L’intelligence artificielle est souvent associée à des plateformes en ligne : ChatGPT, Claude, Gemini, Midjourney, Firefly ou encore des assistants intégrés dans des logiciels professionnels. Ces services sont puissants, simples d’accès et régulièrement mis à jour. Pourtant, ils ne représentent qu’une partie du paysage de l’IA.
Depuis quelques années, il est devenu possible d’utiliser des modèles d’intelligence artificielle directement sur son propre ordinateur. On parle alors d’IA locale, ou d’IA exécutée en local. Cela signifie que le modèle fonctionne sur la machine de l’utilisateur, sans nécessairement envoyer les données vers un serveur externe.
Pour un étudiant, un créatif, un développeur, un formateur ou une entreprise, cette approche ouvre des possibilités très concrètes : expérimenter librement, protéger ses documents, comprendre le fonctionnement technique des modèles, créer des images, interroger ses propres fichiers, automatiser certaines tâches et apprendre à construire des workflows d’IA plus responsables.
1. Qu’est-ce qu’une IA locale ?
Une IA locale est une intelligence artificielle installée et exécutée directement sur un ordinateur personnel, une station de travail, un serveur privé ou parfois un NAS suffisamment puissant.
Contrairement à une IA en ligne, l’IA locale ne dépend pas forcément d’une connexion internet pour fonctionner. Une fois les logiciels et les modèles téléchargés, les calculs peuvent être réalisés directement sur la machine.
Il faut distinguer trois éléments :
Le modèle
C’est le “cerveau” de l’IA. Pour le texte, il peut s’agir de modèles comme Llama, Mistral, Qwen, Gemma ou DeepSeek. Pour l’image, il peut s’agir de modèles comme Stable Diffusion, SDXL, Flux ou d’autres modèles spécialisés.
Le moteur d’exécution
C’est le logiciel qui permet de faire tourner le modèle sur l’ordinateur. Par exemple : Ollama, llama.cpp, LM Studio ou le moteur intégré à certains outils.
L’interface utilisateur
C’est l’application avec laquelle l’utilisateur interagit : une fenêtre de chat, une interface web, un système de documents, une interface de création d’images ou un éditeur de workflow.
Une IA locale n’est donc pas un seul logiciel. C’est plutôt un écosystème composé d’outils, de modèles et d’usages.
2. Pourquoi utiliser l’IA localement ?
L’IA locale présente plusieurs avantages importants.
2.1. La confidentialité
C’est souvent la première raison. Lorsque l’on travaille avec des documents sensibles — notes de cours, documents internes, fichiers clients, recherches, données d’entreprise — il peut être préférable de ne pas les envoyer à une plateforme externe.
Avec une IA locale, les fichiers restent sur l’ordinateur. Cela ne signifie pas que tout est automatiquement sécurisé, mais cela permet de mieux contrôler où sont stockées les données et comment elles sont utilisées.
2.2. L’indépendance
Une IA locale peut fonctionner sans abonnement, sans limite quotidienne imposée par une plateforme et parfois sans connexion internet. Pour apprendre, tester, comparer ou expérimenter, c’est un vrai avantage.
2.3. La compréhension technique
Utiliser l’IA localement permet de mieux comprendre ce qui se passe derrière une interface de chat. On découvre les notions de modèle, de quantification, de mémoire vidéo, de contexte, de prompt, d’embeddings, de RAG, de GPU, de tokens ou encore de workflow.
Pour des étudiants, c’est particulièrement intéressant : on ne se contente pas d’utiliser l’IA, on apprend à la manipuler comme un environnement technique.
2.4. La personnalisation
Une IA locale peut être adaptée à des usages précis. On peut choisir un modèle plus rapide, un modèle plus créatif, un modèle spécialisé dans le code, un modèle multilingue, un modèle léger ou un modèle plus puissant.
On peut aussi connecter l’IA à ses propres documents, créer des assistants spécialisés, préparer des workflows d’image ou automatiser certaines étapes de production.
2.5. Le coût à long terme
L’IA locale demande parfois une machine puissante, mais elle permet ensuite de faire beaucoup d’expérimentations sans payer à chaque requête. Cela peut être intéressant pour les écoles, les studios, les indépendants ou les équipes qui souhaitent apprendre sans dépendre uniquement de services payants.
