Qu’est-ce que l’ordinateur portable Perplexity ? Comment les agents d’IA axés sur le local gardent votre travail sur votre PC

Perplexity Portable Computer est important moins parce qu’il peut exécuter localement un modèle de 27B que parce qu’il déplace l’environnement d’exécution de l’agent lui-même sur la machine de l’utilisateur. Perplexity indique que l’orchestrateur, le planificateur, le routeur d’outils, le programmateur, la file d’attente persistante des tâches et l’index de recherche local s’exécutent tous sur l’appareil. L’agent peut lire les fichiers locaux, rechercher des documents et du code, effectuer des actions sur l’ordinateur et maintenir des tâches de longue durée sans faire d’un modèle cloud la couche de contrôle par défaut.

Cela modifie la question de l’IA locale. Au lieu de se demander uniquement si un modèle tient dans la RAM ou la VRAM, la question la plus importante devient de savoir où doivent se trouver les fichiers de l’agent, son index de recherche, l’état des tâches, ses outils, ses autorisations et son environnement de travail. Portable Computer est également local par défaut plutôt que local uniquement : il peut demander l’autorisation d’utiliser la recherche web, des applications connectées ou des modèles cloud de pointe lorsqu’une tâche nécessite des capacités que la pile locale ne peut pas fournir. Le résultat est une architecture d’IA hybride qui sert de modèle, dans laquelle l’utilisateur possède la couche locale persistante, tandis que l’intelligence du cloud devient une ressource facultative.

Qu’est-ce que Perplexity Portable Computer ?

Perplexity Portable Computer est une version locale par défaut de Perplexity Computer, présentée le 25 août 2026. Au lieu d’envoyer chaque tâche vers un environnement d’exécution d’agent hébergé, il exécute le système d’agent central sur une machine locale.

Dans l’annonce officielle de Portable Computer, Perplexity décrit un système capable d’analyser les données locales, de synthétiser des fichiers, d’exécuter des flux de travail, de rechercher du contenu local et d’effectuer des actions sur l’appareil, sans faire de l’exécution dans le cloud le fonctionnement par défaut.

La distinction est plus facile à comprendre en séparant le modèle de l’agent qui l’entoure.

Le changement fondamental n’est donc pas simplement qu’un LLM est passé d’un serveur à un ordinateur de bureau. La couche d’orchestration l’a accompagné.

Portable Computer devient ainsi davantage un environnement d’exécution d’agent local qu’un chatbot local conventionnel.

Ce qui s’exécute réellement en local dans Portable Computer ?

Perplexity identifie explicitement six composants majeurs qui s’exécutent sur l’appareil : l’orchestrateur, le planificateur, le routeur d’outils, le programmateur, la file d’attente persistante des tâches et l’index de recherche local. Ces composants sont importants, car un agent fait bien plus que générer le token suivant.

L’orchestrateur décide de la manière dont la tâche globale doit se dérouler. Si un utilisateur demande à l’agent d’examiner un dossier de rapports, de les comparer aux notes du projet, de préparer un résultat et d’envoyer un résumé ultérieurement, de nombreuses opérations individuelles peuvent avoir lieu entre la demande et le résultat.

Le planificateur décompose cette tâche en étapes gérables. Le routeur d’outils détermine si une étape nécessite un accès aux fichiers, une recherche locale, l’exécution de code, un connecteur d’application ou une autre fonctionnalité. Le planificateur d’exécution détermine quand les tâches doivent s’exécuter, tandis que la file d’attente de tâches persistante permet de conserver les travaux de plus longue durée au lieu de supposer que chaque tâche se termine par une seule réponse dans le chat.

C’est la principale différence entre un agent et un chatbot. Un chatbot peut attendre le prochain message de l’utilisateur. Un agent peut être en train de traiter des fichiers, d’attendre la fin d’une autre action, de réessayer un appel d’outil ayant échoué ou de reprendre une tâche ultérieurement.

Portable Computer prend actuellement en charge Qwen3.8-27B et le PPLX 27B de Perplexity sur son matériel de lancement. Les lecteurs qui s’intéressent spécifiquement aux besoins en mémoire du modèle Qwen sous-jacent peuvent consulter notre guide sur l’exécution de Qwen3.8-27B sur du matériel grand public.

