Essais
L'AI quitte le cloud : données sur la transition vers les calculs sur l'appareil (2024–2029)
June 14, 2026 · 7 min de lecture
Ces quinze dernières années, l'informatique a évolué dans une seule direction : le cloud. Aujourd'hui, la tendance s'inverse : une part croissante de l'inférence de l'AI s'effectue non plus sur des serveurs distants, mais directement sur l'appareil de l'utilisateur — ordinateur portable, téléphone ou navigateur. Cet article propose une analyse neutre de la réalité de cette transition : ce que révèlent les prévisions des plus grands cabinets d'analyse et quelles raisons techniques et économiques la sous-tendent. Tous les chiffres sont accompagnés de liens vers leurs sources originales.
Que signifie « l'AI sur l'appareil »
Pour aborder le sujet de manière concrète, définissons les termes :
- On-device (edge) inference — l'inférence s'exécute sur l'appareil lui-même ; les données ne sont pas envoyées vers un serveur externe.
- NPU (Neural Processing Unit) — un composant spécialisé du processeur qui accélère les calculs d'AI tout en consommant peu d'énergie. C'est précisément l'intégration des NPU dans le matériel grand public qui a rendu l'AI locale viable.
- SLM (Small Language Model) — un modèle de langage compact (quelques milliards de paramètres), capable de fonctionner sur un téléphone ou un ordinateur portable sans solliciter de centre de données.
« L'AI quitte le cloud » ne signifie pas pour autant l'abandon du cloud, mais plutôt un déplacement du centre de gravité : de plus en plus de tâches sont traitées localement, tandis que le cloud reste réservé aux cas les plus lourds.
Les données se sont déjà déplacées vers la périphérie du réseau
L'indicateur le plus global est le lieu de création et de traitement des données. En 2019, moins de 10% des données d'entreprise étaient traitées en dehors d'un centre de données traditionnel centralisé ou du cloud. Selon les prévisions de Gartner, cette part atteindra 75% d'ici 2025.
Source : Gartner — What Edge Computing Means for Infrastructure and Operations Leaders. Comparaison entre 2019 et les prévisions pour 2025.
C'est le contexte infrastructurel : les données se rapprochent physiquement de leur source — l'utilisateur et ses appareils. L'inférence de l'AI suit la même logique que tout autre traitement : calculer là où les données sont générées est plus économique et plus rapide que de les faire transiter par le réseau.
Matériel : les AI-PC et les NPU deviennent la norme
Le principal moteur concret est l'arrivée massive des NPU dans le matériel grand public. Les ordinateurs dits AI-PC (équipés d'un accélérateur neuronal dédié) passent en deux ou trois ans d'une niche premium à une configuration standard.
Selon les données d'IDC, les AI-PC représentent environ 40% des livraisons mondiales de PC en 2025 et approcheront les 60% d'ici 2027. Counterpoint Research prévoit que dès 2026, les ordinateurs portables équipés de NPU franchiront la barre de la moitié des livraisons mondiales.
Sources : IDC — Worldwide PC Forecast, Counterpoint Research — AI PCs to surpass half of global shipments in 2026, Computerworld.
Les livraisons représentent un flux. Le parc d'appareils installés est encore plus révélateur : selon les estimations d'IDC, la part des AI-PC parmi les ordinateurs en service passera de 5% en 2023 à 94% d'ici 2028. Dans quelques années, un ordinateur « ordinaire » sera capable par défaut d'exécuter l'AI localement.
Source : IDC. Estimation de la base installée, 2023 et prévisions pour 2028.
Processeurs et smartphones : vers une AI locale par défaut
Au niveau du silicium, la tendance est encore plus marquée. Gartner prévoit que d'ici 2029, l'AI intégrée on-device sera présente dans plus de 99% des microprocesseurs pour PC — contre environ 15% en 2024. Autrement dit, la présence d'un accélérateur neuronal cesse d'être une option pour devenir un élément de l'architecture de base du processeur.
Source : Gartner — Top Predictions for IT Organizations and Users. 2024 et prévisions pour 2029.
Pour les smartphones, la trajectoire est identique. Gartner s'attend à ce que dès 2027, des modèles compacts permettent d'exécuter une AI générative avancée directement sur le téléphone sans passer par le cloud. Et il ne s'agit pas seulement de prévisions — les plus grandes plateformes déploient déjà ces produits :
| Plateforme | Ce qui fonctionne sur l'appareil |
|---|---|
| Apple Intelligence | Le modèle principal fonctionne localement ; seule une partie des tâches lourdes est déléguée au cloud (Private Cloud Compute) |
| Microsoft Copilot+ PC | Une catégorie de PC avec NPU obligatoire ; plusieurs fonctionnalités d'AI sont calculées localement |
| Google Gemini Nano | Le modèle s'exécute entièrement sur l'appareil et hors ligne ; Android est le premier OS à intégrer un modèle on-device |
Lorsque trois entreprises qui façonnent les plateformes de milliards d'utilisateurs transfèrent simultanément les calculs sur l'appareil, cela cesse d'être une idée de niche pour devenir la direction prise par toute l'industrie.
Pourquoi cette transition est durable
Plusieurs forces indépendantes soutiennent cette tendance — et aucune d'entre elles ne semble temporaire :
- La confidentialité comme exigence. Lorsque l'inférence est locale, les données ne quittent pas l'appareil. Pour la médecine, la finance, le droit et les notes personnelles, cela résout une question juridique et de réputation, au-delà du simple confort. Google qualifie d'ailleurs Gemini Nano d'option la plus respectueuse de la vie privée précisément parce que les données ne sont pas envoyées vers des serveurs.
- L'économie de l'inférence. Payer pour chaque requête sur des GPU tiers passe difficilement à l'échelle. L'appareil, que l'utilisateur a déjà acheté, effectue les calculs sans coût marginal par requête.
- La latence et le mode hors ligne. Un modèle local répond instantanément et fonctionne sans connexion réseau — un point critique pour les assistants en temps réel.
- La maturité du matériel. L'intégration d'un NPU dans chaque nouvel ordinateur portable et téléphone a levé le principal obstacle technique : il y a encore cinq ans, exécuter des modèles localement était lent et coûteux.
Ce que cela change
La transition vers l'AI on-device ne change pas seulement l'endroit où les calculs sont effectués, mais aussi l'architecture des produits qui l'entourent. Si les données n'ont plus besoin d'être envoyées dans le cloud, l'existence d'une base de données unique et centralisée contenant les données de tous les utilisateurs n'est plus une fatalité. Or, une telle base représente toujours un double risque : un point de défaillance unique et un point d'accès unique (pour un attaquant, pour une fuite ou pour une requête externe). Plus les calculs se déplacent vers l'appareil, moins il y a de raisons de centraliser des données sensibles.
Pour les utilisateurs et les entreprises, cela signifie une chose simple : la confidentialité sera de plus en plus le résultat de l'architecture elle-même, et non d'une promesse inscrite dans une politique de confidentialité. Et les produits qui l'emporteront seront ceux conçus pour un monde où l'AI vit aux côtés de l'utilisateur, et non sur un serveur tiers.
Transparence : cet article a été préparé par l'équipe de maxOS — nous développons des outils de visioconférence avec traitement sur l'appareil, un sujet qui nous tient donc particulièrement à cœur. Les données présentées dans cet article proviennent des sources indépendantes citées ci-dessus ; nous nous sommes efforcés de les restituer fidèlement. Sur le même sujet : où va votre voix et pourquoi nous payons pour l'amélioration des modèles locaux.