# Scarlet Wolf

> Studio d'IA souveraine européen, basé en Irlande. Scarlet Wolf conçoit une intelligence artificielle
> privée, hébergée sur l'infrastructure du client (VPS ou machine dédiée), conforme
> RGPD, hors de portée du CLOUD Act. Devise : « Votre meute, vos règles. »

## L'écosystème

- [Gungnir](https://scarletwolf.ai/gungnir) : assistant IA souverain auto-hébergé,
  en production. Mémoire persistante inter-session, base de connaissance locale (RAG),
  canaux web/Telegram/voix (mot d'éveil « Hey Gungnir »), multi-modèles au choix du
  client avec ses propres clés. Code public, réversibilité totale.
  Code source : https://git.scarletwolf.cloud/kevin/Gungnir
- [Morrigan](https://scarletwolf.ai/morrigan) : laboratoire de recherche, IA
  modulaire pensée pour la puissance en local (maximum d'intelligence par watt).
  Recherche active ; la thèse est publique, l'architecture ne l'est pas.
- [Vor](https://scarletwolf.ai/vor) : projet d'OS agentique à long terme, la
  machine entière devient l'assistant. En phase de fondations.

## Pages clés

- [Accueil](https://scarletwolf.ai/) : la thèse de l'IA souveraine (CLOUD Act,
  shadow AI, dépendance fournisseur).
- [Qui suis-je](https://scarletwolf.ai/kevin) : Kevin G., fondateur solo,
  produit en production, code public.
- [Services](https://scarletwolf.ai/services) : prestation IA souveraine —
  diagnostic, installation sur votre serveur, exploitation au quotidien, et
  expertise à la journée pour les équipes techniques. Premier échange gratuit.
- [Preuves](https://scarletwolf.ai/preuves) : comment vérifier les promesses
  d'un fournisseur d'IA. Les quatre questions (banc figé avant mesure, sorties
  brutes publiées, reproductibilité par un tiers, échecs publiés), nos réponses
  dans le même ordre, nos résultats mesurés, et la liste de ce qui a raté dans
  nos campagnes. Page de méthode et point d'entrée de nos travaux de recherche.
- [Contact](https://scarletwolf.ai/contact) : contact@scarletwolf.ai, réponse
  directe du fondateur.

