Un assistant IA interne est un outil conversationnel branché sur les documents et les logiciels de l’entreprise, qui répond aux collaborateurs à partir de la connaissance maison plutôt que du web. La question qui décide de tout n’est pas technique : faut-il l’héberger sur ses propres serveurs, ou passer par les interfaces d’un fournisseur ? La réponse courte, et elle va à contre-courant de la plupart des argumentaires : sur 24 mois, l’auto-hébergement coûte plus cher pour la quasi-totalité des TPE et PME. Ce n’est pas une décision d’économie. C’est une décision de confidentialité ou de conformité, et elle a un prix.
Cet article pose les chiffres, avec leurs sources. Il explique ensuite dans quels cas précis payer ce surcoût est justifié.
Pourquoi cet article existe
Une bonne dizaine d’agences françaises proposent aujourd’hui du déploiement d’IA auto-hébergée. Presque toutes avancent l’argument de l’économie face aux abonnements. Presque aucune ne publie de calcul.
Nous avons fait l’inverse : nous sommes partis des chiffres publics, y compris ceux publiés par des prestataires qui vendent de l’auto-hébergement, et nous avons regardé où ils menaient. Le résultat ne sert pas notre intérêt commercial immédiat, mais il évite à un dirigeant d’engager 40 000 € sur une promesse qui ne tient pas.
Ce qu’est réellement un assistant IA interne
Un assistant IA interne se distingue d’un ChatGPT grand public sur un point : il répond à partir de vos documents. Contrats, procédures, historique client, base de tickets, spécifications techniques.
Techniquement, cela repose le plus souvent sur ce qu’on appelle le RAG — pour retrieval augmented generation, littéralement « génération augmentée par la recherche ». Le principe est simple : avant de répondre, le système va chercher les passages pertinents dans vos documents, puis rédige sa réponse à partir de ces extraits, en citant ses sources. C’est ce qui distingue un outil fiable d’un outil qui invente.
Les usages qui reviennent le plus souvent en PME :
- Recherche documentaire. Retrouver une clause dans un contrat, une procédure qualité, une spécification, en posant la question en français plutôt qu’en fouillant un serveur de fichiers.
- Support interne. Répondre aux questions récurrentes sur les procédures, les accès, les congés, sans mobiliser une personne à chaque fois.
- Préparation commerciale. Synthétiser l’historique d’un compte avant un rendez-vous, à partir du CRM et des échanges passés.
- Traitement de documents entrants. Classer, extraire, préparer un premier brouillon de réponse.
Un point mérite d’être posé tout de suite, parce qu’il fait économiser beaucoup d’argent : tous ces usages ne relèvent pas de l’IA. Quand un processus est entièrement déterministe — si telle condition, alors telle action — une automatisation classique le traite mieux, pour beaucoup moins cher, et sans risque d’erreur d’interprétation. C’est le domaine d’outils comme n8n, et nous détaillons cette frontière sur notre page dédiée à l’automatisation des processus métier. L’IA n’a d’intérêt que là où il faut interpréter, résumer ou décider dans le flou.
Les deux architectures possibles
L’architecture par API. Votre assistant tourne chez vous, mais il envoie ses requêtes à un fournisseur de modèle qui facture à l’usage. Vous ne gérez aucun serveur de calcul. Vous payez ce que vous consommez.
L’architecture auto-hébergée. Le modèle de langage tourne sur des machines que vous possédez ou que vous louez. Aucune donnée ne sort de votre infrastructure. Vous portez l’intégralité de l’exploitation.
Le débat public résume souvent cela à « louer ou acheter ». C’est trompeur, parce que l’auto-hébergement n’est pas un achat, c’est la reprise d’une charge d’exploitation permanente.
| Poste |
Architecture par API |
Architecture auto-hébergée |
| Matériel de calcul |
Aucun |
Serveurs à provisionner, actifs même inutilisés |
| Exploitation |
Assurée par le fournisseur |
À votre charge, en interne ou déléguée |
| Changement de modèle |
Vous changez de référence dans la configuration |
Nouveau modèle à installer, tester, valider |
| Correctifs de sécurité |
Appliqués par le fournisseur |
À suivre et appliquer vous-même |
| Absorption d’un pic d’usage |
Immédiate |
Nécessite d’avoir surdimensionné à l’avance |
| Coût quand personne ne s’en sert |
Nul |
Identique à la pleine charge |
Cette dernière ligne est celle qu’on oublie systématiquement. Une infrastructure auto-hébergée coûte le même prix un dimanche d’août qu’un mardi de novembre.
Le calcul sur 24 mois
Voici la structure de coût d’un déploiement auto-hébergé, à partir des tarifs publiés par des prestataires français du secteur en 2026.
