Guide · IA open source

Déployer DeepSeek ou Llama dans votre entreprise : matériel, licence et stack

Par Loïc Jané·Mis à jour le 18 août 2026·10 min de lecture

L'essentiel : DeepSeek et Llama sont les deux familles à poids ouverts que la plupart des entreprises shortlistent en premier — DeepSeek pour un raisonnement solide à coût efficace, Llama pour l'écosystème le plus mûr et toutes les tailles. Les deux sont déployables sur votre propre infrastructure et permettent l'usage commercial : DeepSeek sous une licence permissive, Llama sous la licence communautaire Llama avec une politique d'usage acceptable. La plupart des charges d'entreprise sont bien servies par un modèle intermédiaire de l'une ou l'autre famille sur un serveur mono-GPU. Ce guide couvre le choix, la licence, le matériel, la stack de serving (vLLM ou Ollama), et la méthode pas à pas que nous appliquons en tant qu'intégrateur.

DeepSeek ou Llama : que déployer

Ces deux familles couvrent la majorité des conversations « on veut un modèle ouvert qu'on peut auto-héberger » que nous avons, et elles se complètent :

Famille	Force principale	Style	Bons défauts par défaut
DeepSeek	Raisonnement et analyse à excellente efficacité	Style raisonnement	Tâches analytiques, extraction, réponses RAG où le raisonnement compte
Llama	Écosystème le plus mûr, toutes les tailles, énorme outillage	Usage général	Rédaction, classification, questions-réponses, outillage agents, stacks hybrides

Le bon est celui qui gagne sur vos tâches — benchmarkez une shortlist (y compris d'autres familles comme Mistral ou Qwen pour le multilingue) sur vos documents réels avant de décider, exactement comme le détaille notre guide de sélection des modèles. Pour beaucoup d'entreprises, la réponse n'est pas « l'un ou l'autre » mais « les deux » : un modèle intermédiaire pour l'essentiel, un plus gros pour les cas difficiles, routés par la passerelle.

Les licences, décodées pour l'entreprise

DeepSeek — y compris la dernière version DeepSeek V4 (licence MIT, août 2026, contexte d'un million de tokens) — publie ses modèles sous une licence permissive qui autorise l'usage commercial, l'auto-hébergement et la modification — l'une des raisons pour lesquelles c'est devenu un choix par défaut si vite. Comme toujours, lisez le texte exact de la licence pour la version précise que vous déployez et archivez-le.

Llama est publié sous la licence communautaire Llama, qui autorise l'usage commercial, l'auto-hébergement et le fine-tuning dans des limites définies et — contrairement à une licence open source permissive — exige d'accepter une politique d'usage acceptable séparée (une étape courte et routinière au téléchargement depuis le dépôt officiel). Les conditions qui existent ciblent l'échelle et certains usages, pas le déploiement interne auto-hébergé ordinaire. Notre guide des licences explique comment en examiner une en quelques minutes.

Pour l'usage interne en entreprise, aucune des deux familles n'est un blocage de licence. Archivez le texte, figez les poids, et faites confirmer votre cas par le juridique si vous comptez intégrer le modèle dans un produit que vous distribuez.

La réalité matérielle : dimensionner le modèle à la tâche

La réponse matérielle honnête est la même que pour tout modèle ouvert : cela dépend de la taille du modèle choisi, et la plupart des charges d'entreprise n'ont pas besoin du plus gros membre de la famille.

Les modèles intermédiaires — le défaut naturel pour le traitement documentaire, les questions-réponses internes, la rédaction et la classification — tiennent confortablement sur un serveur mono-GPU. C'est le point idéal pour la plupart des entreprises, et là où le dossier économique de l'auto-hébergement est le plus fort.
Les modèles plus gros — nécessaires pour le raisonnement de niveau frontière ou les charges très lourdes — commencent à exiger plusieurs GPU ou un petit cluster. C'est là qu'il faut peser une capacité de cloud privé contre du matériel on-premise, et où les API au token peuvent encore gagner à faible volume.
Les variantes quantifiées font le même travail avec moins de mémoire rapide, ce qui fait qu'un serveur modeste va souvent plus loin qu'un chiffre de paramètres en gros titre ne le suggère — benchmarkez sur vos tâches, pas sur le nombre.

