Choisir ses modèles et son hébergement

Le choix d'hébergement n'est pas technique — il est stratégique

Quand vous tapez dans un assistant, votre texte part quelque part pour être traité. Ce « quelque part » détermine qui peut voir vos données et à quelles lois elles sont soumises. Choisir l'hébergement, c'est donc décider du niveau de contrôle que vous gardez — bien avant de parler de technique.

Trois options, du moins au plus protecteur

• Cloud grand public (ChatGPT, Gemini, Copilot personnels) — pratique et gratuit ou peu cher, mais les données peuvent servir à entraîner les modèles et sortent du Québec. À réserver aux données publiques.
• Cloud encadré (versions entreprise avec engagement contractuel de non-réutilisation) — un bon compromis pour les données internes peu sensibles, à condition d'une entente conforme (module 5).
• IA locale (le modèle tourne sur un serveur que vous contrôlez, au Québec) — rien ne sort, contrôle maximal. L'option pour le sensible.

Classer la sensibilité, en trois niveaux

Avant de choisir où, on classe quoi. Trois niveaux suffisent :

L'approche hybride, poste par poste

Inutile de tout mettre en local ou tout dans le cloud. La bonne approche est hybride : on choisit l'hébergement par usage, selon la sensibilité. Le courant et le public passent par le cloud encadré (rapide, puissant) ; le sensible reste en local (sous contrôle).

La démo : l'électricien répartit poste par poste

• Rédiger une fiche technique publique → cloud grand public, aucune donnée personnelle en jeu.
• Brouillon de soumission sans nom de client → cloud encadré (Copilot entreprise), avec entente.
• Assistant interne sur les dossiers clients (RAG) → IA locale, parce que les dossiers contiennent des renseignements personnels.

Une même PME utilise donc deux ou trois hébergements en parallèle, chacun pour le bon type de données. C'est ça, l'hybride : le bon endroit pour la bonne donnée.

Le cas du RAG : pourquoi l'hébergement devient critique

Le RAG branche l'IA sur vos propres documents pour qu'elle réponde à partir d'eux. Très puissant — mais ces documents (procédures, soumissions passées, fiches clients) contiennent souvent des renseignements personnels. L'endroit où ils sont indexés et traités devient l'enjeu central : pour des documents sensibles, on monte un RAG local, où rien ne quitte l'organisation.

Les outils d'IA locale, accessibles aux PME

L'IA locale n'est plus réservée aux géants. Quelques briques accessibles :

• Ollama — fait tourner des modèles libres (Llama, Mistral) sur un serveur local, simplement.
• Open WebUI ou AnythingLLM — une interface de chat (et de RAG) par-dessus, pour les employés.

Un serveur correct au Québec suffit pour la majorité des usages d'une PME. Le modèle local est souvent un peu moins « brillant » que les plus gros modèles cloud — mais pour résumer, rédiger un brouillon ou répondre à partir de vos documents, il fait largement le travail, sans qu'aucune donnée ne sorte.

Un arbre de décision simple

Pour chaque usage, trois questions enchaînées suffisent à trouver l'hébergement :

1. Y a-t-il des renseignements personnels en jeu? Si non → cloud grand public possible (contenu public). Si oui → on continue.
2. Sont-ils sensibles (santé, finances, dossiers RH, données de clients identifiables)? Si oui → IA locale, point. Si non → on continue.
3. Le fournisseur offre-t-il une entente conforme et un traitement encadré? Si oui → cloud encadré acceptable. Si non → revenir au local ou changer de fournisseur.

Cet arbre se parcourt en quelques secondes par usage et donne une réponse défendable — au lieu de choisir l'outil le plus connu par défaut.

La souveraineté, en pratique

« Souveraineté » n'est pas un slogan : c'est savoir qui peut légalement accéder à vos données. Deux pièges concrets :

• La région ne fait pas la nationalité. Cocher « héberger au Canada » chez un grand fournisseur ne change pas le fait qu'une entreprise étrangère peut être contrainte, par ses propres lois, de donner accès aux données — même stockées au Canada.
• Le « gratuit » se paie en données. Une version grand public peut réutiliser ce que vous saisissez pour entraîner ses modèles. Ce qui est gratuit pour vous a une valeur pour le fournisseur : vos données.

Pour une PME québécoise qui traite des renseignements de clients, l'option qui répond le mieux à la souveraineté reste celle où les données ne sortent pas : l'IA locale, ou à défaut un hébergeur établi au Québec avec une entente claire. C'est aussi celle qui simplifie le plus la conformité — pas de transfert à évaluer, pas de loi étrangère à craindre.

Comparatif des trois options, en un coup d'œil

Aucune option n'est « la bonne » dans l'absolu : la bonne option dépend de la donnée. C'est pourquoi une même PME en utilise plusieurs.

Pas à pas : mettre en place une IA locale simple

Monter une IA locale n'est plus un projet de grande entreprise. La marche à suivre, pour une PME :

1. Un serveur — une machine correcte au Québec (un poste dédié ou un serveur loué chez un hébergeur québécois). Pas besoin de matériel extrême pour les usages courants.
2. Le moteur — installer Ollama, qui fait tourner des modèles libres (Llama, Mistral) localement.
3. L'interface — ajouter Open WebUI ou AnythingLLM par-dessus : une page de chat que les employés utilisent comme ils utiliseraient ChatGPT, mais tout reste chez vous.
4. Le RAG (optionnel) — connecter un dossier de documents internes pour que l'IA réponde à partir d'eux, sans jamais les envoyer dehors.
5. Tester puis ouvrir — valider la qualité sur quelques cas, puis donner l'accès à l'équipe.

Le modèle local est parfois un peu moins « brillant » qu'un très gros modèle cloud, mais pour résumer, rédiger un brouillon ou répondre à partir de vos documents, il fait largement le travail — et aucune donnée ne quitte l'organisation.

Le RAG local, concrètement

Pour l'électricien, un RAG local transforme ses anciennes soumissions et ses manuels en une mémoire interrogeable : un apprenti demande « quelle est notre procédure pour tel type d'installation? » et l'assistant répond à partir des vrais documents de l'entreprise, pas de connaissances générales. Comme ces documents contiennent des noms de clients et des détails de chantiers, les garder en local évite à la fois la fuite et l'obligation d'évaluer un transfert. C'est l'exemple type où l'hébergement local n'est pas un luxe, mais la condition pour utiliser l'IA sur ce contenu.

Trois erreurs fréquentes

• Choisir un outil sans savoir où il traite les données. « Pratique » ne dit rien sur l'emplacement ni la nationalité du fournisseur.
• Croire que « région Canada » suffit. Un fournisseur américain reste soumis à ses lois même avec des serveurs au Canada — voir les exigences.
• Tout vouloir en local d'un coup. On commence hybride : le sensible en local, le reste en cloud encadré, et on élargit.

Pour le sensible, l'IA locale n'est pas qu'une précaution — c'est ce qui supprime l'obligation à la source.

Planifier un accompagnement Analyse d'intégration IA