Table of Contents
Quel ordinateur choisir pour l’IA ? Tout dépend de l’usage prévu et de la taille des modèles : pour le bureau, un ordinateur portable ou un PC IA doté d’un NPU suffit généralement ; pour exécuter localement des modèles plus volumineux, une station de travail ou un supercalculateur IA de bureau est nécessaire ; pour entraîner des modèles à partir de zéro, il faut un serveur GPU ou le cloud. Ce guide s’adresse aux entreprises, équipes IT, PME et organismes publics qui prévoient de déployer l’IA.
Vous découvrirez ici quatre catégories d’ordinateurs conçus pour les charges de travail IA, leurs limites réelles, les paramètres essentiels tels que la mémoire et la bande passante, ainsi qu’un tableau indiquant les ressources requises pour des scénarios d’utilisation précis. Il s’agit d’une décision importante : un ordinateur bien choisi permet d’exécuter des modèles de langage sur les ressources locales, de préserver la confidentialité des données et d’utiliser la puissance de calcul disponible de manière flexible et optimale.
Selon le rapport d’Eurostat, en 2025, 20 % des entreprises de l’Union européenne utilisaient des technologies d’IA. Deux ans plus tôt, cette proportion était de 8 %. Parmi les grandes entreprises, elle atteint déjà 55 %, contre 17 % pour les petites entreprises. L’adoption s’accélère, mais de manière inégale, et de plus en plus d’équipes doivent aujourd’hui choisir leur matériel.
À quel usage cet ordinateur est-il destiné ?
Avant d’examiner les caractéristiques, définissez votre scénario d’utilisation. C’est lui qui détermine le choix, et non les seules spécifications techniques. Le meilleur ordinateur IA est celui dont la configuration et le budget correspondent à des usages précis de l’intelligence artificielle.
- Assistance IA au quotidien. Transcription de réunions, génération et révision de textes, assistant intégré au système, filtres pour visioconférences. Les modèles fonctionnent dans le cloud ou en local, mais ils sont légers et sollicitent peu le matériel.
- Exécution locale de modèles prêts à l’emploi. L’entreprise télécharge un modèle open source et l’utilise en interne pour analyser des documents, traiter les demandes clients ou générer des images. Cette catégorie inclut également l’analyse de données et les projets de machine learning plus simples. Les données ne quittent pas l’organisation. C’est à ce stade que les exigences matérielles deviennent concrètes.
- Ajustement de modèles à vos propres données. Le fine-tuning et LoRA permettent au modèle d’apprendre la terminologie, les procédures et le contexte propres à une entreprise. Ils nécessitent nettement plus de mémoire que la simple exécution d’un modèle prêt à l’emploi.
- Entraînement d’un modèle à partir de zéro. Création d’un modèle propriétaire à partir de zéro. Cette tâche relève d’une infrastructure de data center, et non d’un ordinateur de bureau.
Les deux premiers scénarios peuvent être pris en charge par du matériel que de nombreuses entreprises possèdent déjà ou peuvent acquérir sans investissement important. Le troisième exige un choix réfléchi quant à la catégorie d’équipement. En pratique, le quatrième implique le cloud ou une salle serveur. Cette répartition facilite également le choix des développeurs IA et des analystes de données, qui travaillent le plus souvent sur les deux scénarios intermédiaires.
Types d’ordinateurs pour l’IA
PC IA avec NPU
Ordinateur de bureau ou portable équipé d’un NPU dédié, conçu pour les tâches d’intelligence artificielle. Il les traite avec une faible consommation d’énergie, sans solliciter le processeur ni la carte graphique et sans envoyer les données vers le cloud. Le seuil d’entrée est de 40 TOPS (billions d’opérations par seconde). C’est le niveau exigé par la certification Copilot+, aujourd’hui présente sur les ordinateurs portables équipés de processeurs Intel Core Ultra, AMD Ryzen AI et Snapdragon X.
Convient pour : l’assistance au travail de bureau, la transcription, la traduction, l’utilisation d’un assistant système et l’exécution de petits modèles locaux.
Limites : les modèles dépassant quelques milliards de paramètres. Un PC IA n’est pas destiné à l’ajustement ni à l’entraînement de modèles : ce n’est pas son rôle.