Nous dimensionnons la cible de déploiement pendant l'audit face à vos volumes réels, et nous n'avons jamais regretté de choisir un modèle plus petit et bien servi. Plus de détails sur le dimensionnement dans notre guide du déploiement en entreprise et la mathématique de coût dans notre guide auto-hébergé vs API.

La stack de serving : vLLM pour l'échelle, Ollama pour la simplicité

Deux outils couvrent la plupart des déploiements :

vLLM est le choix de production pour un volume significatif — batching efficace, streaming, une API compatible OpenAI et un solide support multi-modèles. C'est ce que nous utilisons pour les vraies charges derrière une passerelle.
Ollama est idéal pour un pilote rapide, l'adoption développeurs et les cas edge — une commande tire et sert un modèle avec des endpoints compatibles OpenAI, le moyen le plus rapide d'obtenir un benchmark pratique. Pour une production étendue, nous faisons généralement passer le même modèle à vLLM derrière la passerelle.

Quel que soit le serveur, le modèle ne devient une plateforme qu'entouré des couches habituelles : une passerelle (SSO, accès par équipe, quotas, journaux d'audit), du RAG sur vos connaissances internes avec sources citées, des agents et intégrations qui exécutent de vrais workflows (là où le ROI se concentre), et de la supervision et évaluation rejouée avant chaque montée de version.

Déployer DeepSeek ou Llama dans votre entreprise, pas à pas

Choisir le modèle et valider la licence — Benchmarker une shortlist sur vos tâches, puis télécharger les poids choisis depuis le dépôt officiel, figer la version, enregistrer les sommes de contrôle et archiver la licence (ajouter la signature d'usage acceptable si vous partez sur Llama). La gouvernance d'abord.
Dimensionner la cible de déploiement — Adapter la taille du modèle à votre charge : intermédiaire sur un serveur mono-GPU, plus gros dans un petit cluster ou une capacité de cloud privé. Calculer le point d'équilibre face aux API au token sur vos chiffres.
Servir derrière un serveur d'inférence de production — vLLM (ou Ollama pour un pilote), derrière votre passerelle avec SSO, journaux d'audit et quotas, exposant l'endpoint compatible OpenAI que vos outils parlent déjà. Changez une URL de base, pas votre stack.
Ajouter le RAG, les agents et la formation — Relier vos connaissances internes avec sources citées, construire les agents et intégrations qui exécutent de vrais workflows, superviser et évaluer — puis former les équipes qui utiliseront et opéreront la plateforme avant la remise des clés. Formateurs certifiés, nous avons formé 450+ professionnels, dont 140+ répartis sur 12 départements à la Bourse de Luxembourg ; la plateforme est à vous, nous restons en appui.

Combien ça coûte

La même structure à deux budgets que tout déploiement auto-hébergé :

L'infrastructure. Un serveur mono-GPU fait tourner confortablement la plupart des membres intermédiaires de ces familles ; les séries de modèles plus gros peuvent exiger plusieurs GPU ou une capacité de cloud privé. Cela se dimensionne pendant l'audit face à vos volumes et se chiffre au cas par cas plutôt que d'être inventé ici.

L'intégration. Le travail qui rend le modèle utile suit notre grille publiée : les automatisations IA ciblées se situent typiquement entre 1 500 et 10 000 €, et les systèmes d'agents autonomes sur mesure entre 10 000 et 30 000 €, toujours sur devis après l'audit. Le serving du modèle en est une part modeste ; le RAG, les agents, les intégrations et la formation concentrent la valeur.

Et le point de référence que nous nous imposons est opérationnel : chez Créabim Architectes, le système d'agents que nous avons déployé a rendu les études réglementaires de faisabilité 10× plus rapides et économise plus d'un équivalent temps plein par an. Si un modèle auto-hébergé ne peut pas raisonnablement viser ce type d'impact chez vous, l'audit doit le dire — avant d'acheter du matériel.