Cas 1 — PME de 10 à 20 utilisateurs
| Poste |
Fourchette basse |
Fourchette haute |
| Matériel de calcul |
4 000 € |
8 000 € |
| Mise en place, connexion aux documents, mise en production |
10 000 € |
25 000 € |
| Exploitation et maintenance, 24 mois |
2 400 € |
14 400 € |
| Total sur 24 mois |
16 400 € |
47 400 € |
Matériel et maintenance : grilles publiques de prestataires français, 2026. Mise en place : fourchette observée pour un déploiement documentaire simple.
Cas 2 — Structure de 30 à 100 utilisateurs
| Poste |
Fourchette basse |
Fourchette haute |
| Matériel de calcul |
25 000 € |
45 000 € |
| Mise en place multi-sources avec droits d’accès |
50 000 € |
150 000 € |
| Exploitation et maintenance, 24 mois |
2 400 € |
14 400 € |
| Total sur 24 mois |
77 400 € |
209 400 € |
Ces montants ne comprennent ni le temps interne consacré au projet, ni la montée en compétence de l’équipe, ni le coût d’arrêt si le projet est abandonné en cours de route.
La question à se poser en face
Pour comparer honnêtement, il faut mettre en regard le coût d’une architecture par API sur la même durée. Nous ne publions pas de tarif par utilisateur ici, pour une raison simple : ces grilles changent plusieurs fois par an, et un chiffre recopié d’un article devient faux en quelques mois.
La méthode, elle, ne change pas. Relevez le tarif par utilisateur et par mois sur la page officielle de l’éditeur que vous envisagez, à la date de votre décision. Multipliez par votre nombre réel d’utilisateurs, puis par 24. Ajoutez le coût de mise en place, qui existe aussi dans cette architecture. Comparez au tableau ci-dessus.
Dans l’immense majorité des cas que nous rencontrons, l’écart n’est pas serré. Il est d’un facteur deux à cinq, en faveur de l’API.
Le seuil de bascule, et pourquoi vous ne l’atteindrez pas
Il existe un volume à partir duquel l’auto-hébergement redevient rationnel, parce que le coût fixe finit par être amorti.
Ce seuil se situe entre 300 000 et 500 000 requêtes par mois. Le chiffre n’est pas de nous : il est publié par DGS Création, un prestataire qui vend de l’IA auto-hébergée et qui a l’honnêteté de le documenter. Les analyses de coût par volume de jetons convergent vers le même ordre de grandeur.
Ramenons cela à une entreprise réelle. Pour une PME de vingt personnes, atteindre 300 000 requêtes mensuelles suppose que chaque collaborateur pose environ 700 questions à l’assistant, chaque jour ouvré. À 500 000, on monte à près de 1 200.
Aucune entreprise de cette taille ne fonctionne ainsi. Le seuil n’est pas difficile à atteindre : il est hors de portée. Et c’est précisément pour cette raison que l’argument économique ne tient pas.
Un cas documenté en 2026 dans le secteur de la santé a d’ailleurs mesuré un coût final 5,6 fois supérieur en auto-hébergé par rapport à l’architecture équivalente par API.
Les trois cas où l’auto-hébergement se justifie quand même
Payer plus cher peut être la bonne décision. Encore faut-il savoir pourquoi.
1. Une contrainte réglementaire sur la localisation des données
Certains secteurs encadrent strictement l’endroit où les données peuvent être stockées. En santé, le décret n° 2026-209 du 24 mars 2026 pose un principe de stockage des données de santé au sein de l’Espace économique européen.
Une précision qui a son importance, et qui est souvent déformée dans les argumentaires commerciaux : ce décret n’interdit pas tout transfert hors de l’Union. Il impose un stockage territorialisé et des obligations de transparence sur les risques d’accès extraterritorial. Les transferts restent possibles dans les conditions prévues par le RGPD. La nuance change la réponse technique.
Les professions soumises au secret professionnel — avocats, notaires, expertise comptable — relèvent d’une logique voisine, avec des obligations qui leur sont propres et qui méritent un examen au cas par cas.
2. Une exigence de confidentialité qui dépasse le cadre légal
Certaines données ne doivent transiter par aucun tiers, quelle que soit la certification de ce tiers. Secrets industriels, dossiers en contentieux, données de recherche.
Sur ce point, la CNIL a une position claire. Dans sa foire aux questions sur l’usage des systèmes d’IA générative, publiée le 18 juillet 2024, elle recommande de « ne jamais partager d’informations confidentielles telles que des données personnelles, des données de l’entreprise ou de l’administration », et estime qu’« il semble généralement plus opportun et plus sécurisé de privilégier le déploiement de solutions « sur site » (on premise) ».
