NVIDIA n’a pas seulement profité de l’IFA 2026 pour montrer de nouveaux PC. Avec PAIR, le géant des GPU veut transformer les machines compatibles qui dorment chez vous en réserve de calcul pour vos agents IA. L’idée est simple : répartir les tâches entre plusieurs appareils du même réseau, tout en gardant prompts et fichiers en local. Et, pour une fois, le discours marketing touche un vrai besoin.
La vraie annonce n’est pas le PC, c’est le routeur
À l’IFA 2026, NVIDIA a aligné plusieurs briques pour pousser son credo du moment : l’IA locale. Le groupe promet une installation simplifiée pour Hermes Agent, OpenClaw et Perplexity Portable Computer, des optimisations sur llama.cpp et vLLM, et l’arrivée en octobre des premiers PC Windows sous RTX Spark. Mais la nouveauté la plus intéressante est NVIDIA PAIR, pour Personal AI Router.
PAIR découvre les machines compatibles présentes sur le réseau local, puis route les requêtes d’inférence indépendantes vers celles qui ont de la capacité disponible. Un agent peut ainsi découper une tâche entre plusieurs sous-agents sans que toutes leurs requêtes fassent la queue devant un seul GPU.
Un mini-cluster domestique, pas un supercalculateur miracle
Sur le papier, l’idée est séduisante. Un PC fixe, un portable ou une autre machine compatible peuvent contribuer au même workflow. NVIDIA veut donc exploiter une puissance qui reste souvent inutilisée, sans transformer le salon en baie de serveurs. PAIR fonctionne avec Ollama et LM Studio et présente aux applications un point d’accès local unique.
Le système tient aussi compte de la vraie vie : une machine peut s’endormir, quitter le réseau ou être occupée par un jeu. PAIR utilise la découverte locale mDNS et sécurise les échanges entre nœuds avec mTLS. NVIDIA affirme surtout que prompts, fichiers et contexte des agents restent sur le réseau local. Pour des documents personnels ou confidentiels, l’argument est autrement plus concret qu’une promesse abstraite de « souveraineté ».
François Constantin, Responsable du Centre d’excellence chez Klee Group, relativise toutefois la rupture technologique. Selon lui, les fonctions proposées rappellent celles d’un API Manager ou d’outils spécialisés de routage de modèles. « Il ne s’agit donc pas d’une révolution technique », estime-t-il. PAIR se distingue davantage, à ses yeux, par sa simplicité de mise en œuvre, son routage tenant compte de la charge des GPU et la sécurisation par défaut des communications entre les machines.
Il souligne aussi une limite de la version actuelle : PAIR reste principalement conçu autour des moteurs d’inférence Ollama et LM Studio et de leurs endpoints compatibles. Il ne constitue donc pas, à ce stade, un orchestrateur universel permettant de répartir indistinctement des pipelines spécialisés de génération d’images, de vidéos ou de son entre les appareils.
Garder ses données chez soi change vraiment la donne
C’est aussi ce qui rend PAIR intéressant à nos yeux. Pouvoir exploiter plusieurs appareils permet de tirer davantage de la puissance que l’on possède déjà. Mais le bénéfice le plus évident concerne les usages sensibles : analyser des fichiers privés, travailler sur des documents professionnels ou faire tourner des agents sans envoyer en permanence leur contexte vers un service distant.
Achraf Hamid, Responsable de la division IA chez Mailinblack et Data Analyst, y voit un retour d’une logique bien connue du Big Data : répartir les traitements entre plusieurs machines plutôt que concentrer toute la puissance sur un seul serveur. Selon lui, l’approche locale redonne aussi davantage de contrôle sur les données.
Il ajoute toutefois une réserve importante : « traiter ses données en local élimine le risque d’exfiltration vers des serveurs distants, mais cela déplace la responsabilité de la cybersécurité directement sur le réseau de l’entreprise ». Autrement dit, quitter le cloud ne supprime pas les risques ; cela change surtout l’endroit où il faut les gérer.
NVIDIA pousse cette direction depuis un moment. On l’avait déjà vu avec Chat with RTX, puis avec DGX Spark et DGX Station. PAIR ajoute cette fois une couche d’orchestration qui permet de mieux exploiter plusieurs machines déjà présentes.
PAIR va plus vite, mais il ne fusionne pas les GPU
La limite est capitale : PAIR ne transforme pas trois machines en un seul gros GPU virtuel. Chaque requête est envoyée à une machine unique et y reste jusqu’à la fin. Le logiciel ne mutualise pas la VRAM, ne découpe pas un modèle entre plusieurs appareils et ne permet donc pas de faire tourner miraculeusement un modèle trop lourd pour chaque machine prise séparément.
François Constantin confirme que cette limite change fortement la portée du mot « cluster ». Chaque machine reste autonome dans l’exécution de son modèle. Distribuer un même modèle sur plusieurs appareils exigerait une bande passante réseau très importante, difficilement accessible hors des datacenters. PAIR améliore donc l’utilisation de plusieurs GPU disponibles, mais pas la taille maximale du modèle qu’une seule machine peut charger.
La démonstration publiée par NVIDIA reste impressionnante. Avec cinq sous-agents Hermes utilisant Qwen 3.6 35B A3B, un cluster composé d’un PC RTX Spark, d’un DGX Spark et d’une RTX 5090 termine le workload en moyenne en 8 minutes 48, contre 18 minutes sur un seul RTX Spark. Mais NVIDIA précise elle-même qu’il s’agit d’une démonstration spécifique à cette configuration, pas d’un benchmark universel ni d’une promesse de progression linéaire.
Le futur sera probablement hybride, pas 100 % local
Achraf Hamid estime d’ailleurs que l’avenir ne sera ni au tout-local ni au tout-cloud. Les requêtes quotidiennes, prétraitements, analyses de documents confidentiels et agents peuvent basculer en local, tandis que les modèles géants et certains calculs lourds continueront d’exiger une infrastructure distante. C’est une analyse, pas une vérité établie, mais elle colle assez bien à la direction prise par NVIDIA.
Et NVIDIA a évidemment intérêt à ce scénario. La bêta de PAIR prend en charge les GeForce RTX 20 Series et plus récentes, les GPU RTX PRO, DGX Spark et les Mac équipés d’une puce M4 ou ultérieure. Dans le même temps, les machines RTX Spark arrivent dans l’écosystème Windows, notamment chez Lenovo et Acer.
Si PAIR tient ses promesses, la petite révolution n’est donc pas de fabriquer un datacenter chez soi. Elle est plus pragmatique : utiliser enfin ensemble les appareils que l’on possède déjà, garder davantage de données à domicile et réserver le cloud aux tâches qui en ont réellement besoin. Pour les agents IA personnels, c’est peut-être beaucoup plus intéressant qu’un énième abonnement supplémentaire.
- Partager l'article :