3. Les limites de l’IA locale
Il ne faut pas idéaliser l’IA locale. Elle présente aussi des limites.
3.1. Le matériel
Les modèles d’IA consomment beaucoup de ressources. Plus un modèle est grand, plus il demande de mémoire vive, de mémoire vidéo et de puissance de calcul.
Un ordinateur portable classique peut faire tourner de petits modèles texte. Pour générer des images confortablement, une carte graphique dédiée est fortement recommandée. Pour des modèles très puissants, il faut parfois une station de travail haut de gamme.
3.2. La qualité des réponses
Les meilleurs modèles en ligne restent souvent plus performants pour les tâches complexes : raisonnement avancé, recherche récente, analyse longue, compréhension très fine ou production éditoriale exigeante.
Les modèles locaux progressent vite, mais ils ne remplacent pas toujours les grands modèles hébergés dans le cloud.
3.3. La maintenance
Installer une IA locale implique parfois de gérer des versions, des dépendances, des modèles, des extensions, des drivers GPU ou des problèmes de compatibilité.
Certains outils sont très simples. D’autres demandent plus de patience.
3.4. L’absence d’information récente
Un modèle local ne connaît pas automatiquement l’actualité. Il ne va pas chercher des informations en ligne, sauf si on lui ajoute des outils spécifiques.
Il faut donc distinguer les usages :
- pour travailler sur ses propres documents, l’IA locale est très utile ;
- pour suivre l’actualité, vérifier des sources ou analyser des informations récentes, une IA connectée peut rester plus adaptée.
4. Les grandes familles d’outils
On peut classer les outils d’IA locale en plusieurs catégories.
4.1. Les outils pour discuter avec des modèles de langage
Ces outils permettent d’utiliser des LLM, c’est-à-dire des grands modèles de langage. Ils servent à rédiger, résumer, reformuler, expliquer, coder ou analyser du texte.
Les principaux outils à connaître sont :
- Ollama
- LM Studio
- Jan
- GPT4All
- AnythingLLM
- Open WebUI
4.2. Les outils pour interroger ses documents
Certains outils permettent d’ajouter des PDF, des fichiers texte, des documents de cours, des bases de connaissance ou des dossiers complets. L’IA peut ensuite répondre en s’appuyant sur ces documents.
C’est ce qu’on appelle souvent du RAG, pour Retrieval-Augmented Generation. En français, on pourrait parler de génération augmentée par recherche documentaire.
Les outils importants dans cette catégorie sont :
- AnythingLLM
- Open WebUI
- GPT4All
- certains montages avec Ollama
4.3. Les outils pour générer des images
Pour l’image, l’IA locale fonctionne différemment. Elle repose souvent sur des modèles de diffusion, comme Stable Diffusion, SDXL ou Flux.
Les outils importants sont :
- ComfyUI
- InvokeAI
- Stable Diffusion WebUI
- Stability Matrix
4.4. Les outils pour construire des workflows
Certains outils ne servent pas seulement à écrire un prompt. Ils permettent de construire des chaînes de production : texte vers image, image vers image, agrandissement, retouche, contrôle de pose, variations, génération vidéo, automatisation.
ComfyUI est aujourd’hui l’un des outils les plus importants dans cette logique.
5. Les outils essentiels à connaître
Ollama
Site officiel : https://ollama.com
Bibliothèque de modèles : https://ollama.com/library
GitHub : https://github.com/ollama/ollama
Ollama est l’un des outils les plus populaires pour faire tourner des modèles de langage en local. Il est particulièrement apprécié des développeurs, car il permet de télécharger et lancer des modèles avec des commandes simples.
Par exemple, une fois Ollama installé, on peut lancer un modèle depuis le terminal. L’outil télécharge le modèle, le prépare et permet de discuter avec lui.
Ollama peut aussi être utilisé comme moteur derrière d’autres interfaces. Par exemple, Open WebUI ou certains outils de RAG peuvent se connecter à Ollama pour utiliser les modèles localement.
Points forts
Ollama est simple, robuste et très utilisé. Il permet de tester rapidement plusieurs modèles. Il fonctionne bien comme “moteur” local pour d’autres applications.
