quel usage ?

Trois familles de machines se disputent aujourd'hui le créneau, et elles ne visent pas la même personne.

Le Mac Studio M5 Ultra, annoncé en août 2026, est la machine la plus ambitieuse : jusqu'à 512 Go de mémoire unifiée à 1,2 To/s. C'est le seul appareil grand public capable de charger les plus gros modèles ouverts actuels sans les compresser à outrance. Le Mac Studio M5 Max, l'entrée de gamme, démarre à 2 499 dollars, mais la version Ultra à 512 Go dépasse les 5 000 dollars.

Le DGX Spark de NVIDIA est une petite machine de bureau construite sur la puce GB10 : 128 Go de mémoire unifiée à 273 Go/s, livrée avec l'environnement logiciel NVIDIA. Pensée pour les développeurs qui prototypent et affinent des modèles, elle a vu son prix passer de 3 999 à environ 4 699 dollars début 2026, sous la pression de la pénurie de mémoire.

Les mini-PC AMD Strix Halo, comme le Framework Desktop, offrent jusqu'à 128 Go de mémoire unifiée à un prix nettement plus bas, autour de 2 000 dollars pour la version complète. C'est la voie la plus accessible pour qui veut faire tourner un modèle de 27 milliards de paramètres sans se ruiner.

Combien ça coûte vraiment, face à une facture d'API ?

Acheter une machine de plusieurs milliers d'euros n'a de sens que si tu la compares à l'alternative : louer la puissance à l'usage, via une API où tu paies chaque million de tokens traités.

Le calcul brut est simple. Si tu fais tourner un modèle de temps en temps, pour tester ou pour des tâches ponctuelles, la facture d'API reste dérisoire face au prix d'une machine. Si au contraire tu fais tourner des modèles quotidiennement, sur de gros volumes, l'achat finit par s'amortir.

Mais il y a un troisième terme dans l'équation, qu'on oublie toujours : le prix de la machine lui-même est en train de grimper. J.P. Morgan Global Research estime que le prix de la mémoire DRAM aura augmenté de plus de 400 % entre début 2024 et fin 2026, tiré par la demande des centres de données pour l'IA. La même machine coûte plus cher aujourd'hui qu'il y a deux ans, et c'est une raison de plus de ne pas acheter sur un coup de tête.

Acheter ou louer : comment trancher sans se tromper ?

La bonne séquence n'est pas « quelle machine acheter » mais « qu'est-ce que je vais en faire, et à quelle fréquence ». Avant tout achat, teste les modèles sur tes propres tâches, via une API, et mesure ce que tu utilises vraiment.

Si ton usage est occasionnel, la réponse est presque toujours : ne rien acheter. Louer à l'usage coûte moins cher, et tu profites des derniers modèles sans te soucier de matériel qui se déprécie.

Si ton usage est régulier et que tu tiens à la confidentialité de tes données — ne rien envoyer sur les serveurs d'un tiers — alors l'achat se défend. Dans ce cas, la règle est simple : choisis d'abord ta mémoire, ensuite ta bande passante, ensuite seulement la marque. Un mini-PC AMD à 2 000 dollars avec 128 Go te fera tourner plus de modèles qu'un ordinateur à 3 000 dollars avec 64 Go.

Ce qu'il faut retenir, c'est que « posséder sa propre IA » n'est pas une question d'idéologie ni de gadget. C'est une question de calcul, et le calcul commence par deux chiffres : combien de gigaoctets, et à quelle vitesse.

Questions fréquentes

Écrit par Amine Lounnas

AI business analyst depuis cinq ans dans des grands groupes du CAC 40 — banque, assurance, énergie. Certifié DPO et CIPP/E. Mon métier consiste à identifier quelles tâches une entreprise peut automatiser ; ce site retourne cette méthode vers les salariés.

Qui écrit ici, et comment →