À mesure que les entreprises passent de l’expérimentation d’outils d’intelligence artificielle à leur utilisation dans les activités quotidiennes, la question fondamentale n’est plus de savoir quel modèle choisir, mais où le traitement sera effectivement réalisé. L’expérience de 日本HP au Japon offre un cadre pratique pour arbitrer entre les services cloud et les systèmes locaux, tout en mettant clairement en garde contre l’idée de faire du fonctionnement local un objectif en soi.
Cette vision est issue d’une présentation donnée par 裕史勝谷, directeur du développement du marché de l’intelligence artificielle et de la science des données chez 日本HP, lors de la conférence HP Partner Communication 2026, tenue à Tokyo le 16 juillet 2026, ainsi que d’un entretien individuel réalisé avec lui par ITmedia. Selon 勝谷, nombre d’entreprises qui le contactent utilisent déjà l’intelligence artificielle, mais cherchent désormais des moyens d’en étendre les bénéfices au sein de leurs opérations.
De l’expérimentation générale au travail d’entreprise
勝谷 propose que les entreprises progressent de l’utilisation de la conversation et de la synthèse, vers la connexion des modèles aux documents internes, puis vers l’automatisation de tâches telles que la préparation de devis et de propositions au moyen d’agents d’intelligence artificielle. Dans sa présentation, il a réparti les rôles de ceux qu’il appelle les « employés de l’intelligence artificielle » en trois catégories : un assistant chargé des comptes rendus de réunion et de la préparation de documents, un employé spécialisé soutenant les activités commerciales ou de conception, et un rôle analytique contribuant à la présentation des données et à la prise de décision.
Cette vision ne se limite pas aux logiciels. 日本HP a présenté un ensemble comprenant des ordinateurs dotés de capacités d’intelligence artificielle et de formation, des stations de travail destinées à tester localement de grands modèles de langage, ainsi que des environnements d’exécution reposant sur plusieurs unités de traitement graphique pour les services des entreprises. L’idée est d’adapter l’infrastructure à l’étape d’utilisation, plutôt que de vendre un appareil ou un service indépendamment du processus dans lequel il sera utilisé.
La sensibilité des données est le point de départ
勝谷 utilise des services d’intelligence artificielle dans le cloud lorsqu’il recherche des informations accessibles au public, mais affirme exécuter le traitement localement lorsque les données concernent un travail qui ne peut pas sortir de l’entreprise. Cela ne signifie toutefois pas que toute tâche contenant des données internes doit automatiquement être transférée vers un appareil local ; il faut tester la capacité de l’environnement local à exécuter la tâche requise et la comparer à la rapidité et à la flexibilité du cloud.
L’expérience met en évidence une distinction importante entre le lieu d’utilisation de l’application et le lieu d’exécution de l’inférence. D’après l’article, l’application Codex d’OpenAI fonctionne sur l’ordinateur dans certains aspects de l’automatisation et de la programmation, mais l’inférence elle-même est effectuée dans le cloud. Les équipes informatiques doivent donc vérifier la destination des données et le lieu où le traitement est exécuté, plutôt que de se contenter de constater que l’interface de l’application se trouve sur un appareil situé dans l’entreprise.
日本HP teste également un agent d’intelligence artificielle open source appelé OpenClaw dans un environnement local, mais 勝谷 a indiqué que le traitement s’était parfois interrompu dans son environnement et qu’il continuait à choisir Codex dans certains cas. Cette expérience appuie une position pratique : la possibilité d’un fonctionnement entièrement local n’est pas garantie par la seule disponibilité du matériel ou du modèle.
Le choix de l’appareil évolue avec l’ampleur de l’utilisation
Après avoir déterminé la nécessité d’un fonctionnement local, il faut définir l’ampleur de l’utilisation. 勝谷 utilise l’appareil HP ZGX Nano G1n AI Station pour effectuer des tests initiaux et vérifier la possibilité de répondre aux exigences des clients ; il le décrit comme la version HP du NVIDIA DGX Spark. Sa petite taille permet également de le transporter sur un site tel qu’une ligne de production afin d’y effectuer le test.
Ce type d’appareil convient à la recherche et au développement, à l’utilisation par une seule personne ou à une expérimentation initiale avec un budget limité. En revanche, l’exécution d’une tâche par plusieurs personnes au sein d’un même service peut nécessiter une station de travail plus grande ou un environnement partagé. La réussite d’un modèle lors d’un test individuel ne prouve pas que ses performances resteront confortables lorsqu’il sera utilisé par tout un groupe. Le nombre d’utilisateurs, le temps d’attente acceptable et la fréquence des traitements sont des éléments à déterminer avant de choisir le matériel.
La décision porte également sur l’emplacement des appareils. Ils peuvent être proches des utilisateurs au début, puis être déplacés dans une salle informatique lorsque leur nombre augmente. Avec des agents qui répètent la planification, l’inférence, l’exécution d’outils et la vérification des résultats, il ne suffit pas de considérer la seule unité de traitement graphique ; la mémoire vive, le stockage SSD et le processeur central peuvent tous devenir des goulots d’étranglement.
Le coût ne se résume pas au prix du cloud comparé à celui de l’appareil
勝谷 estime que le cloud peut être le bon choix lorsqu’on privilégie le coût à court terme, tandis que l’environnement local offre à certaines entreprises une continuité accrue, notamment face aux problèmes liés au proxy du réseau de l’entreprise ou aux changements de prix et aux limites d’utilisation. Certains clients peuvent choisir de partager entre plusieurs utilisateurs une station de travail équipée d’une unité de traitement graphique afin de réduire le coût des jetons.
Une comparaison précise doit toutefois inclure l’électricité, la maintenance, l’administration et l’investissement initial liés à l’environnement local, en plus des conditions contractuelles et du volume d’utilisation dans le cloud. Il faut également se demander si les deux parties sont capables d’effectuer le même traitement avec une qualité et une reproductibilité identiques, ainsi que d’évaluer l’impact d’une interruption du service ou du réseau sur le travail.
Le facteur humain peut devenir le goulot d’étranglement
Même après avoir fourni le modèle et l’appareil, le processus peut être bloqué par une validation humaine requise pour exécuter une action disposant de certaines autorisations. 勝谷 reconnaît que sa propre indisponibilité peut faire de l’être humain le goulot d’étranglement. L’introduction d’agents nécessite donc de définir les étapes de validation et les personnes qui en sont responsables, et pas seulement de connecter l’agent aux outils.
La conclusion pratique de l’expérience de 日本HP est que le choix de l’environnement d’exécution de l’intelligence artificielle doit commencer par les données, puis par la tâche, le nombre d’utilisateurs, le coût, la continuité et les capacités de l’équipe d’exploitation. Il convient également de documenter le modèle choisi et les raisons de ce choix afin de pouvoir transmettre les connaissances lorsque les responsables changent. Ces recommandations restent fondées sur l’expérience d’un responsable de 日本HP et ne constituent pas une norme générale prouvant que le cloud ou le fonctionnement local est préférable dans tous les cas.