Lors de OUTSCALE EXPERIENCES 2026, Mireille Mege, Customer Success Manager Secteur Public chez OUTSCALE (Dassault Systèmes), et Clara Pascolo, Directrice des Opérations chez SMLB Next, ont montré comment Nuage Public simplifie l’accès des acteurs publics au Cloud souverain, en s’appuyant sur le partenariat avec OUTSCALE et les bundles d’IA générative Mistral disponibles sur OUTSCALE marketplace.
Pour les administrations et les organisations parapubliques, le Cloud public représente une porte d’entrée concrète vers des environnements sécurisés, conformes et évolutifs, capables de s’adapter aux besoins métiers.
La réussite de ces projets repose sur une approche structurée : identifier un premier cas d’usage pertinent, garantir la protection des données sensibles, choisir le niveau d’accompagnement adéquat et anticiper l’industrialisation dès les premières étapes.
Le marché Nuage Public comme point de départ
Le marché Nuage Public de l’UGAP donne accès à une offre Cloud destinée à plus de 26 000 bénéficiaires publics et parapublics. Il permet aux organisations d’exprimer leurs besoins, de préciser leurs critères techniques et réglementaires, puis d’être orientées vers les fournisseurs Cloud capables d’y répondre.
Cette approche facilite le lancement de projets d’intelligence artificielle, souvent sous la forme d’une preuve de concept. Elle répond à deux dynamiques principales. Certaines organisations souhaitent appliquer la doctrine Cloud au Centre promue par la DINUM. D’autres cherchent à exploiter l’IA dans un environnement mieux sécurisé et davantage contrôlé.
Le marché Nuage Public associe plusieurs facteurs déterminants pour la commande publique : des prix négociés, une procédure simplifiée, une orientation vers les offres pertinentes et un délai de déploiement réduit. Dans certains cas, un projet peut démarrer en moins d’un mois, tandis que la passation de la commande peut être réalisée très rapidement lorsque le besoin est clairement défini.
Les priorités des organisations publiques
Les organisations qui engagent un projet d’IA souveraine formulent généralement trois attentes majeures.
Maîtriser la localisation des données
La première question concerne la localisation des données et les traitements auxquels elles sont soumises. Les utilisateurs veulent éviter que des données sensibles soient transmises vers des environnements qu’ils ne contrôlent pas. Cette préoccupation concerne notamment les données administratives, les informations de santé, les documents d’identité, les données financières et les informations liées à la défense.
La souveraineté devient donc un critère de décision central. Les données doivent être traitées et localisées dans un environnement répondant aux exigences de l’organisation, avec une attention particulière portée aux accès, aux droits et aux conditions d’exploitation de la plateforme.
Réduire les risques liés au shadow IA
Les collaborateurs peuvent être tentés d’utiliser des services d’IA accessibles directement en ligne, notamment pour interroger des modèles de langage avec des informations professionnelles. Cette pratique crée un risque de perte de contrôle sur les données saisies et sur leur destination.
Un environnement d’IA souveraine permet de proposer un cadre maîtrisé aux utilisateurs. L’organisation peut ainsi définir les services autorisés, encadrer les accès et favoriser l’utilisation de modèles hébergés dans un environnement correspondant à ses exigences de sécurité.
Préparer un déploiement industrialisé
Un projet commence souvent par un cas d’usage limité. Lorsque les premiers résultats sont concluants, d’autres besoins apparaissent. L’organisation peut alors vouloir analyser davantage de documents, automatiser de nouvelles étapes ou utiliser plusieurs modèles.
L’architecture retenue doit donc pouvoir évoluer. Une offre scalable facilite le passage de la preuve de concept à la production, puis l’extension à plusieurs cas d’usage. Cette capacité d’industrialisation doit être prise en compte dès le début du projet afin d’éviter une remise en cause complète de l’environnement technique.
Trois niveaux d’offre pour les projets d’IA
Les besoins des organisations publiques peuvent être couverts par plusieurs approches. Le choix dépend du niveau de contrôle souhaité, du nombre de modèles nécessaires, des ressources disponibles et du degré d’accompagnement attendu.