C’est une recommandation, pas une obligation. Elle n’a pas force de loi et ne crée aucune sanction. Mais elle constitue un argument solide pour une direction qui doit justifier un surcoût devant ses associés ou son conseil.
3. Un volume d’usage réellement massif
Le troisième cas est celui du seuil évoqué plus haut. Il concerne des structures qui traitent des flux industriels — analyse documentaire en continu, traitement de masse — et qui disposent déjà d’une équipe capable d’exploiter l’infrastructure dans la durée.
Si vous n’avez personne en interne pour surveiller un serveur de calcul un dimanche soir, ce cas ne vous concerne pas, quel que soit votre volume.
Ce que dit la réglementation, sans dramatiser
L’AI Act européen est souvent brandi pour créer de l’urgence. Regardons le calendrier réel.
Le règlement (UE) 2026/1744, entré en vigueur le 27 juillet 2026, a reporté au 2 décembre 2027 les obligations applicables aux systèmes d’IA à haut risque de l’annexe III. Ce qui s’applique depuis le 2 août 2026 relève de la transparence : informer les utilisateurs qu’ils interagissent avec une IA, signaler les contenus générés.
Concrètement, une PME qui déploie un assistant interne agit comme déployeur, pas comme fournisseur. À ce titre, ses obligations immédiates sont limitées. Il n’y a pas d’urgence réglementaire à se précipiter sur une architecture plutôt qu’une autre.
Un point mérite en revanche l’attention : apposer sa propre marque sur un système d’IA ou le modifier substantiellement peut faire basculer une entreprise du statut de déployeur à celui de fournisseur, avec des obligations sensiblement plus lourdes. La frontière exacte reste débattue. C’est un sujet à traiter avec un conseil juridique, pas avec un prestataire technique.
Un financement public existe
Le plan national « Osez l’IA », doté de 200 millions d’euros, vise l’équipement de 80 % des PME et ETI françaises d’ici 2030.
Il finance notamment un Diagnostic Data IA : une prestation de huit jours facturée 10 000 € HT, subventionnée à hauteur de 40 % par France 2030. Pour une entreprise qui hésite sur l’architecture à retenir, c’est un moyen de faire trancher la question par un tiers avant d’engager un budget de déploiement.
Sept questions suffisent à orienter la décision. Elles se répondent sans compétence technique.
- Quelles données précises l’assistant devra-t-il consulter ? Si aucune n’est confidentielle, l’architecture par API se suffit à elle-même.
- Un texte encadre-t-il la localisation de ces données ? Santé, secret professionnel, marchés publics : la question se pose. Sinon, elle ne se pose pas.
- Combien de personnes vont réellement l’utiliser, chaque semaine ? Pas le nombre de licences envisagées, le nombre d’usagers effectifs.
- Qui exploitera l’infrastructure dans deux ans ? Si la réponse est « on verra », l’auto-hébergement est à écarter.
- Le processus visé est-il déterministe ? Si oui, une automatisation classique coûtera cinq à dix fois moins cher.
- Que se passe-t-il si le projet est abandonné au bout d’un an ? Une architecture par API s’arrête en résiliant. Un investissement matériel reste sur le bilan.
- Le fournisseur envisagé s’engage-t-il à ne pas entraîner ses modèles sur vos données ? Cette clause existe dans les offres professionnelles. Elle règle une grande partie des inquiétudes sans changer d’architecture.
Ce que nous en retenons
L’auto-hébergement d’un assistant IA est une bonne décision quand il répond à une contrainte de confidentialité ou de conformité. C’en est une mauvaise quand il répond à une promesse d’économie, parce que cette promesse ne survit pas à un calcul sur 24 mois.
La plupart des PME que nous accompagnons n’ont pas besoin d’auto-héberger. Elles ont besoin d’un assistant correctement connecté à leurs documents, avec des droits d’accès alignés sur ceux de leurs outils existants, et des réponses systématiquement sourcées. C’est ce travail de connexion et de cadrage qui produit la valeur, pas l’endroit où tourne le modèle.
Quand la contrainte réglementaire existe réellement, en revanche, le surcoût est justifié et nous le mettons en œuvre. La différence, c’est qu’on le sait avant de commencer, et non après.
Article rédigé par Fahari Hamada Sidi, CTO et cofondateur de PeakLab. Il conçoit depuis seize ans des systèmes en production, dont des architectures d’agents IA et de recherche documentaire pour des PME.
Pour aller plus loin : notre approche des agents IA et de l’IA générative pour TPE et PME, et la conception d’applications métier sur mesure auxquelles ces assistants se connectent.
Faire le point sur votre projet
Trente minutes pour cadrer votre besoin et déterminer quelle architecture correspond à vos contraintes réelles.
Réserver un échange
