Faire fonctionner une intelligence artificielle sur un ordinateur de 8 Go de RAM n’exige pas nécessairement une carte graphique dédiée. Avec un petit modèle quantifié, Ollama et quelques réglages, un PC modeste peut déjà reformuler des textes, traduire et répondre à des questions sans dépendre d’un chatbot distant.
Mais la mémoire annoncée sur la fiche technique ne correspond pas à la mémoire libre, et tous les modèles ne sont pas adaptés. Le choix entre 1,7 et 4 milliards de paramètres, la longueur du contexte et les applications ouvertes peuvent faire la différence entre un assistant utilisable et une machine qui rame. Voici une méthode concrète pour installer une IA locale, mesurer ses limites et éviter les mauvaises surprises.
Trois points clés à retenir
- 8 Go suffisent pour de petits modèles quantifiés, pas pour tous les assistants IA.
- Qwen3 1.7B sous Ollama est un point de départ raisonnable sans GPU dédié.
- Fichier de modèle, RAM disponible et longueur du contexte sont trois mesures différentes.
Pourquoi 8 Go suffisent parfois, mais pas pour n’importe quel modèle IA ?
Une IA locale est un programme qui exécute les calculs d’un modèle sur votre ordinateur. Après téléchargement des fichiers et installation du moteur, une conversation ordinaire peut se poursuivre hors ligne. Les textes ne passent pas automatiquement par un fournisseur de chatbot. En revanche, l’ajout d’extensions, de recherches Web ou de connecteurs peut entraîner d’autres flux de données : exécution locale ne signifie pas confidentialité garantie dans toutes les configurations.
Un modèle de langage stocke des millions ou des milliards de paramètres. Il doit aussi conserver des informations intermédiaires pendant la génération des réponses. Avec seulement 8 Go de RAM, Windows ou Linux, les pilotes et les applications ouvertes prennent déjà une partie de la place. C’est donc la mémoire encore disponible, et non le chiffre inscrit sur la fiche de votre PC, qui détermine ce que vous pouvez lancer dans de bonnes conditions. La quantification réduit la précision numérique utilisée pour conserver les poids du modèle.
Il faut enfin séparer trois notions. La taille du téléchargement indique l’espace occupé par les fichiers du modèle. La mémoire en cours d’exécution comprend aussi les données temporaires. Et la vitesse dépend surtout du processeur lorsque l’IA fonctionne sans accélérateur dédié. Un fichier de 2,5 Go ne garantit donc pas que l’application ne consommera que 2,5 Go de RAM.
Quel modèle choisir pour un PC équipé de 8 Go ?
La bibliothèque officielle d’Ollama propose plusieurs variantes de Qwen3. Leurs poids téléchargés constituent un repère utile : la version 0.6B occupe environ 523 Mo, la 1.7B environ 1,4 Go, la 4B environ 2,5 Go et la 8B environ 5,2 Go. Ces tailles ne sont pas des relevés de mémoire totale à l’exécution. Il faut garder assez d’espace pour le système et le contexte. Pour débuter, Qwen3 1.7B offre un compromis prudent. Il convient aux essais, à la reformulation, aux traductions courtes et à certaines tâches de rédaction élémentaires. D’autres modèles, notamment Gemma 3 et Llama 3.2, figurent parmi les IA locales capables de fonctionner sans GPU dédié. Leur compatibilité dépend toutefois de la mémoire disponible.
Qwen3 0.6B est assez léger, mais peut manquer de fiabilité dès qu’une demande comporte plusieurs contraintes. À l’autre extrême, la variante 8B nécessite déjà un fichier de 5,2 Go. Avec le système, le cache et les applications, elle expose un PC de 8 Go à une saturation rapide. Elle n’est donc pas le choix conseillé pour une utilisation quotidienne sur cette configuration. Regardez aussi la variante exacte. Q4_K_M, Q8 et FP16 ne correspondent pas aux mêmes empreintes mémoire ; sous un même nom de modèle, le volume peut changer de manière considérable.
Installer Ollama et lancer votre premier assistant
Téléchargez Ollama depuis son site officiel et installez la version correspondant à votre système. Sur Windows, ouvrez PowerShell après l’installation ; sous Linux ou macOS, utilisez le terminal habituel. Vous n’avez pas besoin de préparer un environnement Python pour cette première expérience. Le téléchargement du modèle nécessite une connexion et suffisamment d’espace sur le disque. Entrez ollama run qwen3:1.7b . Ollama télécharge le modèle s’il n’est pas encore présent et ouvre ensuite une conversation dans le terminal.
Les commandes ollama list et ollama ps servent à afficher les modèles installés et ceux actuellement chargés. Pour libérer la mémoire d’un modèle actif, utilisez ollama stop qwen3:1.7b . Si vous n’avez plus besoin d’un modèle, ollama rm qwen3:4b permet de supprimer ses fichiers locaux. Attention à ne pas confondre arrêt en mémoire et suppression sur le disque. Une fois le modèle téléchargé, désactivez temporairement le Wi-Fi pour vérifier le fonctionnement hors ligne d’une conversation ordinaire. Cette méthode simple permet de confirmer que le traitement ne dépend pas d’un serveur distant.
Régler la mémoire et le contexte pour empêcher le PC de ralentir
Avant le premier chargement, ouvrez le Gestionnaire des tâches de Windows ou le moniteur système de Linux. Notez la RAM disponible après le démarrage, puis fermez les logiciels inutiles. Un navigateur avec plusieurs dizaines d’onglets, une visioconférence et un outil de retouche peuvent occuper la marge dont votre modèle a besoin. Ce contrôle prend une minute et évite de diagnostiquer à tort un problème du logiciel d’IA. Le contexte désigne les informations que le modèle peut exploiter pour produire sa prochaine réponse. Plus la discussion est longue, plus le cache des données déjà traitées peut devenir important.
