Perplexity mise sur l’IA locale avec Portable Computer

Perplexity, déjà connue pour la recherche, les assistants et son navigateur, ajoute un agent local à sa palette avec Portable Computer, annoncé le 26 août 2026. Ce système exécute des modèles d’IA sur une machine Nvidia DGX Spark, tout en pouvant solliciter le cloud si nécessaire. L’enjeu est clair: réduire la facture d’inférence et limiter l’exposition des données sensibles.

Un agent qui tourne près de la machine, pas seulement dans le nuage

Portable Computer repose sur trois briques: un agent harness, un orchestrateur et des modèles locaux. Le terme harness désigne ici la couche logicielle qui coordonne le modèle, les outils et les tâches. Perplexity le présente comme l’inverse de son agent Computer, pensé lui pour le cloud. Dans ce contexte, la promesse est moins glamour qu’un assistant bavard, mais plus concrète pour les équipes qui surveillent leurs coûts et leurs données.

L’entreprise met en avant une approche local-first, c’est-à-dire un traitement d’abord sur la machine de l’utilisateur. Selon sa note, cette méthode évite les frais d’API facturés à la requête et réduit les risques liés à la confidentialité et à la propriété intellectuelle, puisque les jetons privés n’ont pas à être envoyés vers des grappes distantes. Perplexity affirme aussi que des modèles plus compacts, comme Nvidia Nemotron 3.5 Lightning, Qwen 3.6 et Qwen 3.8, sont désormais capables d’exécuter des workflows agentiques complexes.

Le choix de Nvidia n’a rien d’un détail

La démonstration de Perplexity s’appuie sur une machine Nvidia DGX Spark, un poste de travail conçu pour l’IA. Côté stratégie, la coïncidence est difficile à ignorer: la société fait face à des rumeurs d’investissement pouvant aller jusqu’à 30 milliards de dollars de Nvidia [à vérifier]. Le constructeur apparaît d’ailleurs à plusieurs reprises dans l’annonce, avec une insistance qui ressemble davantage à un signal commercial qu’à une simple préférence technique.

Pour Perplexity, cette orientation locale répond à une pression très concrète: le coût du cloud, surtout quand les modèles sont sollicités à grande échelle. L’entreprise dit viser des usages de “knowledge work” — autrement dit des tâches de travail fondées sur la recherche, l’analyse ou la synthèse — à coût d’inférence presque nul, à condition de disposer du matériel adapté. La note suggère aussi que l’on peut faire beaucoup avec des modèles open weight bien choisis. Pas besoin d’un monstre de calcul à chaque requête, visiblement.

Des performances comparées à Pi et Hermes

Perplexity appuie son propos sur des tests comparant Portable Computer à deux autres frameworks d’agents, Pi et Hermes. Selon l’entreprise, “Across the various benchmarks, Computer matched or exceeded Hermes and Pi in accuracy while running Qwen 3.8 27B on an NVIDIA DGX Spark.” Elle ajoute que Portable Computer aurait été le plus rapide sur BrowseComp et ParseBench-100, tout en consommant le moins de jetons sur les trois batteries évaluées.

Ces résultats restent toutefois ceux de l’éditeur, et la portée réelle dépendra des cas d’usage, des données et du matériel. Mais l’orientation du marché est nette: les modèles locaux ne servent plus seulement à l’expérimentation de passionnés ou de chercheurs. Ils entrent dans la discussion sur les coûts, la sécurité et la souveraineté des données, ce qui change le ton des arbitrages en entreprise.

Une tendance plus large chez les éditeurs de modèles

Perplexity n’est pas seule à pousser le local. IBM vient aussi de lancer Granite 4.2, une famille de modèles open weight téléchargeables et auto-hébergeables, en versions 3B, 8B et 30B paramètres. Ces modèles offrent une fenêtre de contexte native de 128 000 jetons, et les variantes 8B et 30B ont été entraînées pour des capacités agentiques élargies, comme l’usage du terminal, la recherche web ou des outils externes.

IBM présente Granite 4.2 comme sa version la plus centrée sur le raisonnement. Ici, le mot ne renvoie pas à une pensée humaine, mais à une capacité fonctionnelle à enchaîner des étapes intermédiaires et à garder le fil d’un problème. Ce type d’approche attire de plus en plus d’éditeurs, car il permet de mieux répartir les tâches entre modèles puissants, modèles plus petits et exécution locale. Le marché des agents IA se segmente, et la bataille des coûts commence à devenir aussi importante que celle des prouesses.