L’auteure partage son expérience positive avec les modèles locaux d’IA, désormais suffisamment performants pour des tâches de développement et de codage. Elle souligne l’évolution rapide des modèles comme Mistral 7B, Gemma 3 ou Qwen 3, et leur capacité à rivaliser avec des solutions cloud, notamment depuis l’arrivée de GPT-OSS et des modèles Gemma 4. Son utilisation locale, via des outils comme LM Studio ou Ollama, lui permet de gagner en rapidité et en personnalisation pour des besoins comme le refactoring de code ou la génération de tests unitaires.

Elle détaille son passage à l’agentic coding avec Gemma 4-26B, atteignant environ 75 % des performances des modèles frontaliers, tout en restant dans un environnement contrôlé (Docker). Malgré des contraintes matérielles (64 Go de RAM), ces modèles locaux lui offrent une autonomie accrue pour des tâches autrefois impossibles en local, comme l’analyse de logs ou la génération de structures de projets.

Enfin, elle encourage à tester ces solutions en local, en combinant un moteur d’inférence (LM Studio, llama.cpp) et un outil d’orchestration (comme Pi). Elle note que des modèles plus récents comme Gemma 4-12B-QAT offrent un bon compromis taille/performance, tout en soulignant l’importance des choix architecturaux face aux contraintes techniques.