Choisir un modèle d'IA : OpenAI, Anthropic ou LLM locaux
Le principal avantage pratique d'un assistant indépendant du modèle comme OpenClaw est que ce choix est réversible. Vous apportez votre propre clé, vous pouvez changer d'avis en une minute et utiliser des modèles différents selon les tâches. Ce guide explique comment bien faire ce choix plutôt que quelle marque retenir, car les marques évoluent plus vite que n'importe quelle page ne peut le suivre.
Commencez par le critère qui fait réellement échouer les choses
Avant la capacité, le prix ou la longueur du contexte, vérifiez une chose : le modèle prend-il en charge l'appel d'outils ? Un assistant agit en amenant le modèle à émettre un appel structuré vers un outil, et tous les modèles n'en sont pas capables. Si vous pointez OpenClaw vers un modèle incapable de le faire, vous obtenez un interlocuteur conversationnel fluide qui décrit ce qu'il s'apprête à faire, puis ne fait strictement rien. Rien ne génère d'erreur, ce qui fait de ce problème le plus souvent mal diagnostiqué des assistants auto-hébergés, et la raison pour laquelle il a sa propre section dans pourquoi un assistant cesse de répondre.
Une version plus subtile compte aussi. Certains modèles prennent en charge l'appel d'outils mais le font de façon peu fiable, en produisant des appels mal formés qui échouent puis sont relancés. Un modèle qui doit relancer ses appels n'est pas moins cher qu'un modèle plus performant qui réussit du premier coup, quel que soit le prix par jeton affiché.
Les quatre dimensions qui valent la comparaison
- Qualité du raisonnement. Sa capacité à traiter une tâche en plusieurs étapes avec un peu d'ambiguïté. C'est ce que vous remarquez sur les travaux difficiles et jamais sur les tâches faciles.
- Fenêtre de contexte. La quantité d'informations qu'il peut retenir à la fois. Important pour les longs documents, et plus coûteux qu'il n'y paraît, car une longue conversation renvoie son propre historique à chaque tour.
- Latence. Le temps d'attente. Sur un assistant conversationnel, ce point compte plus qu'on ne l'admet : un assistant pour lequel on attend trente secondes est un assistant qu'on finit par ne plus utiliser.
- Politique de confidentialité. Où vont les contenus et ce que la politique de conservation et d'entraînement du fournisseur en dit. Lisez la politique du palier que vous utilisez réellement, car elle diffère souvent entre l'accès grand public et l'accès API.
Remarquez que le prix ne figure pas dans cette liste. Il compte, mais il vient ensuite : un modèle qui a besoin de moins de relances et de prompts plus courts pour bien faire votre travail peut coûter moins cher malgré un tarif affiché plus élevé.
Les fournisseurs hébergés
OpenAI
Une bonne valeur par défaut pour un usage général, avec un appel d'outils fiable, un large écosystème et une gamme allant des petits modèles rapides aux grands modèles performants. Sans raison particulière de choisir autrement, commencer ici et changer plus tard ne vous coûte rien. Vous payez OpenAI directement avec votre propre clé.
Anthropic
Les modèles Claude sont réputés pour un raisonnement soigné et bien structuré, un long contexte et un suivi précis des instructions. Ils conviennent à un assistant qui fait beaucoup de lecture et d'écriture, et aux workflows où vous voulez que le modèle fasse exactement ce qui a été demandé plutôt que quelque chose d'approchant.
La force principale de Gemini est son très long contexte, qui convient aux travaux dominés par de longs documents, des transcriptions ou des bases de code qu'il faut analyser en une seule passe plutôt que découper en morceaux.
Agrégateurs
Des services comme OpenRouter placent de nombreux fournisseurs derrière une seule clé et une seule API, ce qui est vraiment utile lorsque vous voulez comparer des modèles ou répartir différentes tâches entre eux sans gérer plusieurs comptes. Le compromis : un tiers supplémentaire sur le chemin et, sur les offres gratuites, des limites réelles. Les variantes gratuites sont plafonnées par minute et par jour, et ces plafonds gênent davantage un assistant qu'un chatbot, car un agent envoie plusieurs requêtes par tâche.
