Vos données, votre périmètre

IA privée ou IA cloud : de quoi parle-t-on exactement ?

Le vocabulaire est flou, commençons par le fixer. L'IA cloud recouvre deux réalités distinctes. D'abord les assistants SaaS — ChatGPT Enterprise, Claude Enterprise —, où l'éditeur héberge tout et où vous consommez un service par utilisateur. Ensuite les API, éventuellement servies par votre cloud existant — Azure pour OpenAI, AWS Bedrock ou Google Vertex AI pour Anthropic —, où vous gardez la main sur l'application mais où l'inférence reste chez le fournisseur. Dans les deux cas, vos données transitent hors de votre périmètre, protégées par un contrat et des certifications.

L'IA privée recouvre elle aussi un dégradé. Le cas le plus courant : des modèles ouverts — Llama, Mistral, Qwen, DeepSeek, Gemma — servis depuis vos propres serveurs GPU ou ceux d'un hébergeur national, sous votre contrôle. Vos données ne quittent jamais votre périmètre réseau. Le cas extrême : l'air-gapped, sans aucune connexion sortante, pour les environnements industriels ou régaliens les plus sensibles.

Entre les deux se glisse une zone grise à connaître : le cloud privé ou cloud de confiance, où un tiers opère une infrastructure dédiée pour vous, avec des engagements de localisation et de non-accès. Ce n'est pas de l'IA privée au sens strict — vous dépendez d'un opérateur — mais cela résout beaucoup de cas sans en payer le prix complet. Beaucoup d'organisations qui croient avoir besoin d'on-premise ont en réalité besoin de cela.

Ce que le cloud garantit vraiment — et ce qu'il ne garantit pas

Soyons précis, parce que c'est là que naissent les malentendus coûteux. Ce que les offres entreprise d'OpenAI et d'Anthropic garantissent contractuellement : vos données ne servent pas à entraîner les modèles, les échanges sont chiffrés en transit et au repos, la rétention est paramétrable par l'administrateur, les certifications SOC 2 Type II sont en place, et l'accès des salariés de l'éditeur à vos contenus est encadré et journalisé. Ce sont des garanties sérieuses, et il faut le dire nettement : pour l'immense majorité des documents d'une entreprise, elles suffisent.

Ce qu'elles ne garantissent pas : que vos données restent physiquement dans votre pays — la résidence régionale existe sur certaines offres, mais rarement au Maroc ; qu'aucune injonction judiciaire étrangère ne puisse viser l'hébergeur ; que vous conserviez la maîtrise si le fournisseur change ses conditions. Ce sont des risques résiduels, faibles en probabilité, mais non nuls et non contractualisables.

La question à se poser n'est donc pas « le cloud est-il sûr ? » — il l'est, au sens de la sécurité informatique — mais « quel risque résiduel mon organisation accepte-t-elle, pour quelles données ? ». Un dossier RH, un devis commercial, une note de synthèse : le risque résiduel est acceptable et la valeur d'usage est immédiate. Un secret industriel, une donnée de défense, un dossier patient nominatif : la réponse change, et c'est là que l'IA privée entre en scène.

Le TCO sur trois ans : ce que coûte réellement chaque scénario

Le coût total de possession est l'argument le plus mal utilisé du débat, dans les deux sens. Plutôt que d'annoncer un montant qui serait faux pour la plupart des lecteurs, posons les postes à additionner sur trois ans : le vôtre dépendra de vos effectifs équipés, de vos volumes et de votre négociation.

Scénario cloud SaaS : des licences entreprise facturées par siège et par mois — plusieurs dizaines de dollars par siège selon les ordres de grandeur du marché, sur devis et dégressifs avec le volume —, auxquelles s'ajoute l'accompagnement au déploiement la première année. Coût prévisible, aucun investissement initial, capacités toujours à jour. Un conseil de dimensionnement : multipliez par le nombre de sièges réellement actifs, jamais par l'effectif total. Scénario API : facturé au volume — de l'ordre de 1 à 5 dollars par million de tokens en entrée et 10 à 25 en sortie sur les modèles frontière selon les grilles publiques de juillet 2026, cinq à dix fois moins sur les déclinaisons légères. Coût variable, très optimisable par le cache, le routage et le traitement par lots.

Scénario IA privée : c'est ici que les projections dérapent le plus souvent, parce qu'on ne compte que le matériel. Le poste GPU — achat amorti sur trois ans ou location — n'est que la partie visible du coût réel, et rarement la plus lourde. Le reste se répartit entre l'ingénierie initiale (architecture, RAG, service, évaluation : deux à quatre mois d'équipe), l'exploitation courante (supervision, mises à jour, gestion des incidents : une fraction de poste, jamais zéro), et l'hébergement (énergie, redondance, sauvegarde). Notre règle empirique : l'IA privée devient compétitive en TCO à partir de plusieurs centaines d'utilisateurs actifs ou de volumes API massifs et répétitifs — en dessous, elle se justifie par la contrainte de données, pas par l'économie. Notre calculateur de coûts IA permet de simuler votre configuration en dollars et en dirhams.

