L’intelligence artificielle d’entreprise ne se limitera pas au cloud. Au cours des deux dernières années, la conversation a principalement tourné autour des grands clusters, des GPU H100 ou Blackwell, des architectures hyperéchelles et des API à la demande. Mais parallèlement, une nouvelle catégorie émerge : des équipements compacts capables d’exécuter, de tester et d’affiner des modèles avancés directement au sein de l’entreprise, sans avoir à transmettre chaque prompt, document ou donnée sensible à un prestataire externe.

NVIDIA DGX Spark, Dell Pro Max avec GB10 et ASUS Ascent GX10 incarnent cette nouvelle gamme de « superordinateurs personnels » pour l’IA. Il ne s’agit pas de stations de travail traditionnelles équipées d’une GPU puissante, ni d’un remplacement d’un centre de données pour l’entraînement à grande échelle. Ce sont des appareils compacts basés sur le superchip NVIDIA GB10 Grace Blackwell, disposant de 128 Go de mémoire unifiée et pouvant atteindre jusqu’à 1 pétaFlop de performance en FP4. Conçus pour le développement, la déduction, les tests, les agents, le fine-tuning limité et le travail local avec des modèles volumineux.

Cette proposition séduit les entreprises souhaitant un plus grand contrôle sur leurs données, avec des coûts plus prévisibles et une alternative à une dépendance constante aux APIs externes. Mais il est essentiel de distinguer marketing et réalité technique. Ces équipements ne transforment pas un bureau en un hyperscaler d’IA. Leur valeur réside dans le rapprochement des capacités avancées au bureau, au laboratoire, à l’équipe de développement ou dans l’environnement edge où se prennent des décisions et où des données sensibles ne devraient pas nécessairement sortir du périmètre.

Le cœur commun : NVIDIA GB10 Grace Blackwell

Les trois appareils partagent la même base : NVIDIA GB10 Grace Blackwell. Ce superchip combine une GPU Blackwell avec des Tensor Cores de cinquième génération, la prise en charge du FP4 et une CPU Grace Arm à 20 cœurs. La pièce maîtresse n’est pas seulement la puissance brute, mais la mémoire unifiée : CPU et GPU accèdent à un même espace de 128 Go, permettant de travailler avec de grands modèles sans les limitations habituelles des GPU de bureau équipés de 24, 32 ou 48 Go de VRAM.

Ce design modifie la nature du travail réalisable localement. Un développeur peut tester de grands modèles ouverts, valider des agents, exécuter des pipelines RAG, travailler sur des modèles vision-langage ou préparer une solution avant de la déployer sur une infrastructure cloud ou un cluster d’entreprise. Il permet également de travailler avec des données sensibles, sans les exposer via une API publique durant la phase expérimentale.

Le chiffre de 1 pétaFlop doit être considéré avec prudence. Il est associé à la précision FP4, utile pour certains workloads IA, mais ne reflète pas une performance globale comparable en FP16, FP32 ou en HPC classique. De même, pouvoir gérer des modèles jusqu’à 200 milliards de paramètres ne signifie pas nécessairement pouvoir les entraîner entièrement en local. La vraie valeur est dans l’inférence, la validation, l’expérimentation, l’ajustement et le prototypage.

NVIDIA DGX Spark : la référence du fabricant

DGX Spark représente la version de référence de NVIDIA. Son principal avantage est l’intégration directe avec l’écosystème de la société : DGX OS, outils, frameworks, bibliothèques, NIM, Blueprints et un flux de travail pensé pour que les équipes IA puissent développer localement puis migrer vers des infrastructures NVIDIA plus grandes.

C’est la solution idéale pour ceux qui souhaitent suivre la voie officielle de NVIDIA. Chercheurs, équipes de data science, startups IA et départements internes travaillant avec CUDA, PyTorch, Jupyter, NIM ou Ollama y trouveront un environnement compact pour créer et valider, avant de passer à l’échelle.

DGX Spark sert également de référence pour le marché. Dell, ASUS, Acer, Lenovo, HP et d’autres fabricants proposent des variantes basées sur cette plateforme. Cela rappelle la dynamique des GPU NVIDIA : une base commune, mais des adaptations par chaque constructeur selon le design, le support, la distribution, la disponibilité, la garantie, le refroidissement et la stratégie commerciale.