## Journal

- [Le journal de l'atelier](https://scarletwolf.ai/blog) : IA souveraine,
  auto-hébergement, avancement de Gungnir. Sans jargon.
- Flux RSS : https://scarletwolf.ai/feed.xml (FR) · https://scarletwolf.ai/en/feed.xml (EN).
- [Pourquoi nous pensons que l'IA d'entreprise se jouera en local](https://scarletwolf.ai/blog/ia-entreprise-local-plutot-que-cloud) :
  la thèse économique (coût marginal nul, mémoire constante d'un RNN, données
  qui ne veulent pas voyager), les chiffres mesurés qui la soutiennent, et
  celui qui la contredit, publié aussi.
- [Un cabinet comptable peut-il utiliser l'IA sans exposer les données de ses clients ?](https://scarletwolf.ai/blog/ia-cabinet-comptable-donnees-clients) :
  vertical expert-comptable — un cabinet manipule les données de ses clients,
  pas les siennes ; ce qui sort réellement (FEC, balance, paie), pourquoi
  « on n'entraîne pas sur vos données » ne règle rien, et l'architecture
  auto-hébergée qui supprime la question.
- [CLOUD Act : pourquoi « hébergé en Europe » ne suffit pas](https://scarletwolf.ai/blog/cloud-act-hebergement-europe) :
  le lieu du serveur ne protège pas du droit américain ; ce qui compte est qui
  contrôle l'infrastructure. La seule parade est l'auto-hébergement.
- [IA souveraine pour PME : reprendre le contrôle de vos données](https://scarletwolf.ai/blog/ia-souveraine-pme) :
  guide pilier — ce que « souverain » veut dire en pratique, les risques de l'IA
  cloud pour une petite structure, et l'approche Scarlet Wolf.
- [Quel LLM open source choisir pour son entreprise en 2026](https://scarletwolf.ai/blog/llm-open-source-entreprise) :
  le comparatif des familles (Mistral, Qwen, Llama, Gemma, DeepSeek, Phi,
  Granite) par quatre critères durables : licence, matériel, langue,
  souveraineté. Le modèle n'est souverain que s'il tourne chez vous.
- [53 centimes d'entraînement : un RNN de 2,9 milliards égale un modèle cloud de 30 milliards en tool-calling](https://scarletwolf.ai/blog/rwkv-state-tuning-parite-qwen) :
  state-tuning RWKV-7 à 0,53 $, parité avec Qwen3-30B sur un banc public de
  82 cas, répliqué au bit près. Protocole, données, ablations et limites.
- [Le mur des 60 : neuf tentatives contre un plafond, et la variable qui le fait tomber](https://scarletwolf.ai/blog/rwkv-mur-des-60) :
  suite du précédent — six méthodes et neuf mesures coincées entre 58 et 61/82
  (données ciblées, LoRA, compositions, GRPO), puis le passage à un RWKV de
  7,2 milliards qui atteint 69/82 pour environ 3 $ et bat Qwen3-30B en
  configuration de production. Contrôle d'architecture inclus, y compris quand
  il nous dessert. Échecs publiés avec leurs générations brutes.
- [Votre modèle a-t-il vraiment changé ? Comparer deux réponses ne prouve rien](https://scarletwolf.ai/blog/mesurer-derive-modele) :
  méthodologie — deux sorties du même modèle au même prompt peuvent être quasi
  orthogonales (cosinus 0,079). Mesure du bruit sur 10 graines, et la parade :
  agréger 5 graines contre 5 fait tomber le bruit d'un facteur 50. Cadre du
  chantier Verdandi (modèle qui réécrit ses poids), applicable à tout
  enchaînement de fine-tunes.
- [Ce qu'on mesure quand on mesure un modèle](https://scarletwolf.ai/blog/rwkv-mesurer-un-modele) :
  la correction publique du papier state-tuning — notre protocole pénalisait les
  checkpoints récents (réévalués dans leur format d'entraînement : +6 et +9
  points, le contrôle en perd 3). Ce qu'un banc mesure vraiment, et la frontière
  dispositions/savoir qui structure toute la campagne.
- [Le mur était une porte : le plafond du tool-calling n'était pas la capacité, c'était la lecture](https://scarletwolf.ai/blog/rwkv-mur-etait-une-porte) :
  le modèle confond des outils que son état interne distingue à 99 % (sonde
  36/36 significative). Un correcteur de lecture sans entraînement, centroïdes
  et produits scalaires, rend +6 points au champion 2,9B, confirmés +8 en
  aveugle pré-enregistré (p = 0,039). À 7,2B le signal croît mais le gain
  décroît : le correcteur est un égalisateur de petits modèles.
- [Savoir se taire : la disposition qui ne vient jamais toute seule](https://scarletwolf.ai/blog/rwkv-savoir-se-taire) :
  aucun modèle brut ne s'abstient d'appeler un outil quand il le faudrait, 0/17