Les compétences nécessaires pour opérer une IA privée

C'est le poste que les projections oublient, et la première cause d'échec des projets d'IA souveraine que nous auditons. Servir un modèle ouvert en production ne se résume pas à lancer un conteneur. Il faut, au minimum, quatre familles de compétences.

L'ingénierie d'inférence : choisir le format et la quantification du modèle, dimensionner le serveur, configurer le débit et la latence, gérer les files d'attente et la montée en charge. Ce n'est ni de l'administration système classique ni de la data science — c'est un métier récent, rare sur le marché marocain comme européen. L'ingénierie applicative : le modèle nu ne sert à rien ; il faut le RAG, les connecteurs aux systèmes internes, les garde-fous, l'interface. Cette part du travail est identique en cloud, mais en privé elle n'est adossée à aucune brique prête à l'emploi.

L'exploitation : supervision de la qualité des réponses, gestion des incidents, mises à jour de modèles — un modèle ouvert n'est pas figé, ses successeurs sortent tous les trimestres et il faut décider quand migrer, puis réévaluer. Et la sécurité : durcissement, gestion des accès, journalisation, tests d'intrusion.

En pratique, pour une plateforme d'IA privée d'entreprise, comptez une équipe de deux à quatre personnes en régime de croisière, ou un contrat d'infogérance équivalent. C'est parfaitement finançable — mais il faut le décider en connaissance de cause, pas le découvrir au sixième mois. Notre offre IA souveraine assume précisément cette part opérationnelle pour les organisations qui ne veulent pas la construire en interne.

La conformité, secteur par secteur : banque, santé, industrie, secteur public

La conformité est le seul argument qui tranche vraiment le débat, et elle ne se raisonne pas globalement mais secteur par secteur, et même donnée par donnée.

Banque et assurance. Au Maroc, les traitements de données personnelles relèvent de la loi 09-08 et des formalités auprès de la CNDP, avec un encadrement spécifique du transfert à l'étranger. Les exigences prudentielles de Bank Al-Maghrib sur l'externalisation ajoutent des obligations de maîtrise et de réversibilité. En pratique : la bureautique augmentée passe en cloud gouverné sans difficulté majeure ; les données de crédit nominatives, les modèles de scoring et les données de marché sensibles appellent une enclave privée ou, à tout le moins, une anonymisation robuste en amont.

Santé. Les données de santé sont la catégorie la plus protégée partout, et la plus surveillée. L'usage cloud est envisageable pour les tâches administratives et documentaires dépourvues de données patient. Dès que le dossier patient entre dans le périmètre, l'IA privée ou l'hébergement certifié devient la règle plutôt que l'exception.

Industrie. Le sujet n'est pas la donnée personnelle mais le secret industriel : plans, procédés, paramètres de production, données de maintenance prédictive. Aucun texte ne l'interdit, mais la politique de propriété intellectuelle de beaucoup de groupes le fait — et c'est légitime. C'est le terrain naturel de l'IA privée, jusqu'à l'air-gapped sur les sites critiques.

Secteur public et opérateurs d'importance vitale. Les directives de la DGSSI encadrent l'hébergement et la sécurité des systèmes d'information sensibles. L'arbitrage n'est plus contractuel mais doctrinal : IA privée, hébergement souverain national, ou exclusion du périmètre IA.

L'hybride : la réponse la plus fréquente, et la plus mal comprise

Dans la grande majorité de nos missions, la réponse n'est ni le cloud pur ni le privé pur, mais une architecture hybride assumée — et c'est là que le raisonnement se joue vraiment. Le principe : classez vos données en trois cercles, puis positionnez le curseur de souveraineté cercle par cercle, pas globalement.

Cercle un, données publiques ou faiblement sensibles : cloud SaaS, sans état d'âme. Cercle deux, données internes et personnelles courantes : cloud entreprise gouverné — offres avec engagement contractuel, politique d'usage écrite, contrôle des connecteurs, formalités CNDP en règle. Cercle trois, données critiques : enclave privée, sur vos serveurs ou chez un hébergeur national, avec les modèles ouverts qui suffisent à la tâche.

L'erreur classique, celle qui coûte le plus cher, est de sur-spécifier : appliquer les contraintes du cercle trois à l'ensemble du périmètre, par précaution générale. Le résultat est prévisible — dix-huit mois de projet, des capacités inférieures pour tous, et un taux d'adoption qui ne décolle jamais, pendant que les collaborateurs utilisent leur compte personnel sur leur téléphone. Le shadow IT est la vraie fuite de données, et la sur-spécification en est la première cause.

L'erreur symétrique est de sous-spécifier : tout envoyer dans le cloud sans classification, et découvrir le problème lors du premier audit. L'hybride bien mené n'est pas un compromis mou : c'est la seule architecture qui donne à chaque donnée le régime qu'elle mérite, et à chaque collaborateur l'outil qu'il utilisera vraiment.