Limites
L’interface de base est plus technique qu’un logiciel grand public. Même si des interfaces existent, Ollama reste souvent plus confortable pour les personnes qui acceptent d’utiliser un terminal ou de connecter plusieurs outils ensemble.
Pour qui ?
Ollama est recommandé pour les étudiants en développement, les enseignants techniques, les makers, les profils curieux et tous ceux qui veulent comprendre comment fonctionne un environnement local.
LM Studio
Site officiel : https://lmstudio.ai
Catalogue de modèles : https://lmstudio.ai/models
Documentation : https://lmstudio.ai/docs/app/basics
LM Studio est une application de bureau qui permet de télécharger, gérer et utiliser des modèles de langage localement avec une interface graphique agréable.
C’est l’un des meilleurs choix pour débuter sans trop de complexité. L’utilisateur peut rechercher un modèle, le télécharger, le charger et commencer à discuter avec lui.
LM Studio peut aussi exposer une API locale compatible avec certains usages de développement, ce qui permet de l’utiliser dans des projets plus avancés.
Points forts
LM Studio est simple à installer et à comprendre. Son interface est plus rassurante qu’un terminal. Il permet de tester rapidement plusieurs modèles et de comprendre la différence entre eux.
Limites
Il est très pratique pour discuter avec des modèles, mais moins orienté vers les workflows complexes, la gestion documentaire avancée ou le déploiement collaboratif.
Pour qui ?
LM Studio est probablement l’un des meilleurs choix pour un premier contact avec les modèles de langage locaux.
AnythingLLM
Site officiel : https://anythingllm.com
Version desktop : https://anythingllm.com/desktop
GitHub : https://github.com/Mintplex-Labs/anything-llm
AnythingLLM est un outil très intéressant pour créer un assistant local capable de travailler avec des documents. Il peut se connecter à des modèles locaux ou cloud, intégrer des fichiers, organiser des espaces de travail et permettre de discuter avec une base de connaissance.
C’est un outil particulièrement adapté pour comprendre l’usage de l’IA dans un contexte professionnel : documentation interne, support, formation, aide à la rédaction, analyse de fichiers, préparation de cours.
Points forts
AnythingLLM est accessible, visuel et orienté productivité. Il permet de créer des espaces de travail, d’ajouter des documents et de construire une expérience proche d’un assistant privé.
C’est probablement l’un des meilleurs outils pour expliquer aux étudiants le passage entre “discuter avec une IA” et “construire un assistant utile sur ses propres données”.
Limites
La qualité des réponses dépend fortement du modèle utilisé, des documents ajoutés et de la manière dont la base est organisée. Il ne faut pas croire qu’ajouter un PDF suffit automatiquement à obtenir un système fiable.
Pour qui ?
AnythingLLM est excellent pour les étudiants, formateurs, petites équipes, indépendants et entreprises qui veulent créer une base de connaissance locale ou semi-locale.
Open WebUI
Site officiel : https://docs.openwebui.com
GitHub : https://github.com/open-webui/open-webui
Open WebUI est une interface web open source qui permet d’utiliser différents modèles et moteurs, notamment Ollama. Elle peut fonctionner localement et propose une expérience proche des interfaces de chat modernes.
L’intérêt d’Open WebUI est sa flexibilité. Il peut servir d’interface commune pour plusieurs modèles, plusieurs utilisateurs et plusieurs usages. Il est souvent utilisé par des personnes qui veulent mettre en place une interface locale plus complète, parfois pour une équipe ou un réseau interne.
Points forts
Open WebUI est puissant, extensible et adapté aux usages avancés. Il permet de construire une interface plus structurée autour de modèles locaux. Il est très utile avec Ollama.
Limites
L’installation peut être un peu plus technique que LM Studio ou AnythingLLM Desktop. Il faut parfois comprendre Docker, les ports locaux, les services ou les connexions entre outils.
Pour qui ?
Open WebUI est recommandé pour les étudiants avancés, les développeurs, les administrateurs système, les enseignants techniques et les équipes qui veulent un environnement local partagé.
Jan
Site officiel : https://jan.ai
GitHub : https://github.com/janhq/jan
Jan est une application open source qui se présente comme une alternative locale à ChatGPT. Elle permet de télécharger et d’utiliser des modèles open source sur son ordinateur, tout en gardant une interface de bureau simple.