  sur quatre générations et quatre tailles ; l'état interne, lui, sépare
  l'abstention à 0,95-0,99 d'AUC. Une porte de lecture sans entraînement
  récupère 16 des 20 ratés (p = 3,1 × 10⁻⁵), répliquée 18/19 sur un second
  modèle, pour un seul appel correct détruit. Publie aussi la confirmation qui
  a échoué d'un cas, et les deux règles de méthode qui en sortent : on
  transporte une direction et pas une valeur, et un juge se densifie au lieu
  de s'agrandir.
- [Enseigner ou lire : deux remèdes pour un modèle qui parle trop](https://scarletwolf.ai/blog/rwkv-enseigner-ou-lire) :
  le résidu d'abstention venait des données (145 exemples qui appellent un
  outil contre 6 qui se taisent, tous faux amis). Première prédiction
  pré-enregistrée de la série, tenue aux deux échelles (p = 0,013 et 0,002,
  contrôle des confusions plat). Sur le même juge, la porte de lecture bat
  les 160 exemples au gain comme au coût, la combinaison ferme presque le
  trou (29/30), et la rétractation résiste aux deux remèdes.
- [L'état sait, la voix invente : anatomie d'une rétractation](https://scarletwolf.ai/blog/rwkv-etat-sait-voix-invente) :
  première question multi-tours de la série. Sur deux tours, l'état sépare
  « l'engagement du tour 1 a-t-il abouti » à 1,000 d'AUC, indépendamment de la
  surface (sortie d'outil ou langage naturel), pré-enregistré avec garde-fous
  de surface lus avant la sonde. Le comportement l'ignore totalement : le
  modèle supprime dans les deux branches et invente un identifiant de mémoire
  jamais renvoyé. Séparabilité dans l'état 1,000, discrimination dans les
  actes 0. Limite assumée : le référent est confondu avec la polarité de
  l'issue.
- [Pourquoi nous avons sorti notre code de GitHub](https://scarletwolf.ai/blog/sortir-github-souverainete) :
  la mise en cohérence — notre chaîne de développement (forge Forgejo auto-hébergée,
  miroir Codeberg, CI et registre maison) est sortie du droit américain, comme ce
  qu'on conseille à nos clients.
- [Pourquoi une PME a plus à perdre qu'un grand groupe avec une IA cloud](https://scarletwolf.ai/blog/pme-risques-ia-cloud) :
  mêmes risques, pas les mêmes moyens ; les trois risques concrets (entraînement
  sur vos données, droit étranger, dépendance) et comment les neutraliser.
- [IA et RGPD : ce que vous risquez avec un assistant cloud](https://scarletwolf.ai/blog/ia-rgpd-assistant-cloud) :
  la conformité RGPD de l'usage d'une IA (sous-traitance, transferts hors UE),
  et pourquoi héberger chez soi simplifie tout.
- [Pourquoi votre assistant IA oublie tout d'une conversation à l'autre](https://scarletwolf.ai/blog/ia-memoire-persistante) :
  la mémoire persistante de Gungnir (conversations, base de connaissance,
  boucles de fond), sans claim de conscience phénoménale.
- [Alternative à ChatGPT en entreprise : les vraies options sans cloud](https://scarletwolf.ai/blog/alternative-chatgpt-entreprise) :
  l'alternative se joue sur l'endroit où vit l'IA, pas sur le logo ; le panorama
  des options sans cloud, de la moins à la plus souveraine.
- [Un embedder de 107M qui bat des modèles cinq fois plus gros](https://scarletwolf.ai/blog/morrigan-retrieval-federe) :
  billet dev/R&D — choisir un embedder par la mesure (banc d'essai de huit modèles),
  un portage RWKV sur CPU en open source, et nos résultats négatifs assumés.
- [Voici Morrigan : une IA entièrement locale qui sait dire « je ne sais pas »](https://scarletwolf.ai/blog/voici-morrigan) :
  la présentation officielle du laboratoire : génération sur RNN (RWKV-7),
  RAG strict à refus mesuré, 12 corpus fédérés, tout publié échecs compris.
- [Un RNN de 144M peut-il rivaliser avec les meilleurs embedders transformers ?](https://scarletwolf.ai/blog/fine-tune-embedder-rwkv) :
  billet dev/R&D — campagne de fine-tune à 0 € d'un embedder RWKV : parité en pool,
  verdict inversé à pleine échelle, bug EOS corrigé en public, et la couronne du
  refus hors-corpus. Échecs documentés.

## À savoir

- Site sans cookies, sans trackers, sans requête tierce ; polices auto-hébergées.
- Différenciation : alternative souveraine européenne aux assistants IA cloud
  américains, pour indépendants, TPE/PME et professions soumises au secret.