« Intelligence artificielle » désigne aujourd'hui une dizaine de familles techniques qui n'ont ni les mêmes forces, ni les mêmes coûts, ni les mêmes usages. Confondre les deux mène à des décisions chères : payer une carte graphique pour une tâche qui n'en demandait pas, ou attendre d'un modèle généraliste ce qu'un classifieur de quelques mégaoctets ferait mieux et pour rien.
Ce panorama couvre les familles qui traitent le texte, puis celles qui traitent l'image, le son et la vidéo. Quand nous avons un chiffre mesuré sur notre banc public, il est là ; quand nous n'en avons pas, nous le disons plutôt que d'emprunter celui d'un autre.
C'est l'architecture de tout ce que vous connaissez sous le nom de LLM. Sa force est réelle et il faut la reconnaître avant d'en discuter les limites : sur notre banc d'appel d'outils, un transformer de 7 milliards de paramètres, sans le moindre entraînement de notre part, obtient 69 sur 82. C'est mieux que notre RNN de 2,9 milliards après entraînement.
Son mécanisme d'attention lui fait comparer chaque mot à tous les autres. C'est ce qui le rend bon, et c'est aussi ce qui le rend cher : le coût par mot produit augmente avec la longueur de la conversation, parce qu'il conserve en mémoire un cache de tout ce qui précède. Une session longue coûte plus cher à la fin qu'au début, et cette mémoire occupe la carte graphique.
À retenir : excellent partout, et d'autant plus coûteux que la conversation dure.
Variante devenue courante pour les gros modèles. Le modèle contient beaucoup de paramètres mais n'en active qu'une fraction à chaque mot. Le modèle cloud qui sert de référence sur notre banc annonce 30 milliards de paramètres pour environ 3 milliards réellement actifs.
L'intérêt est économique côté fournisseur, pas côté utilisateur : il faut toujours charger l'ensemble en mémoire. Ce n'est pas une famille qui rend le local plus accessible.
Un RNN lit le texte en avançant et maintient un état interne de taille fixe qui résume tout ce qu'il a lu. Il n'a pas de cache qui gonfle : la mémoire occupée par une session ne dépend pas de sa longueur, et le coût par mot reste constant du premier au dernier échange.
Longtemps les RNN étaient nettement moins bons. Ce n'est plus le cas. Sur notre banc, un RWKV de 2,9 milliards de paramètres a d'abord égalé un modèle cloud de 30 milliards après 53 centimes d'entraînement, puis l'a dépassé : la même recette appliquée à la génération suivante du même modèle donne 63 sur 82, contre 58 pour le modèle cloud. Et la version de 7,2 milliards fait mieux encore dans sa configuration de production.
La famille progresse d'ailleurs vite, et pas seulement grâce à nous. La génération publiée en août 2026 est la première dont la taille paie mesurablement : brute, sans le moindre entraînement de notre part, elle obtient 29, 36, 43 puis 52 sur 82 du plus petit au plus grand de ses quatre formats, jusqu'à 13,3 milliards de paramètres. Les générations précédentes plafonnaient autour de 28-29 quelle que soit la taille. Et le détail du plus grand est plus parlant que le total : 18 sur 23 en sélection difficile, sans entraînement, le niveau que nos modèles entraînés atteignent.
Mais le même modèle brut fait 0 sur 17 en abstention, comme chaque checkpoint brut de chaque taille sur quatre générations : pas un seul point sur cette catégorie, jamais. La taille et le pré-entraînement achètent la compétence de sélection, ils n'achètent pas le jugement de savoir quand il ne faut rien faire. C'est précisément ce que notre entraînement à quelques euros installe, et la contre-épreuve est nette : entraîné avec notre recette, ce même 13,3 milliards gagne 18 points, dont 17 viennent de la seule abstention. C'est le comportement qui compte le plus en entreprise.
Nous publions aussi ce qui ne nous arrange pas : appliquée telle quelle à un transformer de taille comparable, notre recette lui fait perdre 18 points. La famille n'est donc pas magique, c'est la combinaison architecture plus méthode plus taille qui produit le résultat.
À retenir : qualité désormais comparable à taille égale, une propriété structurelle que le transformer n'a pas, et une génération publique qui progresse vite.
Un embedder ne produit pas de texte. Il transforme un document en une liste de nombres qui capture son sens, ce qui permet de retrouver les passages pertinents dans un fonds documentaire. C'est la brique qui fait fonctionner toute recherche par le sens.
C'est la famille la plus sous-estimée, et la plus rentable. Sur notre banc, donner à un gros modèle une présélection de 40 outils pertinents au lieu du catalogue entier lui fait gagner treize cas sur 82. Améliorer la recherche en amont rapporte souvent plus que changer le modèle en aval, pour un coût sans commune mesure. Nous avons d'ailleurs affiné le nôtre pour zéro euro.
À retenir : si votre projet consiste à interroger vos documents, c'est ici que se joue la qualité, pas dans le choix du modèle qui rédige.
Un classifieur range une entrée dans une catégorie. Est-ce une question factuelle, une demande d'action, une salutation ? Il ne génère rien, il oriente. Certaines architectures récentes, dites à temps continu, sont particulièrement compactes.