Dell Pro Max avec GB10 : IA locale adaptée à l’entreprise

Dell Pro Max avec GB10 utilise la même plateforme NVIDIA GB10, avec 128 Go de mémoire LPDDR5x unifiée, jusqu’à 1 pétaFlop en FP4, support pour des modèles jusqu’à 200 milliards de paramètres, ConnectX-7 SmartNIC et NVIDIA DGX OS. Sa différenciation principale ne réside pas tant dans le silicium que dans son intégration dans un environnement d’entreprise.

Pour beaucoup d’entreprises, Dell n’est pas qu’un fournisseur de hardware : c’est une démarche d’achat, de financement, de support, de garantie, de gestion de parc, d’intégration aux politiques internes, avec la capacité de déployer dans un parc informatique déjà en place. Cette couche logistique peut être déterminante, surtout si l’organisation n’est pas un laboratoire isolé mais une entreprise avec ses propres processus, sécurité, inventaire et exigences réglementaires.

Dell inscrit également cette gamme dans une offre plus large de Pro Max AI PCs, incluant par exemple Pro Max avec GB300 pour des charges plus lourdes. Cela peut s’avérer pertinent pour des structures souhaitant commencer avec un GB10 compact pour du développement local, tout en conservant une voie d’expansion vers des systèmes plus puissants.

Le message pour le décideur est clair : Dell Pro Max GB10 peut être une solution plus classique pour introduire l’IA locale dans une entreprise. Il n’exige pas de changer d’écosystème ou de fournisseur d’infrastructure. Il permet d’amener le développement IA au bureau, dans un cadre connu et maîtrisé.

ASUS Ascent GX10 : compact, local et orienté agents

L’ASUS Ascent GX10 s’appuie également sur le GB10 Grace Blackwell et offre jusqu’à 1 pétaFlop FP4, 128 Go de mémoire unifiée et supporte des modèles jusqu’à 200 milliards de paramètres. ASUS met l’accent sur un usage très ciblé : agents IA, développement local, laboratoires, éducation et environnements edge. Sa taille compacte, 150 x 150 x 51 mm, permet une intégration facile dans un bureau, une salle de classe ou une petite salle technique.

Un point clé souligné par ASUS est la possibilité de connecter deux unités via ConnectX-7 pour doubler la capacité, atteignant ainsi 2 pétaFlops, 256 Go de mémoire unifiée, et 8 To de stockage en mode double. Ce n’est pas un cluster d’apprentissage massif, mais cela permet d’expérimenter avec des modèles plus volumineux et des pipelines exigeants.

ASUS insiste aussi sur la création d’agents locaux, de conteneurs sécurisés et de sandboxes, correspondant à une tendance croissante : des entreprises qui veulent tester des agents sur documents internes, outils d’entreprise ou données sensibles, sans dépendre immédiatement d’une API externe.

IA locale : enjeux de confidentialité, coûts et latence

Le principal avantage de ces équipements n’est pas leur puissance brute par rapport au cloud. Ce n’est pas leur force. Leur atout est dans leur capacité à traiter une partie du cycle IA à proximité de la source de données et de l’utilisateur.

En termes de confidentialité, ils permettent de tester des modèles avec des données internes sans transmettre de documents à des tierces parties. Cela est précieux pour le juridique, la santé, l’industrie, la banque, les administrations ou toute organisation disposant de propriété intellectuelle sensible. En termes de coûts, ils facilitent la réduction de la dépendance aux tarifs variables par token, notamment lors des phases de prototypage ou de développement d’agents. En latence, ils offrent des réponses instantanément localement, quand la scalabilité à des milliers d’utilisateurs n’est pas nécessaire.

Mais il y a des limites. La mémoire unifiée de 128 Go, aussi précieuse soit-elle, ne remplace pas la HBM d’un accélérateur de datacenter. La bande passante, la gestion thermique, le scalabilité, l’opération multi-utilisateur et la tolérance aux pannes ne sont pas du niveau d’un rack DGX ou d’un cluster Blackwell. Ces équipements sont une couche pour le développement et le déploiement local, mais ne sauraient se substituer totalement au cloud ou au centre de données pour du déploiement massif.