Consommer les ressources de calcul
Le premier cas d’usage consiste à fournir les ressources nécessaires à l’exécution des modèles de langage. L’organisation consomme alors du compute, comprenant la CPU, la RAM et la GPU, puis utilise les modèles dont elle dispose.
Cette approche offre une grande liberté technique. Elle convient aux équipes capables de déployer et d’administrer leur propre environnement. Elle implique toutefois de prendre en charge plusieurs éléments, comme la configuration des ressources, les pilotes Nvidia et les composants nécessaires à l’exécution des modèles.
Déployer un bundle Mistral
Le deuxième cas d’usage repose sur les bundles Mistral. Cette offre fournit une solution prête à exploiter, avec un modèle Mistral déployé dans un tenant dédié au client. Le déploiement s’effectue à travers la marketplace et peut être réalisé rapidement après la souscription de la commande.
Le client bénéficie d’un endpoint directement accessible pour commencer ses travaux. Les modèles Mistral sont commercialisés avec leurs licences et l’environnement est dédié à l’organisation. Les données restent ainsi dans l’environnement prévu à cet effet, en France, selon les caractéristiques de l’offre.
Les bundles proposent une consommation en tokens illimitée. La capacité reste toutefois déterminée par les ressources matérielles disponibles, notamment le nombre de GPU associé au modèle et au cas d’usage. Selon les besoins, une ou deux GPU peuvent être proposées.
Cette option convient particulièrement aux organisations qui souhaitent utiliser un modèle de langage sans gérer elles-mêmes l’ensemble de la chaîne technique. Elle réduit la complexité initiale et accélère l’accès à une solution opérationnelle.
Construire une plateforme Mistral AI Studio
La plateforme Mistral AI Studio répond aux projets qui nécessitent plusieurs modèles et plusieurs scénarios d’utilisation. Elle peut être pertinente lorsqu’une administration souhaite analyser des documents, effectuer de la reconnaissance optique de caractères, vérifier des informations ou recouper un formulaire avec une pièce d’identité.
Dans cette configuration, l’offre est construite avec le client. Les cas d’usage sont analysés en amont afin de sélectionner les modèles adaptés. Il est généralement recommandé de commencer par deux ou trois cas d’usage clairement définis, puis de composer une solution cohérente autour de ces besoins.
Cette approche permet de créer un environnement personnalisé et évolutif. Mistral accompagne également le client dans le réglage de la solution et son adaptation aux usages identifiés. Un accompagnement complémentaire peut être prévu pour les opérations liées à Kubernetes, notamment la mise à jour des modèles et les montées de version de la plateforme.
Vers une consommation hybride des modèles
Les organisations peuvent avoir besoin de plusieurs familles de modèles selon leurs cas d’usage. Un modèle Mistral peut convenir à un scénario, tandis qu’un modèle Llama ou un autre modèle open source peut répondre plus efficacement à une autre tâche.
Cette évolution conduit vers une consommation hybride des modèles. L’objectif annoncé pour le premier semestre 2027 est de proposer une AI Factory capable d’adapter la consommation des GPU à l’intensité des cas d’usage et aux modèles utilisés.
Une telle approche doit permettre d’allouer les ressources en fonction des besoins réels. Elle ouvre la voie à une utilisation plus souple de l’infrastructure d’IA, avec une capacité d’adaptation accrue entre les modèles, les charges de travail et les niveaux de performance attendus.
Réussir le passage de la preuve de concept à la production
Choisir un premier cas d’usage maîtrisable
Le choix du premier cas d’usage conditionne la suite du projet. Une organisation gagne à commencer par un besoin clairement délimité, suffisamment utile pour produire des résultats mesurables et suffisamment simple pour être maîtrisé rapidement.
Cette première étape permet d’identifier les contraintes techniques, les exigences de sécurité, les besoins d’accompagnement et les modalités de suivi. Elle fournit également un retour d’expérience utile avant d’étendre l’IA à des processus plus complexes.
La démarche peut suivre trois priorités :
- sélectionner un cas d’usage concret et peu complexe ;
- mesurer les résultats et la consommation des ressources ;
- préparer l’extension vers d’autres cas d’usage.
Organiser des ateliers de sécurité
Les ateliers de sécurité occupent une place importante dans les projets comprenant plusieurs modèles ou des données sensibles. Ils permettent de définir les utilisateurs autorisés, les rôles, les droits d’accès et les conditions d’utilisation de la plateforme.