Mais le modèle n’est qu’un composant interchangeable. L’idée architecturale la plus importante est que la planification, le routage, la recherche, la persistance des tâches et les actions locales ne sont plus obligés de résider aux côtés d’un modèle cloud.

Comment Portable Computer décide-t-il quand utiliser le cloud ?

Portable Computer privilégie le local, sans être nécessairement limité au fonctionnement hors ligne. Cette distinction est essentielle pour comprendre correctement le produit.

Perplexity indique que le modèle local est entraîné pour accomplir autant de tâches que possible localement. Lorsqu’une tâche nécessite une fonctionnalité absente de l’appareil — comme des informations web actuelles, un accès au navigateur, une application connectée ou un raisonnement de pointe plus puissant — l’orchestrateur local peut déléguer cette partie du flux de travail.

Voici à quoi ressemble un parcours décisionnel simplifié :

Tâche de l’utilisateur
   |
   v
Orchestrateur local
   |
   +-- Le modèle local et les outils locaux peuvent-ils terminer la tâche ?
   |        |
   |        +-- Oui --> Terminer localement
   |
   +-- Non
          |
          +-- Nécessite des informations web actuelles ?
          +-- Nécessite une application connectée ?
          +-- Nécessite une action dans le navigateur ?
          +-- Nécessite un raisonnement de pointe ?
                    |
                    v
             Demander l’autorisation
                    |
                    v
          Utiliser une capacité cloud approuvée
                    |
                    v
          Renvoyer le résultat au flux de travail local

Perplexity indique que Portable Computer peut accéder à ses capacités de recherche, à ses recherches approfondies ou étendues, à ses applications connectées et à plus de 15 modèles de pointe lorsque cela est nécessaire. Il indique également que lorsque du contenu de l’appareil doit être envoyé à un service cloud, le système demande d’abord l’autorisation de l’utilisateur.

Cela crée une relation très différente avec l’IA cloud.

Le cloud devient une capacité que l’agent peut solliciter, plutôt que l’environnement dans lequel il réside en permanence.

Ce modèle hybride est particulièrement utile pour le travail privé. Un agent local peut analyser des documents confidentiels sur l’appareil, tout en demandant à un service de recherche cloud des informations actuelles sur le marché qui ne nécessitent pas l’envoi des documents sources confidentiels eux-mêmes.

Comment Portable Computer utilise-t-il les fichiers et la recherche locaux ?

Un agent d’IA privé efficace n’a pas besoin de faire tenir chaque document dans la fenêtre de contexte du modèle. Il a besoin d’un accès contrôlé aux fichiers ainsi que d’un moyen de trouver les informations pertinentes lorsqu’une tâche le demande.

Portable Computer peut lire les fichiers locaux et effectuer des recherches dans les documents et le code. Son index de recherche local reste également sur l’appareil. Cette séparation est importante, car l’IA locale devient bien plus utile lorsque les données privées sont traitées comme une couche de connaissances persistante plutôt que comme des éléments importés manuellement à chaque conversation.

Un flux de travail simplifié de gestion des connaissances en local se présente comme suit :

Fichiers locaux
    |
    v
Recherche locale / Index
    |
    v
Documents pertinents
    |
    v
Agent local
    |
    v
Contexte du modèle
    |
    v
Réponse / Action / Sortie

Le modèle n’a donc pas besoin de « mémoriser » un système de fichiers entier. Il peut récupérer les fichiers ou les passages pertinents pour la tâche en cours.

Cela est étroitement lié à l’architecture que nous utilisons lorsque nous évoquons la séparation du calcul local de l’IA et du stockage NAS à long terme. La machine de calcul gère l’inférence active et le travail des agents, tandis que les documents persistants, les représentations vectorielles, les sorties et les sauvegardes peuvent résider sur une couche de stockage conçue pour rester disponible pendant des années.

Cette distinction devient plus importante à mesure que les agents génèrent leurs propres artefacts. Un flux de travail mature peut contenir des documents sources, des représentations vectorielles, des dépôts de code, des fichiers de sortie, des journaux de tâches, des rapports, des ressources image, des transcriptions et des instantanés. Le modèle d’IA n’est plus la seule chose qui nécessite un espace de stockage.