Exemple : Dell Pro 16 avec processeur AMD Ryzen AI
Station de travail avec carte NVIDIA RTX
Station de travail classique équipée d’une carte graphique professionnelle NVIDIA. Pour les ordinateurs IA, on choisit généralement des cartes NVIDIA RTX, car leurs cœurs Tensor accélèrent les calculs des modèles d’intelligence artificielle et de machine learning. L’écosystème logiciel CUDA, devenu la norme pour la plupart des outils et bibliothèques, est tout aussi important. Le traitement est assuré par le processeur graphique, et le paramètre clé est la quantité de mémoire VRAM de la carte, de 16 GB dans les configurations d’entrée de gamme à 96 GB sur les cartes RTX PRO Blackwell. Leur atout est une bande passante mémoire très élevée, qui détermine les performances réelles.
Convient pour : la génération d’images et de vidéos, l’utilisation de modèles de langage comptant jusqu’à environ 32 milliards de paramètres, le rendu et le calcul, partout où le temps de réponse est important. Pour les modèles de langage, le minimum pratique est de 12–16 GB VRAM.
Limites : les modèles 70B et plus grands. Ils ne tiennent que sur les cartes les plus coûteuses avec 96 GB VRAM, tandis que les modèles au-delà de 120B ne tiennent déjà plus. L’extension nécessite alors une configuration multi-GPU avec une alimentation, un refroidissement et un budget adaptés.
Exemple : Lenovo ThinkStation P3 Tower Gen 2 – station de travail équipée d’une carte professionnelle NVIDIA RTX et de 16 GB de mémoire VRAM.
Supercalculateur IA de bureau
La toute dernière catégorie d’équipements, construite autour du superchip NVIDIA GB10 Grace Blackwell, permet de travailler avec de grands modèles directement sur le bureau. Il associe processeur et processeur graphique dans un pool commun de 128 GB de mémoire unifiée, entièrement accessible au modèle, sans séparation rigide entre RAM et VRAM. L’équipement a la taille d’un livre, consomme autant qu’un ordinateur portable puissant et fonctionne silencieusement, tout en prenant en charge l’écosystème complet NVIDIA : CUDA, conteneurs NGC, PyTorch, Ollama. Le principal avantage de cette catégorie est le contrôle total des données lors de l’exécution locale de modèles d’IA.
Convient pour : l’exécution locale de grands modèles (jusqu’à environ 200 milliards de paramètres), le prototypage, l’ajustement de modèles avec LoRA et QLoRA, ainsi que le travail sur des données qui ne peuvent pas quitter l’entreprise. Il convient également aux tests d’applications IA propriétaires et aux expérimentations en itérations courtes, où la rapidité de validation des nouvelles idées est essentielle.
Limites : pour l’entraînement de modèles à partir de zéro et le traitement en production de nombreux utilisateurs simultanément. Cet équipement est destiné à une équipe travaillant sur le modèle, et non à un serveur d’applications pour toute l’organisation.
Exemple : Asus Ascent GX10 – un supercalculateur IA de bureau compact basé sur le superchip GB10, destiné aux développeurs ainsi qu’aux ingénieurs IA et data.
Serveur GPU et cloud
Infrastructure serveur dotée d’accélérateurs de classe H100, H200 ou Blackwell — en propre ou louée dans le cloud. La puissance et la bande passante sont nettement supérieures, mais les exigences le sont aussi : baie rack, alimentation électrique et refroidissement dimensionnés en kilowatts.
Convient pour : l’entraînement de modèles à partir de zéro, la prise en charge de nombreux utilisateurs, les déploiements exigeant l’exécution simultanée de nombreuses opérations et le traitement en temps réel.
Ses limites : les coûts et les données. Le cloud implique que les informations quittent l’entreprise, ce qui reste l’un des principaux freins aux déploiements de l’IA.
Avant de passer à une infrastructure de datacenter, il est utile d’examiner une étape intermédiaire. Les supercalculateurs IA de bureau peuvent être associés par deux, ce qui permet d’obtenir 256 GB de mémoire partagée — suffisamment pour travailler avec des modèles de l’ordre de 405 milliards de paramètres, sans sortir du bureau ni investir dans une infrastructure.
Exemple : HP ZGX Nano G1n – deux unités de ce type reliées via l’interface ConnectX-7 fournissent 256 GB de mémoire partagée.
Exigences matérielles : quelle quantité de mémoire est nécessaire et pourquoi c’est le paramètre le plus important
La mémoire détermine si le modèle peut tout simplement démarrer. Dans une station de travail, il s’agit de la VRAM de la carte graphique ; dans les supercalculateurs IA de bureau, il s’agit de mémoire unifiée partagée entre le processeur et le processeur graphique. Du point de vue de l’utilisateur, une seule chose compte : la quantité de mémoire réellement disponible pour le modèle. La mémoire vive et la VRAM ne sont pas interchangeables, car elles remplissent des rôles différents et se dimensionnent séparément.