Choix du modèle selon le profil de l’entreprise

Une entreprise habituée à l’écosystème NVIDIA et souhaitant une expérience proche du stack officiel pensera d’abord à DGX Spark. C’est la référence, avec une route claire vers DGX Cloud, les centres de données accélérés et les outils NVIDIA.

Une grande organisation nécessitant un achat via des canaux d’entreprise, un support dédié et une gestion de parc pourra privilégier Dell Pro Max avec GB10. La partie technique est similaire, mais la relation avec le fournisseur et la gestion du cycle de vie peuvent primer sur quelques différences de design.

Un laboratoire, une université, une équipe produit ou une entreprise souhaitant un appareil compact pour les agents, le prototypage local ou le déploiement dans un espace réduit trouvera dans ASUS Ascent GX10 une proposition très séduisante. Son orientation vers le développement local, les agents et le scalabilité avec deux unités convient aux expérimentations rapides.

Le choix final ne doit pas reposer uniquement sur le fiche technique. Si tous ont un socle commun basé sur GB10, leur performance de base est très proche. La différence résidera dans la disponibilité, le prix local, le support, la garantie, le logiciel inclus, le niveau sonore, la gestion thermique, l’intégration dans l’environnement de travail et la confiance accordée au fournisseur.

Ce n’est pas la fin du cloud, mais une nouvelle couche

L’IA locale ne remet pas forcément en question le cloud. Elle le complète. Un modèle peut être développé et validé sur un DGX Spark, Dell Pro Max GB10 ou ASUS Ascent GX10, puis déployé sur un cluster plus large en production. Il est également possible de maintenir des charges sensibles en local tout en utilisant des APIs externes pour des tâches moins critiques. L’architecture la plus réaliste sera hybride.

Ce type d’équipements peut accélérer la recherche pour ceux qui dépendent aujourd’hui de files d’attente GPU, de budgets cloud variables ou de contraintes de sécurité. Il contribue aussi à démocratiser l’expérimentation avancée dans les universités, startups, et départements techniques sans accès immédiat à de grands clusters.

Il serait erroné de les présenter comme « le cloud dans une boîte ». Ce ne sont pas eux. Leur rôle est autre : offrir une capacité IA avancée directement sur le bureau de ceux qui construisent, testent et prennent des décisions avec des données sensibles. Par là, ils peuvent transformer la manière dont beaucoup démarrent des projets d’agents, RAG, vision, simulation ou fine-tuning.

L’autonomie en IA ne consiste pas à déconnecter du monde, mais à choisir où chaque charge doit s’exécuter, quels sont les risques de fuite, le coût acceptable et le niveau de contrôle souhaité. DGX Spark, Dell Pro Max GB10 et ASUS Ascent GX10 n’apportent pas la solution ultime, mais ouvrent une porte essentielle : amener une IA avancée là où travaille l’entreprise.

Questions fréquentes

Qu’ont en commun DGX Spark, Dell Pro Max GB10 et ASUS Ascent GX10 ?
Les trois s’appuient sur NVIDIA GB10 Grace Blackwell, avec 128 Go de mémoire unifiée, jusqu’à 1 pétaFlop FP4 et support pour des modèles jusqu’à 200 milliards de paramètres.

Peuvent-ils remplacer le cloud dans l’IA ?
Pas entièrement. Ils sont très utiles pour le développement, les tests, l’inférence locale, les agents et le fine-tuning limité, mais les charges massives d’entraînement ou de production à grande échelle nécessitent encore une infrastructure de centre de données ou cloud.

Quelle est la grande force de l’IA en local ?
Garder les données sensibles en interne, diminuer la dépendance aux APIs externes, mieux maîtriser le coût pendant la phase de prototypage, et travailler avec une latence faible lorsque c’est pertinent.

Quel appareil choisir ?
DGX Spark est la référence NVIDIA. Dell Pro Max GB10 est une option pour qui privilégie support et achat en cycle classique. ASUS Ascent GX10 est idéal pour ceux qui veulent un format compact, avec focus agents et développement local.