Intelligence artificielle souveraine
Des modèles de langage qui tournent dans vos murs ou sur infrastructure suisse, avec des réponses sourcées et une gouvernance vérifiable. Pour les secteurs où envoyer un document à une API américaine n'est pas une option.
Pourquoi auto-héberger
Trois raisons reviennent chez nos clients. La conformité d'abord : la nLPD encadre la communication de données personnelles à l'étranger, et les API d'IA américaines compliquent sérieusement l'analyse pour la santé, la fiduciaire, la pharma et le secteur public.
Les secrets d'affaires ensuite. Un contrat, un brevet ou un dossier client n'a rien à faire dans le prompt d'un service tiers, quelles que soient les conditions générales affichées.
La maîtrise enfin. Un modèle auto-hébergé ne change pas de comportement du jour au lendemain parce qu'un fournisseur a mis à jour son API. Vos évaluations restent valables et vos coûts restent prévisibles.
Ce que nous construisons
Nous ne vendons pas « de l'IA » : nous traitons un cas d'usage identifié, avec un critère de réussite mesurable défini avant de commencer.
Recherche documentaire
Interroger en langage naturel des milliers de documents internes, avec citation systématique de la source et de la page d'origine.
Extraction structurée
Transformer factures, contrats ou rapports en données exploitables, avec un taux d'erreur mesuré et non supposé.
Agents métier
Automatiser une chaîne de tâches sur vos systèmes existants, avec validation humaine aux étapes sensibles.
Classification et tri
Router automatiquement demandes, courriers ou tickets selon vos propres catégories.
RAG avant fine-tuning
Le réflexe « il faut entraîner le modèle sur nos données » est presque toujours prématuré. La génération augmentée par récupération, le RAG, apporte la connaissance métier au moment de la requête. Elle reste à jour sans réentraînement et, surtout, permet de citer les sources.
Dans un contexte réglementé, une réponse sans référence vérifiable est inutilisable. Nous réservons donc le fine-tuning aux cas où le format de sortie ou le ton doivent être profondément adaptés, et jamais pour injecter de la connaissance.
Évaluer avant de déployer
C'est le point que les projets d'IA ratent le plus souvent. Sans jeu de test métier, il est impossible de savoir si le système régresse quand on change de modèle, de prompt ou de base documentaire.
Nous construisons donc avec vos équipes un jeu d'évaluation avant d'écrire la première ligne d'intégration : des questions réelles, des réponses attendues, des critères d'acceptation chiffrés. C'est ce document qui permet de dire que le système est prêt autrement qu'à l'intuition.
Conformité et environnements validés
Un LLM interne est un composant d'infrastructure comme un autre : réseau isolé ou hébergement dans vos murs, contrôle d'accès par rôle, journalisation des requêtes, et inscription du traitement dans votre registre nLPD.
Pour les environnements validés, en pharma notamment, la qualification s'inscrit dans le cadre GAMP 5 et de l'Annexe 11, avec un dossier de tests reproductibles. Nous préparons également la documentation attendue par l'EU AI Act pour les systèmes classés à risque limité ou élevé.
Le matériel : moins que ce que l'on croit
La bonne démarche n'est pas de viser le plus gros modèle, mais le plus petit qui réussit votre tâche. Un modèle de 8 à 30 milliards de paramètres, éventuellement quantisé, tourne sur un serveur GPU unique et suffit dans la grande majorité des cas d'usage d'entreprise.
Nous dimensionnons à partir de votre jeu d'évaluation et de votre charge réelle, pas d'un classement public. Quand l'investissement matériel ne se justifie pas, nous déployons sur infrastructure suisse chez Infomaniak ou Exoscale, ce qui règle la question de la localisation des données sans immobiliser de capital.
Un exemple
Plateforme de gestion avec copilote IA : registre des actionnaires, assemblées générales et recherche intelligente sur les sources fiscales cantonales, avec une exigence absolue de zéro hallucination sur le droit fiscal suisse. Architecture RAG, LangGraph, hébergement souverain.
Questions fréquentes
Quel matériel faut-il pour héberger un LLM en interne ?
Le plus souvent un seul serveur équipé d'un GPU professionnel suffit pour un modèle de 8 à 30 milliards de paramètres servant quelques dizaines d'utilisateurs. Nous dimensionnons à partir de votre charge réelle et de vos exigences de latence, après mesure sur votre jeu d'évaluation.
RAG ou fine-tuning ?
Le RAG dans plus de neuf cas sur dix. Il apporte la connaissance au moment de la requête, reste à jour sans réentraînement et permet de citer les sources. Le fine-tuning ne se justifie que pour adapter un format de sortie ou un ton très particulier.
Une IA hébergée en Suisse suffit-elle pour la nLPD ?
C'est un élément important mais pas suffisant à lui seul. Il faut aussi documenter le traitement dans votre registre, définir les accès, la durée de conservation des requêtes et l'information des personnes concernées. Nous livrons cette documentation avec le système.
Comment évitez-vous les hallucinations ?
En imposant la citation des sources, en restreignant le modèle au corpus fourni, et en mesurant le taux d'erreur sur un jeu de test métier. Sur les sujets où une réponse fausse coûte cher, le système doit pouvoir répondre qu'il ne sait pas. C'est un critère d'acceptation, pas un détail.
Combien de temps pour un premier système en production ?
Comptez six à douze semaines pour un assistant documentaire sur un corpus délimité, jeu d'évaluation compris. La constitution et le nettoyage du corpus prennent souvent plus de temps que l'intégration technique.
Parlons de votre projet.
Décrivez votre besoin en quelques lignes. Nous répondons sous 48 heures ouvrables, avec un premier avis technique et non un argumentaire commercial.