Des désignations telles que 7B ou 70B indiquent le nombre de paramètres du modèle, soit respectivement 7 et 70 milliards. Les paramètres sont les valeurs que le modèle a acquises pendant l’entraînement et qu’il doit charger en mémoire pour fonctionner. Plus ils sont nombreux, meilleure est la qualité des réponses, mais plus les exigences matérielles sont élevées.
Les besoins dépendent du nombre de paramètres du modèle et de la quantification, c’est-à-dire de la précision de représentation. La règle est simple : avec une quantification sur 4 bits (Q4), le modèle nécessite environ 0,5–0,6 GB pour chaque milliard de paramètres ; sur 8 bits (Q8), environ 1 GB ; et en pleine précision FP16, environ 2 GB. Il faut y ajouter une marge de 10–20 %.
| Modèle | Q4 (4 bits) | Q8 (8 bits) | FP16 |
| 7B / 8B | 5–8 GB | 8–10 GB | 14–16 GB |
| 13B | 8–10 GB | 14 GB | 26 GB |
| 30–34B | env. 20 GB | env. 34 GB | env. 64 GB |
| 70B | 40–48 GB | env. 70 GB | env. 140 GB |
| 120B (MoE) | 65–75 GB | — | — |
| 200B (FP4) | tient dans 128 GB | — | — |
| 405B | 256 GB (deux unités) | — | env. 810 GB |
Les valeurs de la colonne Q4 incluent déjà la marge nécessaire pour le cache KV et la surcharge. Les colonnes Q8 et FP16 indiquent la taille des seuls poids du modèle ; il faut leur ajouter 10–20 % supplémentaires. Le modèle 405B tient sur deux unités interconnectées uniquement avec une représentation sur 4 bits (Q4).
Pour la génération d’images, les exigences sont plus faibles : Stable Diffusion 1.5 fonctionne à partir de 4–6 GB, SDXL est confortable avec 12–16 GB, et les modèles plus récents de la classe FLUX nécessitent 24–48 GB. L’entraînement d’un LoRA personnalisé pour SDXL tient dans 16–24 GB.
Dans les environnements de data science, 32 GB de mémoire RAM reste la norme, même si le travail avec de grands modèles locaux peut nécessiter davantage. Le réglage fin avec LoRA ou QLoRA est réalisable même pour le modèle 70B sur une seule unité dotée de 128 GB de mémoire unifiée. L’entraînement complet de grands modèles reste l’apanage des équipements de datacenter.
La mémoire détermine ce qui tient. La bande passante détermine la rapidité des réponses du modèle
Le deuxième paramètre, rarement évoqué mais déterminant pour le confort de travail au quotidien, est la bande passante mémoire. La quantité de mémoire détermine si le modèle peut être chargé ; la bande passante, elle, détermine à quelle vitesse il générera les mots suivants de sa réponse.
| Appareil | Bande passante mémoire |
| Supercalculateur IA de bureau (GB10) | 273 GB/s |
| Apple Mac Studio M3 Ultra | 819 GB/s |
| NVIDIA RTX 4090 | env. 1008 GB/s |
| NVIDIA RTX 5090 | env. 1792 GB/s |
| NVIDIA H100 (HBM3) | env. 3350 GB/s |
À première vue, la conclusion semble évidente : puisque H100 offre une bande passante douze fois plus élevée, pourquoi choisir un appareil à 273 GB/s ? Cette comparaison est toutefois trompeuse, car ces équipements ne sont pas en concurrence.
H100 est un accélérateur destiné à un serveur en baie rack, qui coûte plusieurs dizaines de milliers de dollars pour le seul composant et nécessite une infrastructure de datacenter. Un supercalculateur IA de bureau se pose sur un bureau et consomme autant d’électricité qu’un ordinateur portable puissant. La popularité de cette catégorie ne tient pas à sa vitesse, mais au fait que 128 GB de mémoire dans un format aussi compact était auparavant inaccessible à ce prix. Auparavant, une entreprise disposait de trois options : une carte RTX avec 24–32 GB, soit trop peu pour les grands modèles ; un serveur avec H100, soit trop coûteux et nécessitant un datacenter ; ou le cloud, avec des données qui sortent de l’entreprise. Cette nouvelle catégorie d’appareils comble le vide entre les deux.