Les pièges classiques

Acheter un cluster pour le modèle des gros titres. Le plus gros membre de la famille est rarement celui dont vos tâches ont besoin. Benchmarkez, puis dimensionnez.
Sauter l'étape licence/usage acceptable. Llama exige spécifiquement l'accord d'usage acceptable — routinier, mais ne le sautez pas dans un pipeline de production.
Prendre le serving pour la ligne d'arrivée. Un modèle derrière vLLM sans passerelle, sans RAG, sans agents et sans utilisateurs formés est une démo coûteuse. L'adoption est le produit.
Confondre « poids ouverts » et « aucune donnée ne sort ». Seuls les déploiements auto-hébergés et en cloud privé gardent les données dans votre périmètre ; un hébergeur sur le même modèle, non.

Questions fréquentes

Peut-on déployer DeepSeek ou Llama sur nos propres serveurs ?

Oui. Les deux familles sont à poids ouverts et permettent l'auto-hébergement. Les membres intermédiaires tournent bien sur un serveur mono-GPU — le défaut naturel pour la plupart des charges d'entreprise — tandis que les plus gros peuvent exiger plusieurs GPU ou une capacité de cloud privé. DeepSeek est sous une licence permissive ; Llama sous la licence communautaire Llama avec une politique d'usage acceptable signée. Nous dimensionnons la cible à votre charge réelle pendant l'audit.

Lequel est le meilleur pour une entreprise, DeepSeek ou Llama ?

Cela dépend de vos tâches. DeepSeek est connu pour un raisonnement solide à coût efficace et un style raisonnement ; Llama a l'écosystème le plus mûr, toutes les tailles et un énorme outillage, ce qui en fait un défaut généraliste solide. La réponse honnête vient d'un benchmark sur vos propres données — et beaucoup d'entreprises déploient les deux, un modèle intermédiaire pour l'essentiel et un plus gros pour les cas difficiles derrière une passerelle de routage.

Quel matériel faut-il pour auto-héberger DeepSeek ou Llama ?

Pour la plupart des charges d'entreprise, un modèle intermédiaire sur un serveur mono-GPU suffit — c'est le point idéal pour le coût comme pour la fiabilité. Les modèles plus gros exigent plusieurs GPU ou un petit cluster, où une capacité de cloud privé est souvent l'option pragmatique. Les variantes quantifiées peuvent aussi tourner sur du matériel plus modeste. Benchmarkez sur vos tâches pour décider ; nous dimensionnons pendant l'audit.

DeepSeek ou Llama sont-ils gratuits commercialement ?

Les deux permettent l'usage commercial. Les modèles DeepSeek sont sous une licence permissive qui autorise l'usage commercial, l'auto-hébergement et la modification. Llama est sous la licence communautaire Llama, qui permet l'usage commercial et l'auto-hébergement dans des limites définies et exige d'accepter une courte politique d'usage acceptable au téléchargement. Pour un déploiement interne auto-hébergé, aucune des deux n'est un blocage — archivez la licence et figez les poids.

Faut-il utiliser vLLM ou Ollama pour servir le modèle ?

Pour les charges de production, vLLM est le choix robuste — batching efficace, streaming et API compatibles OpenAI derrière votre passerelle. Ollama est idéal pour un pilote rapide, l'adoption développeurs et les cas edge : une commande tire et sert un modèle. Un chemin courant : piloter avec Ollama, puis faire passer le même modèle à vLLM derrière la passerelle pour un usage étendu en entreprise.

Combien de temps prend un déploiement de DeepSeek ou Llama ?

Un pilote benchmarké se joue typiquement en quelques semaines — choix du modèle et relecture de licence d'abord, puis un workflow servi sur de la capacité louée ou existante. Le durcissement production dépend de vos exigences de sécurité, mais avec un outillage mûr comme vLLM, comptez en semaines, pas en trimestres. L'audit initial vous donne un calendrier réaliste pour votre contexte.