Tu suis la course aux modèles IA ?
Chaque sortie (GPT, Claude, Gemini, Mistral…) décryptée le soir même, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
CanIRun.ai : une solution pour évaluer la compatibilité IA de votre machine
CanIRun.ai est un outil en ligne qui permet aux utilisateurs de déterminer si leur ordinateur, qu'il s'agisse d'un PC ou d'un Mac, est capable de faire fonctionner des modèles d'intelligence artificielle localement. En analysant la configuration matérielle de votre machine, il vous indique quels modèles d'IA, parmi une sélection de LLM open-weights tels que Llama, Qwen, Gemma, et Mistral, peuvent être exécutés avec un certain niveau de confort.
Sur les machines équipées de Apple Silicon, l'outil traite la mémoire unifiée comme une VRAM unique, mais n'en utilise qu'environ 75% pour le modèle IA, ce qui peut limiter les performances, notamment sur des appareils comme le Mac M1 16 Go.
L'ensemble du processus se déroule côté navigateur. CanIRun.ai identifie les composants GPU/CPU et évalue brièvement leur performance pour déterminer la compatibilité, sans jamais envoyer vos données à un serveur externe.
Un outil pour simplifier le choix des modèles IA
Pour beaucoup, savoir si leur ordinateur peut faire tourner une IA localement est un véritable casse-tête. Heureusement, un nouvel outil gratuit est là pour simplifier cette tâche. CanIRun.ai scanne votre matériel et traduit le jargon technique en un verdict simple et compréhensible.
Depuis quelques mois, les outils permettant d'exécuter des modèles d'IA en local se sont multipliés, mais une question persiste : que peut réellement supporter votre machine ? Le site CanIRun.ai détecte votre configuration matérielle et vous indique quels modèles d'IA peuvent être exécutés localement, ainsi que les performances approximatives attendues, telles que l'utilisation de la VRAM et la vitesse de génération.
Concrètement, le site se présente comme un catalogue de modèles (Llama, Qwen, Gemma, Mistral, etc.), chacun accompagné d'une indication claire de sa compatibilité avec votre machine, allant du très confortable au totalement hors de portée. L'objectif est de rendre des concepts techniques intimidants (VRAM, quantization, milliards de paramètres) accessibles à un public non spécialiste.
Utilisation pratique de CanIRun.ai
L'interface de CanIRun.ai affiche automatiquement un résumé de votre configuration matérielle, suivi d'une liste de modèles annotés avec une sorte de bulletin de notes :
- Modèles « confortables »
- Modèles qui fonctionnent mais sont « limites »
- Modèles « trop lourds » à éviter
Pour utiliser cet outil, il suffit de :
- Ouvrir CanIRun.ai dans un navigateur récent.
- Laisser le site détecter votre configuration et vérifier rapidement que les informations affichées (puce, mémoire, GPU) sont correctes.
- Parcourir la liste des modèles et identifier ceux classés dans les catégories les plus confortables, selon votre usage (chat général, code, etc.).
- Installer l'un de ces modèles via un outil comme Jan, Ollama ou LM Studio pour débuter avec l'IA locale sans transformer votre machine en radiateur.
CanIRun.ai se concentre uniquement sur les modèles « auto-hébergeables », c'est-à-dire ceux dont les poids peuvent être téléchargés pour un usage local sur votre GPU ou puce Apple Silicon. L'outil s'appuie sur un catalogue de modèles open-source ou open-weights populaires, allant des petits modèles d'1 à 2 milliards de paramètres aux très gros modèles de plus de 100 milliards de paramètres. Il ne liste pas les grands modèles cloud purement propriétaires comme ChatGPT, Claude ou Gemini dans leurs versions en ligne, car ils ne peuvent pas être exécutés localement sur un PC classique.
Fonctionnement de CanIRun.ai sur Mac
Avec un MacBook Air de 2020 (puce M1 et 16 Go), CanIRun.ai fonctionne de manière cohérente, bien qu'il détecte parfois une puce M1 Pro au lieu de M1. Lorsqu'il s'agit d'une machine Apple Silicon avec mémoire unifiée, l'outil affiche la quantité totale de mémoire disponible comme si la machine disposait de 16 Go de VRAM.
La case RAM est alors grisée avec une mention de mémoire unifiée, indiquant qu'il ne s'agit pas de deux blocs séparés, mais d'un même pool de 16 Go partagé entre le CPU, le GPU et le reste du système.
Étant donné que macOS et d'autres applications consomment déjà plusieurs gigaoctets, la marge disponible pour un modèle local est réduite. Ces chiffres doivent donc être considérés comme des ordres de grandeur plutôt que comme une garantie de performance. Pour un Mac M1 16 Go, les petits et moyens modèles peuvent être exécutés, mais les plus gros modèles risquent de rencontrer des difficultés. Les créateurs de l'outil soulignent néanmoins un avantage propre à Apple Silicon : un modèle peut utiliser jusqu'à environ 75% de la mémoire totale, contrairement à une carte graphique dédiée qui est strictement limitée à sa VRAM.
Aspects techniques de CanIRun.ai
Techniquement, dès que vous ouvrez le site, la page interroge de manière approfondie ce que le navigateur peut révéler sur votre matériel. CanIRun.ai crée un petit contexte graphique en arrière-plan pour récupérer le nom exact de votre GPU ou de votre puce Apple Silicon, puis croise cette information avec une base interne de cartes et de processeurs pour retrouver leurs caractéristiques réelles (quantité de mémoire, bande passante, architecture, etc.).
En parallèle, il utilise les informations système exposées par le navigateur pour estimer la RAM et le nombre de cœurs du processeur, et effectue un court test de performance pour évaluer la puissance monocœur. Toutes ces données servent à reconstruire un profil matériel suffisamment précis pour déterminer quels modèles peuvent être chargés en mémoire et à quelle vitesse ils peuvent fonctionner, le tout directement dans le navigateur et sans envoyer ces mesures à un serveur.
Pour affiner son verdict, l'outil prend également en compte la façon dont l'IA est compressée (par exemple en 4, 8 ou 16 bits, ce qu'on appelle la quantization).
Cependant, cet outil n'est pas infaillible. La détection dépend de ce que le navigateur accepte d'exposer, et certains environnements peuvent masquer le nom de la carte graphique, ce qui peut entraîner des estimations moins précises. C'est pourquoi les auteurs proposent un mode où l'utilisateur peut entrer manuellement sa configuration. De même, les scores de compatibilité restent des estimations : ils fournissent un ordre de grandeur fiable pour choisir un modèle ou envisager un futur achat de GPU, mais ne remplacent pas un benchmark complet pour un usage spécifique.
