Ollama Cloud : prix, limites et pourquoi le local reste meilleur

#Ce qu'est Ollama Cloud

Depuis 2025, Ollama propose une offre payante baptisée Ollama Cloud qui permet d'appeler des modèles hébergés sur leur infrastructure GPU, en gardant exactement les mêmes commandes que pour un modèle local. La promesse : faire tourner des modèles open-weight massifs (centaines de milliards de paramètres) sans avoir besoin d'un Mac Studio Ultra ou d'un cluster H100.

Concrètement, vous installez Ollama comme d'habitude, vous vous authentifiez, et vous tirez un modèle marqué "cloud" (par exemple gpt-oss:120b-cloud). L'inférence ne se fait plus sur votre GPU, mais sur les serveurs d'Ollama — votre machine n'envoie que les tokens du prompt et reçoit les tokens de réponse.

Exemple d'appel cloud (syntaxe générale)

# Authentification (une seule fois)
ollama signin

# Lancer un modèle hébergé
ollama run gpt-oss:120b-cloud

Ce n'est pas du "local cloud"

Ollama Cloud n'est pas un mode hybride qui exécute une partie du modèle chez vous. C'est de l'inférence distante pure : vos prompts partent sur Internet, comme avec l'API OpenAI ou Anthropic. La seule chose "locale" est la CLI.

#Quels modèles tournent côté cloud

Le catalogue cloud cible précisément ce qui passe mal en local. Il évolue, mais la logique reste la même : modèles open-weight ou ouverts, de très grande taille, ou multimodaux exigeants en VRAM.

Modèles 100B+ paramètres: Type gpt-oss:120b, qwen3-coder:480b, kimi-k2 — qui demandent 60 à 250 Go de VRAM en Q4, hors de portée d'un poste de travail individuel.
Modèles frontière MoE: DeepSeek V3/V4, Llama 4 Maverick : les versions complètes, pas les distillations 7B/32B qu'on installe en local.
Modèles spécialisés lourds: Coder géants, modèles de raisonnement ("thinking") long contexte, modèles vision haute résolution.

Les modèles "normaux" (Mistral 7B, Llama 3.1 8B, Qwen 14B, Phi-4, etc.) restent recommandés en local : ils tiennent sur une RTX 3060 12 Go ou un MacBook Air, et il n'y a aucun bénéfice à les déporter.

#Tarifs et limites

Ollama Cloud se positionne entre un abonnement mensuel forfaitaire (avec quota de requêtes/heure) et un modèle de facturation à la consommation pour les usages intensifs. Les tarifs exacts évoluent — vérifiez sur ollama.com/cloud avant de vous engager — mais quelques constantes méritent d'être notées.

Quotas horaires: Les plans de base limitent le nombre de requêtes par heure ou par jour. Confortable pour un usage humain en chat, vite atteint pour un script qui boucle sur 10 000 documents.
Facturation à la durée d'inférence: Les très gros modèles sont parfois facturés au temps GPU consommé. Une requête à long contexte (32k tokens, raisonnement profond) coûte mécaniquement plus qu'un "bonjour".
Pas de prix au token affiché par défaut: Contrairement à OpenAI ou Anthropic, l'API ne facture pas systématiquement au token côté Ollama Cloud. Cela rend la budgétisation moins précise.
Pas de SLA grand public: L'offre est jeune, il n'y a pas (au moment d'écrire ces lignes) de garantie de disponibilité comparable à celles des grands clouds.

Le piège du "presque gratuit"

Un quota gratuit ou un plan d'entrée bon marché donne envie de tout faire passer par le cloud. Mais dès qu'on automatise (batch processing, agent qui boucle, RAG sur 100 000 chunks), la facture grimpe vite et la latence réseau s'ajoute à chaque appel.

#Confidentialité : ce qui change vraiment

C'est ici que la différence avec le self-host devient structurelle, pas anecdotique. Quand vous utilisez Ollama en local, vos prompts ne quittent jamais le port 11434 sur localhost — c'est vérifiable au pare-feu. En cloud, ils transitent par Internet et sont traités sur une infrastructure tierce.

