Auto-hébergement (modèles d'IA)
Auto-héberger un modèle d'IA (self-hosting) signifie le faire tourner sur du matériel que vous contrôlez, comme vos propres serveurs, des GPU loués ou un ordinateur portable, au lieu d'appeler l'API d'un fournisseur. Vous choisissez le modèle et gardez les données, mais vous gérez l'infrastructure.
Aussi appelé : self-hosted, self-hosted LLM, on-premises AI
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Avec une API hébergée, un fournisseur fait tourner le modèle et vous lui envoyez vos données. L'auto-hébergement inverse la situation : vous téléchargez les poids d'un modèle, généralement un modèle open-weight, et vous les servez vous-même.
Pourquoi les équipes le font
Les principales raisons sont le contrôle et la confidentialité. Les prompts et les sorties ne quittent jamais votre environnement, ce qui aide pour la résidence des données et pour les données que vous n'avez pas le droit d'envoyer à un tiers. Vous figez aussi la version exacte du modèle, qui ne change donc pas sans vous, et vous pouvez faire son fine-tuning. À fort volume régulier, louer ou posséder des GPU peut coûter moins cher que de payer au token.
Comment on le fait
Sur une seule machine, Ollama, llama.cpp et LM Studio font tourner des LLM locaux et proposent une API sur localhost. Pour le trafic de production, des serveurs comme vLLM et SGLang ajoutent le continuous batching et une API compatible OpenAI, si bien que le code client existant continue de fonctionner. Le matériel peut vous appartenir ou être loué auprès d'un cloud GPU. Le calculateur de GPU estime ce dont un modèle a besoin.
Les coûts
La disponibilité, la montée en charge, les correctifs de sécurité, la supervision et la planification de capacité sont à votre charge. Les GPU inactifs coûtent quand même de l'argent quand le trafic est faible. Les meilleurs modèles ouverts peuvent être en retrait par rapport aux meilleurs modèles fermés sur certaines tâches, et certains modèles fermés ne sont pas du tout disponibles en auto-hébergement. La licence de chaque modèle fixe aussi des conditions d'usage.
Entre les deux
Les déploiements dédiés proposés par les fournisseurs d'inférence, ou les plateformes gérées comme Modal, font tourner le modèle de votre choix sur du matériel réservé sans que vous gériez de serveurs. Ils offrent une partie du contrôle pour un coût opérationnel moindre, mais les données quittent tout de même votre réseau.
Termes liés
- Service de modèles
- Le service de modèles (model serving) consiste à faire tourner un modèle entraîné comme un service que les applications appellent sur le réseau, avec un logiciel qui charge les poids sur les GPU, met en file et regroupe les requêtes, gère la mémoire et renvoie les résultats.
- Résidence des données
- La résidence des données (data residency) est un contrôle qui garantit que les données d'un client sont stockées, et souvent traitées, dans une région géographique choisie comme l'UE, afin qu'une équipe puisse respecter ses propres règles légales, contractuelles ou clients sur le lieu où se trouvent les données.
- LLM local
- Un LLM local est un modèle de langage qui tourne sur votre propre ordinateur, téléphone ou serveur plutôt que via l'API cloud d'un fournisseur, de sorte que les prompts et les données restent sur votre matériel et qu'il fonctionne sans connexion internet.
- Modèle open-weight
- Un modèle open-weight (modèle à poids ouverts) est un modèle dont les poids entraînés sont publiés pour que chacun puisse les télécharger et les exécuter, souvent sans le code d'entraînement ni l'ensemble des données d'entraînement ; il n'est donc pas forcément open source.
- Cloud GPU
- Un cloud GPU est un service qui loue des machines à GPU à l'heure ou à la seconde pour l'entraînement, le fine-tuning et l'inférence en IA. Des fournisseurs spécialisés, parfois appelés neoclouds, se concentrent sur les GPU et facturent souvent moins cher que les grands clouds généralistes.