Ce qui distingue un agent IA d'un simple chatbot
Un chatbot produit une réponse à partir d'une question. Un agent reçoit un objectif et boucle : il planifie, appelle des outils (lecture de fichiers, exécution de commandes, recherche), observe le résultat, puis décide de l'étape suivante. Une seule demande peut donc déclencher des dizaines d'appels au modèle.
C'est précisément cette boucle qui rend l'agent coûteux en cloud et confortable en local : une fois la machine achetée, le nombre d'itérations n'a plus d'incidence sur la facture.
- Planification : découpage de l'objectif en étapes exécutables
- Outillage : lecture/écriture de fichiers, exécution de tests, appels MCP
- Boucle de correction : l'agent relit ses erreurs et se corrige seul
- Mémoire de contexte : le dépôt et l'historique restent chargés pendant la tâche
OpenCoder et Cline : les deux harnais agentiques de référence
OpenCoder et Cline pilotent un modèle open source depuis votre éditeur ou votre terminal. Tous deux parlent le protocole OpenAI : il suffit de les pointer vers un serveur local (Ollama, LM Studio ou vLLM) pour qu'ils fonctionnent sans aucun compte externe.
Le protocole MCP (Model Context Protocol) complète l'ensemble en exposant vos outils internes à l'agent — base de données, gestionnaire de tickets, documentation — toujours sans sortir du réseau de l'entreprise.
Le code vous appartient — vraiment
Les conditions d'utilisation des assistants de code cloud autorisent, selon les offres et les options retenues, la conservation et l'exploitation des extraits transmis. Pour un éditeur logiciel, un cabinet ou une équipe interne soumise à des clauses de confidentialité client, c'est un point de blocage contractuel autant que technique.
Avec un agent local, la question ne se pose plus : le dépôt n'est jamais transmis, aucune sortie réseau n'est nécessaire, et l'usage reste auditable sur votre propre infrastructure.
Quel matériel pour un agent autonome
Un agent charge le contexte du projet et l'entretient sur toute la durée de la tâche. La mémoire vidéo est donc le facteur limitant, avant la puissance de calcul.
Dimensionnement d'une station pour agents IA locaux| Station | VRAM / RAM | Usage agentique réaliste |
|---|
| Starter IA | 16 Go / 32 Go | Un agent de développement sur un projet de taille moyenne, modèles jusqu'à 12B |
| Predator IA | 32 Go / 64 Go | Dépôts volumineux, plusieurs agents en parallèle, modèles 32B confortables |
| Master IA | 48 Go / 96 Go | Modèles 120B en natif, agents multiples et contexte long soutenu |
Coût : API cloud contre station locale
Un développeur utilisant un agent au quotidien consomme couramment plusieurs dizaines de millions de tokens par mois. Facturé à l'appel, ce volume représente une dépense récurrente qui croît avec l'équipe ; en local, il représente uniquement de l'électricité.
L'autre différence est structurelle : une API impose des plafonds de débit et des files d'attente aux heures de pointe. Une station locale n'a ni quota, ni variation de tarif, ni changement rétroactif de conditions.