Vos prompts sortent du périmètre: Toute donnée envoyée — extrait de contrat, code source propriétaire, dossier patient, email — quitte votre machine. Pour un cabinet d'avocats, un médecin, un service RH ou un labo R&D, c'est rédhibitoire.
Politique de rétention: Ollama indique ne pas entraîner ses modèles sur vos prompts. Mais la rétention pour debug, abuse-detection ou logs varie selon les plans. Lisez les CGU avant d'envoyer du sensible.
RGPD et hébergement: Les serveurs Ollama Cloud sont majoritairement aux États-Unis. Pour des données personnelles européennes, cela soulève des questions de transfert hors-UE que le self-host élimine d'un coup.
Pas d'audit possible côté infra: En local, vous pouvez tcpdump le port 11434 et prouver que rien ne sort. En cloud, vous devez faire confiance — il n'y a pas de moyen technique de vérifier ce qui est journalisé.

→

Le test du tcpdump

Pour un Ollama self-host, lancez `sudo tcpdump -i any port 443` pendant que vous utilisez le modèle. Aucun paquet sortant ne doit apparaître. Avec Ollama Cloud, vous verrez du trafic vers les serveurs ollama.com. La preuve de la confidentialité est binaire et observable.

#Alternatives self-host à chaque modèle cloud

Pour la quasi-totalité des modèles proposés en cloud, il existe une alternative locale soit équivalente (modèle plus petit de la même famille), soit acceptable (autre modèle open-weight comparable). Voici les correspondances utiles.

gpt-oss:120b-cloud → llama3.1:8b ou qwen2.5:14b en local: Pour 90 % des usages conversationnels, un 8B-14B Q4 sur une RTX 3060 12 Go fait l'affaire. La différence se mesure surtout sur des tâches de raisonnement long ou de connaissance encyclopédique.
qwen3-coder:480b-cloud → qwen2.5-coder:14b ou 32b: Le 32B en Q4 (≈19 Go VRAM) tourne sur une RTX 4090 ou un Mac M-Max. Pour de l'autocomplétion code en IDE, c'est largement suffisant — voir le guide Continue.dev.
deepseek-v3:671b-cloud → deepseek-r1:32b ou 70b distillé: Les versions distillées de DeepSeek R1 reproduisent 80-90 % du raisonnement du modèle complet sur des benchmarks usuels, en local sur une 4090 ou un Mac Studio.
Modèles vision géants → qwen2.5-vl:7b ou llama3.2-vision:11b: Pour de l'OCR, du tagging d'images, de la description, ces deux modèles tournent sur 8-12 Go de VRAM. Voir le guide LLM multimodal vision en local.
Long contexte 1M tokens → modèles 128k locaux + chunking: Très peu d'usages réels nécessitent 1M de tokens d'un coup. Un bon pipeline RAG avec chunking + reranker traite des corpus massifs avec un modèle 32k local.

L'écart de qualité se réduit chaque trimestre

Un modèle 14B de 2026 dépasse un 70B de 2024 sur la plupart des benchmarks. Le rationnel "il me faut un 400B" devient de plus en plus rare. Avant de payer pour du cloud, testez vraiment si un 14B local ne suffit pas — vous serez souvent surpris.

#Tableau décisionnel

Pour trancher entre Ollama Cloud et self-host, posez-vous ces cinq questions dans l'ordre. La première qui répond "self-host" tranche le débat.

1. Les données sont-elles sensibles ?: Code propriétaire, données client, santé, juridique, RH, R&D → self-host, point final.
2. Êtes-vous soumis au RGPD ou à une réglementation sectorielle ?: Hôpital, banque, secteur public, données européennes → self-host, ou cloud souverain dédié (pas Ollama Cloud).
3. Le volume est-il prévisible et élevé ?: Plus de quelques milliers d'appels par jour → un GPU à 1500 € s'amortit en quelques mois face à une facture cloud variable.
4. Avez-vous besoin de fonctionner offline ?: Site sans connexion fiable, démos sur le terrain, conformité air-gap → self-host obligatoire.
5. Avez-vous absolument besoin d'un modèle 100B+ ?: Si oui, et seulement si oui, et après avoir testé un 32B local : Ollama Cloud devient une option à considérer.