Les modèles locaux, de façon réaliste
Faire tourner un modèle sur votre propre instance via Ollama est la garantie de confidentialité la plus forte disponible, car rien n'est envoyé ailleurs. Il faut toutefois être clair sur le compromis plutôt que de l'idéaliser.
Commençons par le calcul. Un modèle 7B quantifié en 4 bits pèse environ 4 GB de poids avant tout contexte de conversation et avant OpenClaw lui-même, donc le palier d'entrée ne peut pas en contenir un, et 8 GB est le minimum réaliste. Les modèles plus grands augmentent en proportion, et sans GPU l'inférence tourne sur le CPU, assez lentement pour que la plupart des gens qui l'essaient au quotidien reviennent à un modèle hébergé. Consultez les configuration requise du serveur pour voir comment cela change le dimensionnement.
Le cadrage honnête : l'inférence locale convient à des tâches précises plutôt que comme valeur par défaut. Elle est adaptée aux contenus que vous ne voulez envoyer nulle part, aux travaux qui doivent fonctionner sans internet, ou à une charge volumineuse où le prix par jeton est la contrainte. Pour le reste, un modèle hébergé avec un assistant auto-hébergé garde déjà votre historique de conversation, vos identifiants et vos intégrations sur votre propre serveur, ce qui représente l'essentiel de ce que l'on entend par confidentialité.
Comparatif rapide
| Option | Idéal pour | Où vont les contenus | Modèle de coût |
|---|---|---|---|
| OpenAI | Valeur par défaut polyvalente, appel d'outils fiable | API OpenAI | Paiement par jeton, votre clé |
| Anthropic | Longs documents, rédaction soignée et suivi des instructions | API Anthropic | Paiement par jeton, votre clé |
| Très long contexte en une seule passe | API Google | Paiement par jeton, votre clé | |
| Agrégateur | Comparer ou répartir entre de nombreux modèles | Agrégateur, puis fournisseur | Paiement par jeton, plus une marge |
| Local via Ollama | Contenus qui ne doivent pas sortir, ou aucun coût par jeton | Reste sur votre instance | Vos ressources de calcul, 8 GB et plus |
Comment décider concrètement
Les comparatifs écrits par d'autres sont un point de départ et un piètre substitut à deux heures de test personnel. La méthode qui fonctionne :
- Choisissez la tâche que vous voulez le plus voir bien réalisée par l'assistant. Pas un benchmark, une vraie tâche.
- Exécutez-la sur deux modèles candidats avec le même prompt.
- Comparez sur les trois points avec lesquels vous vivrez : la réponse était-elle juste, combien de temps avez-vous attendu, et qu'indique le tableau de bord du fournisseur en matière de consommation.
- Gardez le gagnant comme valeur par défaut et laissez l'autre configuré, car la tâche suivante peut pencher dans l'autre sens.
Cela prend un après-midi et tranche la question bien mieux que n'importe quel tableau, y compris celui ci-dessus.
Vous n'êtes pas obligé de n'en choisir qu'un
Comme OpenClaw est indépendant du modèle, la vraie réponse est en général un partage : un modèle hébergé performant comme valeur par défaut, quelque chose de peu cher et rapide pour les reformatages courants, et un modèle local pour la poignée de tâches que vous préférez ne pas envoyer ailleurs. Changer ne coûte rien sur le plan structurel, car le modèle relève de la configuration et non de l'architecture. Vos intégrations, votre historique et votre configuration ne sont pas touchés par ce changement.
Prêt à essayer ? Suivez le guide d'auto-hébergement d'OpenClaw, consultez les configuration requise du serveur si un modèle local figure sur votre liste, ou déployez depuis la page d'accueil.