C’est un peu comme comparer un utilitaire à une voiture de sport. La voiture de sport est plus rapide, mais ce n’est pas l’essentiel. Ce qui compte, c’est la capacité disponible et le coût.
En pratique, voici ce que cela donne : le modèle 70B génère une réponse lentement dans un flux unique, nettement moins vite que sur un serveur. Mais il la génère localement, sans envoyer les données vers le cloud ni investir dans une salle serveur. Avec plusieurs requêtes exécutées en parallèle, par exemple dans des pipelines ou des agents, les performances globales augmentent. C’est largement suffisant pour le prototypage, l’ajustement fin et le travail collaboratif sur le modèle.
Les autres composants jouent un rôle secondaire, sans être pour autant négligeables. Un SSD NVMe rapide réduit le temps de chargement des modèles et améliore les performances globales ; la configuration d’un ordinateur destiné à l’IA doit donc inclure le GPU, le processeur, la mémoire RAM et un SSD NVMe. Dans les systèmes prêts à l’emploi, les autres composants sont sélectionnés pour une configuration précise, il n’est donc pas nécessaire de les évaluer séparément. Le seul véritable choix concerne la capacité de stockage, à adapter à la taille des modèles et des jeux de données utilisés.
Présentation des marques et des gammes
Tous les supercalculateurs d’IA de bureau actuellement disponibles reposent sur le même superchip NVIDIA GB10 et disposent de la même quantité de mémoire unifiée : 128 GB. Les fabricants ne les différencient pas par leurs performances. Les différentes configurations se distinguent par la capacité de stockage, le boîtier et le refroidissement, le système d’exploitation, ainsi que l’étendue de la garantie et de l’assistance. C’est un point important lors de l’achat : comparer ces systèmes en fonction de leur puissance de calcul n’a pas de sens ; l’essentiel est leur adéquation avec les processus et les exigences de chaque entreprise.
- NVIDIA DGX Spark – version de référence et point de comparaison pour toute cette catégorie de systèmes. NVIDIA s’appuie sur ce modèle pour sa documentation et ses ressources techniques ; les descriptions de performances et les tests publiés en ligne concernent donc le plus souvent cette variante. Il est livré avec un SSD rapide de grande capacité et un boîtier distinctif qui le différencie des conceptions des partenaires.
- Lenovo ThinkStation PGX – gamme ThinkStation bénéficiant d’une infrastructure étendue de service après-vente et d’assistance technique. C’est la marque la plus largement représentée dans cette catégorie : de nombreuses variantes sont disponibles, avec des capacités de stockage, des systèmes d’exploitation et des formules de garantie différents. Un choix naturel pour les organisations qui disposent déjà de procédures d’achat et de maintenance établies avec Lenovo.
- HP ZGX Nano G1n – également disponible dans une variante sans module radio, destinée aux environnements soumis à des exigences de sécurité renforcées. Cette option est rare dans cette catégorie et constitue un véritable avantage partout où les politiques de sécurité excluent les connexions sans fil, par exemple dans l’administration publique, le secteur financier ou les réseaux isolés. Le système est fourni avec un système d’exploitation basé sur Linux, prêt à fonctionner avec des modèles.
- Dell Pro Max – un choix naturel pour les organisations qui achètent leurs équipements dans le cadre de contrats d’entreprise avec Dell, ce qui simplifie les formalités lors de déploiements de grande envergure. Disponible en configuration standard avec un SSD de grande capacité, sans achat de stockage supplémentaire.
- ASUS Ascent GX10 – conception compacte. Les variantes disponibles avec différentes capacités de stockage permettent de commencer avec une configuration plus modeste et de réduire le seuil d’investissement si l’entreprise teste encore le travail avec des modèles locaux. La conception permet d’empiler les unités, ce qui facilite les extensions ultérieures.
- Gigabyte AI TOP ATOM et MSI EdgeXpert – variantes privilégiant une capacité de stockage élevée et rapide. C’est important pour travailler simultanément avec de grands jeux de données et de nombreux modèles, lorsque les seuls fichiers de modèles occupent des centaines de gigaoctets. Elles conviennent également lorsque le système doit fonctionner hors de la salle serveur, à proximité du lieu où les données sont générées.
- Acer Veriton GN100 – conception assurant une dissipation thermique efficace. Comparé aux autres systèmes de cette catégorie, il chauffe le moins, ce qui garantit un fonctionnement stable lors de tâches longues, telles que l’ajustement fin de modèles, lorsque l’équipement reste sollicité pendant plusieurs heures sans interruption.