Jan est intéressant car il cherche à rendre l’IA locale accessible, sans forcément demander à l’utilisateur de comprendre toute la partie technique.
Points forts
Jan est simple, open source et centré sur la confidentialité. Il propose une expérience plus proche d’un assistant personnel local.
Limites
Comme les autres outils, il dépend des performances de la machine et des modèles choisis. Il peut être moins flexible qu’un montage Ollama + Open WebUI pour des scénarios techniques avancés.
Pour qui ?
Jan est adapté aux étudiants qui veulent tester une alternative locale à ChatGPT sans entrer immédiatement dans la ligne de commande.
GPT4All
Site officiel : https://www.nomic.ai/gpt4all
GitHub : https://github.com/nomic-ai/gpt4all
GPT4All est l’un des projets qui a contribué à démocratiser l’usage de modèles de langage locaux. Il propose une application permettant d’utiliser des modèles sur son ordinateur, avec une approche orientée accessibilité.
Il peut être utilisé pour discuter avec des modèles, expérimenter avec des documents et comprendre les bases de l’IA locale.
Points forts
GPT4All est accessible, connu et historiquement important dans l’écosystème open source. Il est utile pour l’apprentissage.
Limites
Selon les usages, d’autres outils comme LM Studio, Ollama, AnythingLLM ou Open WebUI peuvent sembler plus modernes ou plus adaptés à certains workflows.
Pour qui ?
GPT4All reste un bon outil pédagogique pour découvrir l’IA locale et comprendre l’évolution de l’écosystème.
6. Les outils pour l’image
ComfyUI
Site officiel / GitHub : https://github.com/Comfy-Org/ComfyUI
ComfyUI est aujourd’hui l’un des outils les plus importants pour la génération d’images en local. Il repose sur une interface par nœuds. Au lieu d’écrire simplement un prompt dans une case, l’utilisateur construit un workflow visuel composé de blocs reliés entre eux.
Chaque nœud correspond à une étape : charger un modèle, écrire un prompt positif, écrire un prompt négatif, définir une taille d’image, choisir un sampler, générer une image, agrandir une image, utiliser un ControlNet, appliquer une LoRA, faire de l’image vers image, etc.
Pourquoi ComfyUI est important
ComfyUI permet de comprendre que la génération d’image n’est pas magique. C’est une chaîne de traitement.
Pour un étudiant en design, en communication, en audiovisuel ou en développement créatif, ComfyUI est extrêmement formateur. Il oblige à comprendre les étapes de production et donne un contrôle très fin sur le résultat.
C’est aussi un outil très utilisé dans des contextes professionnels ou semi-professionnels, notamment pour créer des workflows reproductibles.
Points forts
ComfyUI est très puissant, modulaire et précis. Il permet de sauvegarder des workflows, de les modifier, de les partager et de les automatiser. Il est adapté aux usages avancés : génération d’images, variation, upscale, inpainting, animation, vidéo, contrôle de composition.
Limites
La courbe d’apprentissage est plus importante. Au début, l’interface peut sembler intimidante. Les étudiants peuvent avoir l’impression de regarder un schéma technique plutôt qu’un outil créatif.
C’est précisément ce qui fait son intérêt pédagogique : ComfyUI montre la structure de la création par IA.
Pour qui ?
ComfyUI est recommandé pour les étudiants en design, direction artistique, audiovisuel, développement créatif, UX/UI, motion design ou toute personne qui veut comprendre la génération d’image au-delà du simple prompt.
InvokeAI
Site officiel : https://invoke.ai
GitHub : https://github.com/invoke-ai/invokeai
InvokeAI est un outil de génération et d’édition d’images par IA. Il propose une interface plus orientée création visuelle que ComfyUI, avec des fonctions de génération, de retouche, d’inpainting et de gestion de modèles.
InvokeAI est intéressant pour les profils créatifs qui veulent produire des images avec un environnement plus direct et moins technique qu’un système de nœuds.
Points forts
InvokeAI est plus accessible visuellement. Il est adapté à la création, à l’itération et à l’édition d’images. Il peut être plus agréable pour des étudiants qui viennent du graphisme ou de la communication.
Limites
Il donne moins de contrôle structurel que ComfyUI pour les workflows très avancés.
