Google Gemma 4, NVIDIA et OpenClaw : Agents IA locaux sans facturation par token

L'idée de cet article est simple : si un agent IA doit fonctionner en permanence, voir l'écran, lire les fichiers locaux, traiter les documents et exécuter des actions en arrière-plan, alors un modèle facturé au token via une API cloud devient très rapidement un service coûteux. Google, NVIDIA et l'écosystème OpenClaw proposent une autre voie : garder le modèle près des données, l'exécuter sur du matériel local et ainsi éliminer non seulement la latence, mais aussi la logique même du « paiement à chaque étape » du fonctionnement de l'agent. La « taxe sur les tokens » désigne ici non pas les coûts ponctuels des chatbots, mais l'effet cumulatif des assistants toujours actifs.

Ces systèmes lisent constamment le contexte : correspondance, fenêtres d'application, code, documents, calendrier, dossiers et notifications. Si chaque observation, raisonnement intermédiaire et chaque action est envoyée via un modèle cloud, le coût devient rapidement imprévisible. Pour un assistant personnel, cela affecte le budget ; pour un scénario d'entreprise, cela ajoute des préoccupations concernant la confidentialité : les données sensibles doivent être régulièrement envoyées à l'extérieur.

C'est pourquoi l'exécution locale est ici importante non pas comme idéologie, mais comme une nécessité économique et opérationnelle. Dans ce schéma, Google Gemma 4, présenté le 2 avril 2026, joue un rôle clé. Google a lancé quatre variantes : E2B, E4B, 26B et 31B.

Les modèles plus petits sont conçus pour les appareils de périphérie et les scénarios mobiles, les plus grands pour le raisonnement, le code et les flux de travail des agents sur les stations de travail, et 26B utilise une architecture Mixture of Experts et n'active que 3,8 milliards de paramètres lors de l'inférence. Gemma 4 bénéficie d'un support natif pour l'appel de fonction, la sortie JSON structurée et les instructions système, tout ce qui est nécessaire pour un agent fiable utilisant des outils. Tous les modèles fonctionnent avec les images et vidéos, tandis que E2B et E4B supportent également l'entrée audio native.

Les fenêtres de contexte atteignent 128K tokens pour les modèles de périphérie et 256K pour les plus grands. Selon Google au 2 avril 2026, la version 31B se classait troisième parmi les modèles ouverts dans Arena AI, et 26B se classait sixième, l'entreprise soulignant que la gamme dépasse les modèles considérablement plus grands en taille. Il est également important que Gemma 4 soit distribué sous la licence Apache 2.

0, et la famille Gemma avait accumulé plus de 400 millions de téléchargements et plus de 100 000 variantes dans l'écosystème au moment de la sortie. La deuxième partie de l'histoire concerne le matériel et la pile d'exécution. NVIDIA promeut Gemma 4 comme une gamme de modèles qui s'échelonne de Jetson Orin Nano à GeForce RTX, RTX Pro et DGX Spark avec presque aucun changement d'approche.

Pour les scénarios de périphérie, Jetson Orin Nano supporte E2B et E4B, permettant de construire des systèmes visuels et vocaux autonomes avec une faible latence directement sur l'appareil. Pour les stations de travail locales et les assistants personnels, l'accent se déplace vers 26B et 31B, qui peuvent être exécutés via Ollama, llama.cpp, vLLM et Unsloth.

DGX Spark est particulièrement important ici : NVIDIA souligne spécifiquement la configuration avec Superchip GB10 Grace Blackwell et 128 Go de mémoire unifiée comme un point d'entrée pratique pour le prototypage local, l'ajustement fin et l'exécution de grands modèles sans le cloud. Dans ce mode, OpenClaw se transforme d'un « wrapper sur une API distante » en un véritable agent local qui extrait le contexte des fichiers, applications et flux de travail directement sur la machine de l'utilisateur. En fait, OpenClaw rend cette histoire compréhensible à un niveau pratique.

C'est un agent local d'abord qui peut vivre en permanence sur un ordinateur, se connecter à des messagers, mémoriser l'état des tâches et invoquer des outils. Pour lui, un modèle local n'est pas un bonus agréable mais une condition de base pour une économie normale. Si un agent doit passer toute la journée à lire une base de code, suivre les projets, répondre dans les chats ou traiter des documents financiers, la facturation au token en cloud devient la contrainte principale.

Dans le même temps, la localité en elle-même ne résout pas la question de la sécurité : un agent ayant accès aux fichiers, réseaux et comptes reste une entité risquée. C'est pourquoi NVIDIA pousse simultanément NemoClaw, une pile ouverte avec OpenShell et des garde-fous basés sur des politiques qui doivent limiter le comportement des agents toujours actifs, isoler l'exécution et conserver les données sensibles à l'intérieur du périmètre local. En pratique, cela signifie un changement dans le modèle de consommation même de l'IA.

Il ne s'agit plus seulement de savoir à quel point un modèle est intelligent dans les tests, mais de savoir si vous pouvez le maintenir en fonctionnement toute la journée sans vous soucier du coût, de la latence et des fuites de données. La combinaison de Gemma 4, NVIDIA RTX ou DGX Spark et OpenClaw montre que le marché évolue vers des agents personnels et d'entreprise qui fonctionnent plus près des données et plus près de l'utilisateur. Le cloud ne disparaîtra pas, mais pour les assistants toujours actifs, le code local, les flux de travail documentaires, la robotique et les fichiers sensibles, l'inférence locale cesse d'être une option de niche et devient l'architecture de base.