→

Règle pratique

Si vous hésitez, commencez en local avec un modèle 14B Q4. Vous découvrirez vite si ses limites bloquent vraiment votre usage — dans 80 % des cas, non. Le cloud reste l'exception, pas la règle.

#Quand utiliser l'un, quand utiliser l'autre

#Les rares bons cas pour Ollama Cloud

Évaluation ponctuelle d'un modèle géant: Vous voulez tester en 10 minutes si un 480B coder vaut le coup avant d'investir dans une machine — le cloud évite l'achat impulsif.
Démo client sans matériel sur place: Un commercial qui montre un POC sur son laptop sans embarquer un Mac Studio.
Tâche unique très exigeante: Un rapport de 500 pages à résumer une fois par trimestre, avec contexte long, et zéro donnée confidentielle dedans.
Apprentissage et exploration: Découvrir ce qu'un modèle de 670B sait faire, pour ensuite revenir au local en sachant quoi viser.

#Les cas où le self-host gagne

Tout usage récurrent: Assistant code quotidien, chat équipe interne, RAG sur documents d'entreprise — la stabilité de la facture compte.
Tout usage sur données sensibles: Pas de débat : juridique, santé, RH, finance, R&D, code propriétaire restent en local.
Tout usage automatisé: Pipelines batch, agents qui bouclent, n8n, scripts ETL : les quotas cloud explosent, les coûts deviennent imprévisibles.
Tout usage offline ou edge: Raspberry Pi en atelier, laptop en déplacement, site sans Internet fiable.
Tout besoin de personnalisation: Fine-tuning, Modelfile custom, system prompts d'équipe, intégration deep avec vos outils — le cloud ne le permet pas.

Le piège du verrouillage

Une fois qu'une équipe a pris l'habitude d'appeler un modèle cloud spécifique, en sortir est douloureux : prompts calibrés, formats de sortie, comportements particuliers. Investir dans le self-host dès le départ évite cette dépendance — et fait économiser quand les prix montent.

#Pour aller plus loin

Si vous concluez que le self-host est la bonne voie pour votre cas (ce qui est probable), ces guides vous aident à démarrer du bon pied :

Choisir le bon GPU: Le guide Choisir son GPU pour l'IA locale détaille les arbitrages VRAM/budget/performance, du RTX 3060 12 Go au Mac Studio Ultra.
Comprendre la quantization: Le guide Choisir sa quantification (Q4, Q5, Q8, FP16) explique comment faire rentrer un modèle 32B sur un GPU 16 Go sans dégrader la qualité.
Confidentialité opérationnelle: La Checklist confidentialité liste les vérifications concrètes pour s'assurer qu'aucun paquet ne sort de votre machine — la preuve par les faits.

Questions fréquentes sur Ollama Cloud

Ollama Cloud est-il gratuit ?+

Il existe un palier gratuit, mais avec des limites d'usage restreintes (peu de modèles simultanés, quotas qui se renouvellent par session et par semaine). Pour un usage plus soutenu, Ollama propose des paliers payants par abonnement mensuel donnant accès à davantage de modèles simultanés et de quota. Les tarifs exacts évoluent : vérifiez toujours la page officielle ollama.com/pricing avant de vous engager plutôt que de se fier à un chiffre figé.

Comment utiliser Ollama sans passer par le cloud ?+

Rien ne change : l'installation locale classique d'Ollama fonctionne exactement comme avant, sans compte ni abonnement. Le cloud est une fonctionnalité optionnelle activée uniquement quand vous choisissez explicitement un modèle marqué "cloud" et que vous vous authentifiez. Tant que vous utilisez des modèles standards (Llama, Mistral, Qwen, etc.), tout tourne en local, sans connexion requise après le téléchargement du modèle.

Ce guide vous a aidé ?

Un retour, une erreur, une précision ? Faites-nous signe, ça améliore le guide pour tout le monde.

Suite logique

Matériel · 12 min