Pour qui ?
InvokeAI est recommandé pour les créatifs qui veulent un outil local plus simple pour générer et modifier des images.
Stability Matrix
Site officiel : https://lykos.ai
GitHub : https://github.com/LykosAI/StabilityMatrix
Stability Matrix n’est pas seulement un générateur d’images. C’est surtout un gestionnaire qui facilite l’installation et la gestion de plusieurs interfaces Stable Diffusion, dont ComfyUI.
Il peut simplifier la vie des étudiants et formateurs, car l’installation d’outils d’image locale peut parfois être complexe.
Points forts
Stability Matrix facilite l’installation, la mise à jour et la gestion de plusieurs outils. Il permet aussi de centraliser certains modèles.
Limites
Il ne remplace pas l’apprentissage des outils eux-mêmes. Il aide surtout à les installer et les organiser.
Pour qui ?
Stability Matrix est utile pour les ateliers, les salles de cours, les formateurs et les étudiants qui veulent tester plusieurs interfaces sans tout configurer manuellement.
7. Quel est le meilleur outil ?
Il n’existe pas un seul “meilleur” outil. Le bon choix dépend de l’usage.
Pour débuter avec un assistant local
Le meilleur choix est généralement LM Studio ou Jan.
LM Studio est très simple pour télécharger un modèle et commencer à discuter. Jan est également intéressant pour une expérience proche d’un assistant personnel local.
Pour construire un assistant avec ses propres documents
Le meilleur choix est souvent AnythingLLM.
Il permet d’ajouter des documents, de créer des espaces de travail et de comprendre très concrètement comment l’IA peut devenir un assistant documentaire.
Pour une installation plus technique et évolutive
Le meilleur choix est souvent Ollama + Open WebUI.
Ollama sert de moteur local pour les modèles. Open WebUI sert d’interface. Ensemble, ils forment une base solide pour apprendre, tester, partager et construire des usages plus avancés.
Pour la génération d’images avancée
Le meilleur choix est ComfyUI.
Il est plus difficile à prendre en main, mais il offre un contrôle très supérieur. Pour comprendre sérieusement l’image générative, ComfyUI est l’outil le plus formateur.
Pour l’image avec une approche plus créative et directe
Le meilleur choix peut être InvokeAI.
Il est plus accessible que ComfyUI pour des créatifs qui veulent produire rapidement des images sans construire un workflow complexe.
8. Configuration recommandée pour un cours
Pour un cours destiné à des étudiants, il faut éviter de commencer par l’installation la plus complexe. L’objectif est d’apprendre progressivement.
Niveau 1 : découverte
Objectif : comprendre ce qu’est un modèle local.
Outils recommandés :
- LM Studio
- Jan
- GPT4All
Exercices :
- télécharger un petit modèle ;
- poser des questions simples ;
- comparer deux modèles ;
- tester la rédaction, le résumé et la reformulation ;
- observer les limites.
Niveau 2 : documents et base de connaissance
Objectif : comprendre comment une IA peut travailler avec des fichiers.
Outils recommandés :
- AnythingLLM
- Ollama
- éventuellement Open WebUI
Exercices :
- créer un espace de travail ;
- importer un document de cours ;
- poser des questions sur ce document ;
- vérifier les réponses ;
- repérer les hallucinations ;
- reformuler les questions pour obtenir de meilleurs résultats.
Niveau 3 : image locale
Objectif : comprendre la génération d’image.
Outils recommandés :
- ComfyUI
- InvokeAI
- Stability Matrix pour faciliter l’installation
Exercices :
- générer une image à partir d’un prompt ;
- modifier les paramètres ;
- comparer plusieurs modèles ;
- tester l’image vers image ;
- utiliser un workflow ComfyUI simple ;
- comprendre les nœuds principaux.
Niveau 4 : projet complet
Objectif : construire un mini-système local.
Exemple de projet :
Créer un assistant local pour une petite agence fictive.
Le système pourrait inclure :
- un modèle local via Ollama ;
- une interface via Open WebUI ;
- une base documentaire via AnythingLLM ;
- une génération visuelle via ComfyUI ;
- un dossier de documentation ;
- une réflexion sur les limites, les risques et la confidentialité.