Son intérêt est d'éviter d'appeler un gros modèle quand ce n'est pas nécessaire. Dans une architecture bien pensée, un classifieur envoie chaque demande vers le module le moins cher qui sait la traiter. C'est invisible pour l'utilisateur et déterminant pour la facture.
Les familles précédentes traitent du langage. Trois autres domaines ont leurs propres architectures, et ils obéissent à des économies très différentes.
C'est l'architecture derrière la génération d'images. Le principe est inverse de celui d'un modèle de langage : au lieu d'écrire mot après mot, le modèle part d'un bruit aléatoire et le débruite progressivement jusqu'à obtenir une image cohérente avec la demande.
Deux conséquences pratiques. La production d'une image demande plusieurs dizaines de passages successifs, donc une carte graphique est de fait obligatoire pour un usage interactif. Et le coût dépend de la définition et du nombre d'étapes, pas de la longueur d'une conversation : c'est une économie de rendu, pas de dialogue.
La génération de vidéo suit la même famille avec une contrainte supplémentaire, la cohérence entre images successives, et un coût qui change d'ordre de grandeur.
À retenir : pour une entreprise, c'est presque toujours un usage ponctuel et créatif, pas une brique de processus. Ce n'est pas le sujet d'une IA d'entreprise et nous n'y travaillons pas.
Transformer la parole en texte est probablement le cas où le local est le plus évident aujourd'hui. Les modèles de transcription sont compacts, rapides, et tournent jusque dans un navigateur sans rien envoyer nulle part. C'est ce que nous faisons dans notre propre assistant : la dictée s'exécute sur la machine de l'utilisateur, avec plusieurs niveaux de qualité selon la puissance disponible.
Pour une profession qui manipule des informations confidentielles, la dictée est souvent la première brique à rapatrier : c'est la moins coûteuse à héberger et l'une des plus sensibles, puisqu'on y parle sans filtre.
Le chemin inverse, la synthèse vocale, est également mûr en local, avec un compromis entre naturel de la voix et ressources.
La détection d'événements sonores, la classification et la séparation de sources forment une famille à part, souvent bâtie sur de petits modèles convolutionnels. Elle est peu visible et très efficace : ce sont typiquement des modèles de quelques mégaoctets, exécutables sur un processeur modeste.
Il faut la distinguer de la génération musicale, qui relève d'une logique proche de la diffusion et de ses coûts.
Reconnaître ce qu'il y a sur une image, lire un document scanné, détecter un objet : ce sont des tâches d'analyse, pas de création, et elles reposent sur d'autres architectures, beaucoup plus légères. La lecture automatique de documents est d'ailleurs souvent la porte d'entrée concrète de l'IA en entreprise, avant tout assistant conversationnel.
À retenir : ne confondez pas générer une image et comprendre une image. La seconde est bien moins chère et bien plus utile au quotidien.
Certains modèles récents acceptent plusieurs types d'entrée à la fois, texte et image notamment. C'est pratique, et c'est aussi le domaine où l'écart entre les gros modèles distants et ce qui s'auto-héberge reste le plus large.
Le RAG n'est pas un modèle, c'est une architecture : on cherche des extraits pertinents, on les donne au modèle, il répond en s'appuyant dessus. Le mot désigne un assemblage, pas une technologie.
Le fine-tuning n'est pas une famille non plus, c'est une opération. On part d'un modèle existant et on l'ajuste. Il en existe des degrés très différents, du réglage de quelques millions de paramètres à la reprise complète de l'entraînement, avec des coûts allant de moins d'un euro à des sommes considérables.
L'agent désigne un système qui utilise des outils, pas un type de modèle. N'importe quelle famille ci-dessus peut y servir de cerveau, et c'est précisément ce que mesure notre banc.
Que doit produire le système ? S'il doit retrouver et citer, l'embedder et la recherche comptent plus que le modèle. S'il doit rédiger et raisonner, l'inverse.
Les données ont-elles le droit de sortir ? Si non, l'espace se réduit aux modèles exécutables chez vous, et la contrainte devient la mémoire disponible, pas la qualité théorique.
La conversation sera-t-elle longue, et à combien d'utilisateurs ? C'est là que la mémoire constante d'un RNN cesse d'être un détail technique pour devenir un facteur de coût, et c'est la question qui structure notre propre choix d'architecture.
Le guide de l'IA souveraine pour PME traite la deuxième question ; pour la première, notre méthode et ses mesures montrent ce que la recherche en amont change au résultat.
Sur une tâche ciblée et bien entraînée, oui, et c'est mesuré : parité puis avantage sur un modèle dix fois plus gros sur notre banc. Sur l'ensemble des usages généralistes, non, et personne de sérieux ne le prétend.
Mesurez plutôt la vôtre, et méfiez-vous de votre propre banc. Nous avions conclu qu'une génération récente était moins bonne que la précédente sur notre tâche : c'était notre gabarit de prompt qui la pénalisait. Réévaluée dans le format sur lequel elle avait été entraînée, elle gagne 9 points pendant que l'ancienne en perd 3. Un banc mesure toujours le modèle et la façon dont vous le questionnez.
Celle qui tourne chez vous, et le choix se fait alors sur la mémoire disponible et la nature de la tâche plutôt que sur les classements généralistes. C'est le sujet de nos prestations.