Les réglages exacts varient suivant le moteur et le modèle. Avec Ollama, une commande de conversation permet de modifier certains paramètres comme /set parameter num_ctx 2048 , lorsque cette option est prise en charge. Après un changement, observez l’utilisation de mémoire plutôt que de vous fier à l’impression de rapidité. Et n’oubliez pas que raccourcir une conversation peut réduire la qualité d’une réponse qui dépend d’informations anciennes. Le fichier d’échange de Windows constitue une soupape lorsque la RAM manque, pas une solution miracle. Même un SSD est généralement beaucoup plus lent que la mémoire vive pour ces accès répétés.
Faire fonctionner une IA sans carte graphique dédiée
Un GPU accélère certains calculs, mais les moteurs d’inférence peuvent également exploiter le processeur central. Pour de petits modèles quantifiés, l’exécution sur CPU suffit à produire des réponses. Un ordinateur avec une puce graphique intégrée n’est donc pas exclu. En revanche, l’expérience peut être plus lente qu’avec une carte graphique compatible, surtout lorsque les réponses sont longues.
La quantité de mémoire n’explique pas tout. Deux PC dotés de 8 Go peuvent se comporter de manière différentes en raison de leur processeur, de leur bande passante mémoire, de leur stockage ou des instructions disponibles. Le nombre de tokens générés par seconde dépend aussi des réglages et de la longueur des messages. Sans mesure sur une machine précise, promettre un débit universel serait trompeur. Testez d’abord trois tâches de difficulté croissante : corriger cinq phrases, résumer un texte de 200 mots, puis répondre à une question qui impose plusieurs contraintes.
Une carte graphique intégrée peut partager la mémoire avec le système, ce qui complique encore le budget des 8 Go. Évitez donc d’activer des réglages d’accélération sans comprendre leurs effets sur votre ordinateur. Pour une machine ancienne, le mode CPU avec un petit modèle est souvent la méthode la plus prévisible. Si l’objectif devient de traiter simultanément plusieurs utilisateurs, ce matériel atteindra vite ses limites. À distinguer également des accélérateurs spécialisés pour datacenters, comme l’explique notre analyse de DeepInfer et des GPU . Les optimisations logicielles peuvent également améliorer l’inférence, comme l’illustre notre analyse de DeepInfer et des performances GPU. Cet outil cible toutefois des accélérateurs spécialisés, et non les PC modestes présentés ici.
LM Studio est-il une meilleure solution pour les débutants ?
LM Studio propose une interface graphique pratique pour rechercher, télécharger et charger des modèles, puis leur poser des questions dans une fenêtre de chat. Son parcours passe entre autres par les onglets Discover et Chat. C’est une alternative intéressante pour ceux qui ne souhaitent pas travailler dans un terminal, avec des réglages de chargement visibles dans l’application. Il existe toutefois une réserve importante pour le sujet de cet article. LM Studio recommande au moins 16 Go de RAM sous Windows , ainsi qu’un processeur x64 compatible AVX2. Le logiciel recommande également un GPU disposant de mémoire dédiée, selon sa documentation.
Sur certains Mac Apple Silicon équipés de 8 Go, l’éditeur indique qu’une utilisation reste possible en choisissant de petits modèles et un contexte limité. Cette possibilité ne signifie pas qu’une expérience équivalente est garantie sur tous les ordinateurs. Sur Windows 8 Go, le point de départ le plus prudent reste donc Ollama avec un petit modèle et un contrôle attentif de la RAM. Pour aller plus loin, notre dossier sur les agents IA autonomes à installer localement aborde des configurations autrement plus exigeantes. LM Studio peut être utile si votre machine respecte les exigences et que vous voulez comparer visuellement plusieurs modèles. Pour aller plus loin, certains agents IA autonomes à installer localement peuvent exécuter des tâches plus élaborées. Leurs besoins matériels dépassent toutefois souvent ceux d’un simple chatbot léger.
Ce qu’une petite IA locale sait faire, et ce qu’elle rate encore
Pour des usages ponctuels, les modèles compacts peuvent rendre de vrais services : reformuler un message, améliorer la lisibilité d’un paragraphe, proposer un plan, expliquer une commande simple ou traduire un passage. Vous pouvez aussi demander de classer des notes en quelques catégories. Ces tâches sont relativement faciles à cadrer et permettent de comparer rapidement les versions 1.7B et 4B.
En revanche, les demandes qui exigent un raisonnement long, beaucoup de connaissances spécialisées ou une exactitude parfaite mettent plus souvent les petits modèles en difficulté. Ils peuvent inventer une référence, oublier une contrainte ou présenter une approximation comme un fait. La vérification humaine reste donc indispensable pour les sujets médicaux, juridiques, financiers ou journalistiques. Une exécution locale n’améliore pas automatiquement la véracité. L’analyse d’un PDF volumineux peut aussi décevoir. Ces fonctions augmentent les besoins en mémoire et en logiciel.
Enfin, une IA installée sur le PC ne connaît pas les dernières nouvelles de manière systématique. Sans moteur de recherche branché, elle répond à partir de son entraînement et du contexte reçu. Pour travailler sur des tarifs, des versions logicielles ou des règles récentes, apportez des sources datées. Le lien entre confidentialité et fiabilité mérite une distinction claire : traiter en local ne dispense pas de vérifier les informations produites.
- Partager l'article :