9. Comprendre les modèles
Un outil local ne sert à rien sans modèle. Le modèle est ce qui permet à l’IA de produire du texte, du code, des images ou des analyses.
Les modèles de langage
Les modèles de langage servent à produire ou comprendre du texte.
Exemples de familles de modèles :
- Llama
- Mistral
- Qwen
- Gemma
- DeepSeek
- Phi
- Nous Hermes
- OpenHermes
Certains modèles sont meilleurs en anglais, d’autres sont plus équilibrés en français. Certains sont spécialisés dans le code. D’autres sont plus rapides mais moins précis.
La taille des modèles
La taille d’un modèle est souvent indiquée en milliards de paramètres : 3B, 7B, 8B, 13B, 30B, 70B, etc.
Un modèle 7B est plus léger qu’un modèle 70B. Il demande moins de mémoire et tourne plus facilement sur un ordinateur personnel. En revanche, il peut être moins performant sur des raisonnements complexes.
Pour un cours, les modèles entre 3B et 8B sont souvent un bon point de départ.
La quantification
La quantification permet de réduire la taille d’un modèle pour le faire tourner plus facilement sur une machine locale.
On voit souvent des formats comme GGUF ou des indications comme Q4, Q5, Q8. Plus la quantification est forte, plus le modèle est léger, mais il peut perdre un peu en qualité.
Pour les étudiants, il est important de comprendre ce compromis :
plus léger = plus accessible, mais parfois moins précis.
10. Matériel nécessaire
L’IA locale dépend fortement du matériel.
Pour le texte
Un ordinateur récent avec 16 Go de RAM permet déjà de tester de petits modèles. Avec 32 Go de RAM, l’expérience devient plus confortable.
Une carte graphique dédiée améliore les performances, mais elle n’est pas toujours obligatoire pour les petits modèles texte.
Pour l’image
La génération d’image demande davantage de ressources. Une carte graphique avec de la mémoire vidéo est fortement recommandée.
Pour utiliser ComfyUI confortablement, il est préférable d’avoir une carte graphique NVIDIA avec suffisamment de VRAM. Des solutions existent aussi sur Mac Apple Silicon ou sur certaines configurations AMD, mais les performances et la compatibilité peuvent varier.
Pour un atelier en classe
Il faut prévoir :
- des modèles déjà téléchargés ;
- des machines testées avant le cours ;
- une solution alternative pour les étudiants avec des ordinateurs moins puissants ;
- des exercices adaptés aux ressources disponibles ;
- éventuellement une machine serveur pour démonstration.
11. Confidentialité et sécurité
L’IA locale est souvent présentée comme plus privée. C’est vrai dans de nombreux cas, mais cela ne dispense pas de réfléchir à la sécurité.
Les données restent-elles vraiment locales ?
Si l’outil est bien configuré et que le modèle tourne localement, les prompts et documents ne sont pas envoyés à une plateforme externe.
Mais certains outils peuvent proposer des connexions cloud, des téléchargements de modèles, des extensions ou des options en ligne. Il faut donc lire les paramètres et comprendre ce qui est activé.
Attention aux serveurs exposés
Certains outils peuvent créer une API locale. C’est pratique pour connecter d’autres applications, mais cela peut devenir dangereux si le service est exposé sur internet sans protection.
Règle simple pour les étudiants :
une IA locale doit rester locale, sauf si l’on sait exactement ce que l’on fait.
Attention aux documents sensibles
Même en local, il faut éviter de mélanger des documents confidentiels avec des outils mal compris. Il faut savoir où sont stockés les fichiers, les historiques, les embeddings et les configurations.
12. L’IA locale et l’écologie
L’IA locale n’est pas automatiquement écologique. Elle déplace une partie du calcul depuis les grands centres de données vers les machines personnelles.
Cela peut être pertinent si l’on réutilise du matériel existant, si l’on choisit des modèles légers, si l’on évite des requêtes inutiles et si l’on apprend à mesurer les ressources consommées.
Mais faire tourner de grands modèles localement sur une machine très énergivore n’est pas forcément meilleur qu’utiliser un service cloud optimisé.
La bonne approche consiste à choisir le bon niveau de puissance pour le bon usage.
