Avis. Cette page ne décrit ni une aide ni une démarche : le Plan IA360, présenté le 21 septembre 2026, reste sans appel à projets ni bases réglementaires, et ses dates sont sous réserve des textes d'application. Ce que vous pouvez décider dès aujourd'hui, avec bono public ou sans lui, c'est quel modèle et quelle infrastructure demande votre propre projet.
Le projet qui reçoit le plus d'investissement dans le Plan IA360 est une giga-usine d'intelligence artificielle : 5 milliards d'euros d'investissement public-privé, dont 719 millions d'euros publics, avec l'objectif de « construir la mayor infraestructura de cómputo del sur de Europa » (« construire la plus grande infrastructure de calcul du sud de l'Europe ») et 100 000 accélérateurs d'IA opérationnels en 2028/2029 (Plan IA360, projet moteur 1). Le plan la destine à « entrenamiento y despliegue de modelos y aplicaciones avanzadas de IA » (« l'entraînement et le déploiement de modèles et d'applications avancées d'IA ») à l'échelle du pays. Aucune entreprise qui envisage son premier projet d'IA n'a besoin de quelque chose d'approchant, et confondre l'échelle d'un pays avec celle d'un projet concret est la façon la plus rapide de surdimensionner — et de renchérir — quelque chose qui pourrait se résoudre avec beaucoup moins.
La question qui détermine vraiment votre projet n'est pas combien de calcul existe en Espagne. Ce sont deux questions : quel modèle demande votre tâche, et où il va s'exécuter.
La première question : quelle taille de modèle demande votre tâche
Toutes les tâches ne demandent pas le même modèle, et utiliser le plus puissant disponible pour tout est aussi inefficace qu'utiliser le plus petit pour quelque chose qui exige de raisonner en plusieurs étapes. Ce qui détermine la taille réellement nécessaire est une combinaison de facteurs : le type de tâche — classer du texte n'est pas la même chose que rédiger du code —, la quantité de texte qui entre dans chaque requête, et la conséquence d'une erreur du modèle. Un classificateur de tickets de support avec vérification humaine avant tout effet peut se résoudre avec un modèle compact et bon marché ; un système qui rédige la première version d'un contrat et dont personne ne relit l'erreur avant de l'envoyer demande une autre catégorie de modèle, même si le volume de travail est plus faible.
Croiser ces variables — type de tâche, longueur de l'entrée, conséquence d'une erreur, latence visée et budget — pour décider quel profil de modèle convient — compact, généraliste ou de raisonnement — est précisément le type de décision que résout un diagnostic de maturité et feuille de route : un point de départ pour la conversation, pas un tableau de prix ni un modèle commercial précis.
La deuxième question : où il s'exécute
La deuxième question laisse de côté la taille du modèle et passe à la localisation : si vos données peuvent sortir de votre infrastructure sans problème, si elles doivent rester dans l'Union européenne, ou si elles ne peuvent en aucun cas sortir de votre propre réseau. Cette réponse change ce qu'exige le RGPD — si la donnée sort de l'Espace économique européen, les règles de transfert international entrent en jeu — et détermine ce que vous devez demander par écrit à tout prestataire avant de signer quoi que ce soit : où il traite la donnée, combien de temps il la conserve, s'il l'utilise pour réentraîner son propre modèle. Cette question est traitée plus en détail, avec des exemples concrets, dans où vivent vos données quand vous utilisez l'IA.
Pourquoi la taille est une question de tâche, pas de budget : un exemple
Pensez à deux projets de la même entreprise. Le premier classe l'objet de chaque e-mail entrant pour le répartir entre services : l'entrée est courte, l'erreur se corrige par un renvoi et personne ne perd rien de grave si cela rate une fois sur vingt. Le second rédige la réponse qu'un commercial va envoyer à un client sur les conditions d'un contrat : l'entrée peut être un dossier entier, et une erreur là part directement chez le client. Le premier demande un modèle compact et bon marché, avec une latence minimale. Le second demande un profil de raisonnement, même s'il traite beaucoup moins de volume. Confondre les deux — ou, pire, appliquer le même modèle aux deux par commodité — est une façon courante de dépenser plus sans que le projet en tire un meilleur résultat.
Combien cela coûte, sans chiffres inventés
Une fois le modèle et son lieu d'exécution décidés, la question suivante est combien cela va coûter à mettre en place. Quand le projet est un système qui répond à des questions sur vos propres documents — un RAG —, le coût dépend de votre propre corpus : combien de documents, combien ils changent par mois, en combien de fragments ils sont découpés pour être indexés, et quel tarif applique votre prestataire. Ce calcul ne sort pas d'un tableau générique : il se fait avec vos propres volumes et vos propres tarifs, dans la phase d'inventaire par laquelle démarre un projet de RAG et recherche interne, avant de décider de l'architecture.
Quand il faut vraiment plus de puissance
Certains projets sortent de ce cadre : entraîner son propre modèle depuis zéro, traiter par lots des volumes de données qui ne tiennent pas dans la mémoire d'un serveur courant, ou travailler avec des informations qui exigent une latence minimale à grande échelle. Ils sont minoritaires, et se détectent presque toujours en phase de diagnostic, avant d'engager un budget : si votre cas en fait partie, vous le soupçonnez probablement déjà avant de lire ceci. Pour le reste — la majorité des projets d'IA que lance une PME —, la question n'est pas combien de calcul possède le pays, mais quel modèle et quel déploiement demande la tâche concrète que vous avez devant vous.
Questions fréquentes
Ai-je besoin de mon propre GPU pour faire un projet d'IA dans mon entreprise ?
Dans la plupart des cas, non. La majorité des projets de PME font appel à un modèle déjà entraîné via une API ou le déploient sur une infrastructure existante ; entraîner un modèle depuis zéro est l'exception, pas le point de départ habituel.
Quelle différence entre un modèle compact et un modèle de raisonnement ?
Un modèle compact résout des tâches délimitées avec une faible latence et un faible coût, adapté quand le volume est élevé et que l'erreur bénéficie d'une révision humaine. Un modèle de raisonnement prend en charge des tâches plus longues ou avec plus d'étapes intermédiaires, et se justifie quand la conséquence d'une erreur est élevée ou que personne ne relit le résultat avant qu'il ne produise ses effets.
Combien coûte la mise en place d'un système de RAG dans mon entreprise ?
Cela dépend directement de votre volume documentaire, de combien il change par mois et du tarif de votre prestataire : il n'y a pas de chiffre unique valable pour toutes les entreprises. Ce calcul — investissement de mise en route et coût mensuel — est justement ce qui se calcule dans la phase d'inventaire d'un projet de RAG, décrite plus haut, avec vos propres données, pas avec un tableau générique.
La giga-usine du Plan IA360 me donne-t-elle accès à plus de capacité de calcul ?
Pas pour l'instant. Le plan prévoit qu'elle « facilitará el acceso a capacidad de cómputo a centros de investigación, empresas y administraciones » (« facilitera l'accès à une capacité de calcul aux centres de recherche, aux entreprises et aux administrations »), mais ne fixe pas encore selon quelles conditions ni quelle procédure, et son ouverture est prévue pour 2028. La voie pensée pour qu'une PME arrive à utiliser l'IA sans construire sa propre infrastructure est la Red NEURONA (« réseau NEURONA »).
Pour aller plus loin
La giga-usine, quand elle existera, résoudra le calcul d'un pays. Votre projet résout une tâche concrète, et cette décision — modèle, déploiement, coût — se prend avec vos propres données, pas avec celles du plan. Le reste des pièces se trouve dans le guide complet du Plan IA360.