Cette préparation doit intervenir avant le déploiement opérationnel. Elle contribue à instaurer un cadre de confiance et à aligner l’environnement technique avec les exigences internes de sécurité de l’organisation.
La sécurité concerne également la gouvernance du projet. Les équipes doivent savoir quelles données peuvent être traitées, par quels utilisateurs et dans quelles conditions. Ces règles facilitent l’adoption de la solution et limitent les usages non maîtrisés.
Prévoir l’accompagnement opérationnel
Le niveau d’accompagnement dépend de l’offre retenue et des compétences disponibles en interne. Une organisation qui consomme directement des ressources de calcul doit disposer des capacités nécessaires pour administrer son environnement. Une solution clé en main réduit cette charge. Une plateforme multi modèles demande une collaboration plus étroite autour des cas d’usage, des modèles et de leur évolution.
L’accompagnement peut également couvrir les opérations Kubernetes, les mises à jour des modèles, les évolutions de version et l’optimisation de la plateforme. Cette dimension devient particulièrement importante lorsque la solution passe de l’expérimentation à la production.
Piloter les coûts et l’empreinte environnementale
La maîtrise de la consommation constitue un enjeu majeur dans la commande publique. Le budget disponible doit être mis en regard des ressources utilisées, qu’il s’agisse des GPU, des tokens ou des autres composants Cloud.
Un suivi mensuel permet d’identifier les ressources commandées mais peu consommées, puis d’ajuster l’environnement. Cette revue de consommation aide également à préparer l’extension du projet en s’appuyant sur des données réelles plutôt que sur des estimations initiales.
Le FinOps apporte un cadre de pilotage financier. Il permet de rapprocher les ressources mobilisées des usages effectivement observés et d’arbitrer entre performance, souveraineté, coût, support et capacité d’évolution.
Le Green IT complète cette analyse. Une calculette carbone permet de suivre l’évolution de l’empreinte liée à la consommation des ressources. Elle peut révéler une surconsommation provoquée par des machines virtuelles laissées actives pendant des périodes sans activité ou par des ressources mobilisées sans besoin opérationnel correspondant.
Le suivi de la consommation financière et environnementale doit accompagner le projet dès ses premières étapes. Il favorise une utilisation plus précise des ressources et facilite les décisions liées au passage à l’échelle.
Arbitrer entre souveraineté, performance et évolutivité
Le choix d’un environnement d’IA ne repose pas sur un seul critère. Les organisations doivent examiner simultanément la localisation des données, le niveau de sécurité, la conformité attendue, les performances, le coût, la qualité du support et la capacité d’évolution.
La souveraineté prend une importance particulière lorsque les données sont sensibles. Dans ce contexte, un environnement situé en France et conçu pour répondre aux exigences de sécurité apporte un cadre adapté aux projets publics et parapublics.
La performance doit ensuite être évaluée selon les cas d’usage. Un modèle destiné à l’analyse de documents ne mobilise pas nécessairement les mêmes ressources qu’un environnement utilisant plusieurs modèles et plusieurs traitements simultanés.
Enfin, l’évolutivité doit être intégrée à la décision. Une solution adaptée à une preuve de concept peut devenir insuffisante lorsque le nombre d’utilisateurs, de documents ou de cas d’usage augmente. Le choix initial doit donc préserver la possibilité d’une industrialisation progressive.
Conclusion
L’IA souveraine sur le Cloud public offre aux organisations publiques un cadre concret pour expérimenter, sécuriser et industrialiser leurs usages de l’intelligence artificielle. Le marché Nuage Public simplifie l’accès aux fournisseurs, aux offres Cloud et aux conditions adaptées à la commande publique.
La démarche la plus efficace consiste à commencer par un cas d’usage maîtrisable, à sécuriser les accès et les données, à suivre les consommations, puis à préparer l’extension vers plusieurs modèles et plusieurs scénarios. Les offres de ressources de calcul, les bundles Mistral et la plateforme Mistral AI Studio permettent d’adapter le niveau de liberté et d’accompagnement aux objectifs du projet.
Découvrez les solutions disponibles sur OUTSCALE Marketplace