Pour un résumé simple, un petit modèle local peut suffire. Pour un raisonnement complexe, un modèle cloud performant peut être plus efficace. Pour une génération d’image expérimentale, il faut apprendre à limiter les itérations inutiles.
13. L’IA locale dans les métiers créatifs
Pour les métiers du design, de la communication, de l’audiovisuel et du web, l’IA locale a un intérêt particulier.
Elle permet de :
- tester des directions visuelles ;
- générer des pistes graphiques ;
- créer des variations ;
- préparer des moodboards ;
- automatiser certaines étapes répétitives ;
- travailler sur des images sans envoyer les fichiers à un service externe ;
- construire des workflows reproductibles.
ComfyUI est particulièrement important dans ce contexte. Il permet de dépasser la logique du simple prompt pour entrer dans une logique de production.
Un designer ne doit pas seulement apprendre à écrire “une belle image”. Il doit apprendre à contrôler une intention, une composition, une lumière, un style, une cohérence et une chaîne de transformation.
14. L’IA locale dans le développement web
Pour les développeurs, l’IA locale permet de créer des assistants de code privés, de documenter des projets, d’expliquer des fonctions ou de générer des exemples.
Ollama est particulièrement intéressant ici, car il peut être connecté à des éditeurs de code, des scripts, des outils d’automatisation ou des interfaces locales.
Les étudiants peuvent apprendre à :
- lancer un modèle local ;
- appeler une API locale ;
- envoyer un prompt depuis un script ;
- créer une petite interface ;
- comparer les réponses de plusieurs modèles ;
- comprendre les limites d’un assistant de code.
L’important est de ne pas confondre génération de code et validation du code. Une IA peut proposer, mais le développeur doit tester, comprendre et corriger.
15. L’IA locale dans la formation
Dans un contexte pédagogique, l’IA locale permet de créer des environnements d’apprentissage contrôlés.
Un enseignant peut préparer :
- un assistant qui répond uniquement à partir du cours ;
- une base de documents ;
- un outil de reformulation ;
- un assistant de révision ;
- un générateur d’exercices ;
- un système de questions-réponses sur un corpus.
Cela permet aussi de discuter avec les étudiants des limites de l’IA : hallucinations, biais, qualité des sources, dépendance à l’outil, coût énergétique, responsabilité, confidentialité.
L’IA locale devient alors un objet d’apprentissage, pas seulement un outil de productivité.
16. Exemple de scénario pédagogique
Sujet : créer un assistant local de révision
Objectif : les étudiants doivent créer un assistant capable de répondre à partir d’un document de cours.
Étape 1 : installation
Les étudiants installent LM Studio ou Ollama.
Étape 2 : choix du modèle
Ils téléchargent un petit modèle adapté à leur machine.
Étape 3 : test simple
Ils posent des questions générales au modèle pour observer son comportement.
Étape 4 : ajout de documents
Ils utilisent AnythingLLM pour créer un espace de travail et importer un document de cours.
Étape 5 : questions ciblées
Ils posent des questions sur le contenu du document.
Étape 6 : vérification
Ils comparent les réponses avec le document original.
Étape 7 : analyse critique
Ils identifient les erreurs, les approximations et les réponses utiles.
Étape 8 : restitution
Ils rédigent une courte note expliquant :
- ce qui fonctionne ;
- ce qui ne fonctionne pas ;
- les risques ;
- les améliorations possibles.
17. Exemple de scénario créatif
Sujet : créer une affiche avec un workflow IA local
Objectif : comprendre comment une image générée peut s’intégrer dans une démarche de direction artistique.
Étape 1 : intention
Les étudiants définissent un thème, une cible et une ambiance.
Étape 2 : génération simple
Ils génèrent une première image avec un outil comme InvokeAI ou ComfyUI.
Étape 3 : analyse
Ils observent la composition, la lumière, les erreurs, le style et la cohérence.
Étape 4 : amélioration
Ils modifient le prompt et les paramètres.
Étape 5 : workflow
Ils utilisent un workflow ComfyUI simple pour mieux contrôler le résultat.
Étape 6 : post-production
Ils retravaillent l’image dans un logiciel graphique classique.
Étape 7 : mise en page
Ils intègrent l’image dans une affiche, une couverture, une bannière ou une interface.