Questions fréquentes
Quelle est la différence entre un ordinateur classique et un PC IA ?
Un PC IA intègre un NPU dédié qui traite les tâches d’intelligence artificielle localement et avec une bonne efficacité énergétique. Un ordinateur classique peut également exécuter des charges de travail d’IA, mais il le fera avec son processeur ou sa carte graphique, plus lentement et avec une consommation énergétique plus élevée.
Quelle quantité de RAM est nécessaire pour travailler avec l’IA ?
Pour les usages bureautiques assistés par l’IA, 16 GB suffisent ; 32 GB offrent un meilleur confort. Dans les environnements de data science, 32 GB de RAM constituent la norme, et le travail avec des modèles locaux exige souvent davantage. L’élément clé n’est toutefois pas seulement la mémoire système, mais aussi la mémoire disponible pour le GPU : la VRAM ou la mémoire unifiée.
Quelle quantité de VRAM faut-il pour exécuter le modèle 7B, 13B ou 70B ?
Avec une quantification sur 4 bits : environ 5–8 GB pour le modèle 7B, 8–10 GB pour 13B et 40–48 GB pour 70B. En pratique, pour les modèles de langage, le minimum commence à 12–16 GB de VRAM, selon la quantification.
Pour l’IA, le processeur ou la carte graphique est-il le plus important ?
La carte graphique ou un accélérateur dédié. Le processeur gère la préparation des données, mais c’est le GPU qui effectue les calculs proprement dits. Les puces dotées de cœurs Tensor accélèrent les tâches d’apprentissage automatique plus efficacement qu’un processeur seul.
Qu’est-ce que la mémoire unifiée et en quoi diffère-t-elle de la VRAM ?
La VRAM est une mémoire dédiée de manière permanente à la carte graphique. La mémoire unifiée est un pool partagé entre le processeur et le GPU. Ainsi, un système doté de 128 GB de mémoire unifiée peut exécuter un modèle qui ne tiendrait dans aucune carte graphique individuelle. En contrepartie, sa bande passante est inférieure et les réponses sont donc générées plus lentement.
Qu’est-ce qu’un NPU et de combien de TOPS ai-je besoin ?
Un NPU est une puce spécialisée dans les calculs d’intelligence artificielle. Les TOPS mesurent ses performances. Pour les usages bureautiques assistés par l’IA, 40 TOPS suffisent : c’est le seuil de certification Copilot+. Pour les modèles plus grands, les TOPS cessent d’être un indicateur pertinent ; la mémoire et la bande passante deviennent alors déterminantes.
L’IA fonctionne-t-elle sous Windows ou Linux est-il nécessaire ?
L’IA fonctionne sous Windows. Toutefois, les outils professionnels destinés au travail avec de grands modèles sont principalement développés pour Linux ; les supercalculateurs IA de bureau sont donc généralement livrés avec un système basé sur Ubuntu.
Pour des modèles de quelle taille 128 GB de mémoire unifiée sont-ils suffisants ?
Pour des modèles d’environ 200 milliards de paramètres avec une quantification sur 4 bits. Les modèles de l’ordre de 405 milliards nécessitent l’association de deux unités.
Peut-on relier deux unités en cluster ?
Oui. Les appareils basés sur GB10 intègrent une interface réseau NVIDIA ConnectX-7 avec des ports de 200 GbE, ce qui permet de relier deux unités et d’obtenir 256 GB de mémoire partagée.
Quand choisir un PC IA, une station de travail ou un serveur ?
PC IA : lorsque l’IA doit accompagner le travail de bureau quotidien. Station de travail avec RTX : si vous travaillez avec des images, des vidéos ou des modèles allant jusqu’à 32 milliards de paramètres et que la rapidité est essentielle. Supercalculateur IA de bureau : si vous avez besoin de grands modèles en local et de réglage fin. Serveur ou cloud : si vous entraînez des modèles.
Avec un modèle local, les données quittent-elles l’entreprise ?
Non. Un modèle exécuté sur votre propre matériel traite les données exclusivement en local. C’est la principale raison pour laquelle les entreprises traitant des données sensibles choisissent des solutions sur site plutôt que le cloud.
Données sur l’utilisation de l’IA dans les entreprises : Eurostat, « Use of artificial intelligence in enterprises », données pour l’année 2025. Spécifications et paramètres à jour en août 2026.