Étape 8 : critique
Ils expliquent ce qui relève de l’IA, ce qui relève du choix humain et ce qui relève de la direction artistique.
18. Comparatif rapide des outils
| Outil | En bref |
|---|---|
| LM Studio | Idéal pour débuter avec les modèles de langage locaux. — Simple, visuel, efficace. |
| Jan | Bon choix pour une expérience proche d’un assistant local. — Accessible et open source. |
| Ollama | Excellent moteur local pour les modèles de langage. — Très utile pour les développeurs et les montages avancés. |
| AnythingLLM | Très bon outil pour créer un assistant avec ses documents. — Pertinent pour les cours, les bases de connaissance et les usages professionnels. |
| Open WebUI | Interface puissante pour utiliser des modèles locaux, souvent avec Ollama. — Adapté aux usages avancés ou collectifs. |
| GPT4All | Bon outil pédagogique pour découvrir les modèles locaux. — Historiquement important dans l’écosystème open source. |
| ComfyUI | Outil de référence pour la génération d’image avancée en local. — Très puissant, mais plus difficile à prendre en main. |
| InvokeAI | Très bon outil créatif pour générer et modifier des images localement. — Plus accessible que ComfyUI pour certains profils. |
| Stability Matrix | Très utile pour installer et gérer plusieurs interfaces de génération d’image. — Pratique pour les ateliers et les environnements pédagogiques. |
19. Recommandation finale
Pour un cours complet sur l’IA locale, la meilleure progression est la suivante :
- LM Studio pour découvrir les modèles locaux sans complexité.
- AnythingLLM pour comprendre l’usage documentaire et les assistants privés.
- Ollama + Open WebUI pour construire une base technique plus solide.
- ComfyUI pour comprendre la génération d’image avancée.
- InvokeAI pour une approche créative plus directe.
- Stability Matrix pour simplifier l’installation des outils d’image.
Si l’on devait choisir un seul outil pour commencer, le choix le plus simple serait LM Studio.
Si l’on devait choisir un seul outil pour travailler avec des documents, le meilleur choix serait AnythingLLM.
Si l’on devait choisir une base technique durable, le meilleur choix serait Ollama + Open WebUI.
Si l’on devait choisir un outil pour l’image professionnelle et avancée, le meilleur choix serait ComfyUI.
20. Conclusion
Utiliser l’intelligence artificielle localement permet de reprendre le contrôle sur une partie de l’expérience IA. Ce n’est pas toujours plus simple, ni toujours plus puissant, mais c’est souvent plus formateur.
L’IA locale permet de comprendre les modèles, les ressources nécessaires, les limites techniques, la confidentialité, la gestion documentaire et les workflows créatifs.
Pour les étudiants, c’est une excellente manière de passer d’une posture de simple utilisateur à une posture de concepteur. On ne se contente plus de demander une réponse à une plateforme. On apprend à choisir un modèle, organiser des données, tester un outil, construire un workflow et évaluer un résultat.
L’avenir de l’IA ne sera probablement pas uniquement local, ni uniquement cloud. Il sera hybride.
Les outils en ligne resteront utiles pour les tâches complexes, les modèles très puissants, la recherche récente et les usages rapides. Les outils locaux seront précieux pour apprendre, expérimenter, protéger certaines données, créer des workflows personnalisés et construire des environnements maîtrisés.
Savoir utiliser les deux approches devient donc une compétence essentielle.
Liens utiles
Ollama
https://ollama.com
https://ollama.com/library
https://github.com/ollama/ollama
LM Studio
https://lmstudio.ai
https://lmstudio.ai/models
https://lmstudio.ai/docs/app/basics
AnythingLLM
https://anythingllm.com
https://anythingllm.com/desktop
https://github.com/Mintplex-Labs/anything-llm
Open WebUI
https://docs.openwebui.com
https://github.com/open-webui/open-webui
Jan
https://jan.ai
https://github.com/janhq/jan
GPT4All
https://www.nomic.ai/gpt4all
https://github.com/nomic-ai/gpt4all
ComfyUI
https://github.com/Comfy-Org/ComfyUI
InvokeAI
https://invoke.ai
https://github.com/invoke-ai/invokeai
Stability Matrix
https://lykos.ai
https://github.com/LykosAI/StabilityMatrix