Où réside la mémoire des agents dans un système axé sur le local ?

Les fichiers consultables constituent une forme de contexte persistant, mais les agents exécutant des tâches sur de longues périodes finissent par avoir besoin de quelque chose qui s’apparente davantage à une mémoire : des enregistrements des travaux précédents, de l’historique des projets, des notes, des découvertes, des décisions et de l’état des tâches qui subsistent au-delà d’une seule invite.

Le lancement de Portable Computer confirme déjà la recherche locale et une file d’attente de tâches durable, mais il est important de ne pas affirmer que chaque composant de l’architecture mémoire plus large de Perplexity a simplement été transféré sur le DGX Spark.

Par ailleurs, Perplexity a publié des travaux détaillés sur son architecture de mémoire d’agent appelée Brain. Ce système permet de comprendre l’orientation générale de la réflexion de l’entreprise.

Brain traite le contexte persistant de l’agent comme un système de fichiers, plutôt que d’essayer d’intégrer tout l’historique d’un utilisateur dans chaque invite. Sa structure mémoire comprend :

La leçon générale est plus importante que la structure exacte des répertoires : la mémoire des agents devient une donnée durable.

Les modèles peuvent être mis à niveau. Un modèle Qwen local peut être remplacé par un autre modèle ouvert six mois plus tard. Le GPU peut être remplacé. Même le framework de l’agent peut changer. En revanche, les documents de projet, l’historique des tâches, le contexte appris, les fichiers indexés et les sorties précédentes peuvent devoir survivre à tous ces changements.

La couche de données persistantes devient donc de plus en plus importante dans l’architecture de l’IA locale.

Comment Portable Computer sécurise-t-il davantage les actions des agents locaux ?

Exécuter un agent localement ne le rend pas automatiquement sûr. En réalité, un agent local performant peut avoir accès à des ressources plus utiles — et donc plus dangereuses — qu’un simple chatbot cloud.

Un agent capable de lire des fichiers, d’exécuter des outils, de modifier du code, d’appeler des applications ou d’exécuter des commandes doit être soumis à des limites définissant ce qu’il peut manipuler. Perplexity indique que l’exécution du code et des outils dans Portable Computer s’effectue dans des environnements en bac à sable isolés, avec un accès contrôlé aux fichiers et aux applications connectées.

Un modèle pratique de sécurité pour les agents locaux nécessite plusieurs niveaux :

Le modèle le plus sûr consiste généralement à donner aux agents une grande capacité pour analyser et une autorité plus limitée pour agir. Nous appliquons le même principe dans notre guide sur l’utilisation d’étapes d’approbation pour les agents d’IA locaux : les brouillons, les résumés, la surveillance et les recommandations peuvent souvent s’exécuter automatiquement, tandis que la suppression de fichiers, l’envoi de messages, les achats ou la modification des autorisations nécessitent une confirmation plus stricte.

Les recherches plus générales de Perplexity sur les environnements sandbox sécurisés pour agents de longue durée expliquent également pourquoi les environnements d'exécution des agents diffèrent des tâches ordinaires exécutées dans des conteneurs éphémères. Un agent peut accumuler un système de fichiers de travail, des processus en cours d'exécution et un état sur plusieurs heures ou jours, ce qui rend à la fois l'isolation et la récupération importantes.

Cette recherche ne doit pas être interprétée comme la preuve que tous les détails exacts de l'implémentation cloud de SPACE sont reproduits à l'identique dans Portable Computer. Elle montre en revanche le problème d'infrastructure que les agents locaux doivent de plus en plus résoudre : une exécution puissante doit coexister avec un accès contrôlé et un état persistant.

De quel matériel Perplexity Portable Computer a-t-il besoin ?

Au lancement, Portable Computer est disponible sur la NVIDIA DGX Spark pour les abonnés Perplexity Pro et Max. La première version prend en charge Linux, tandis que la prise en charge de Windows est annoncée pour une date ultérieure. Perplexity indique également que la prise en charge des PC équipés de GPU NVIDIA RTX est prévue.

La DGX Spark repose sur la plateforme GB10 Grace Blackwell de NVIDIA, avec un processeur Arm à 20 cœurs, un GPU NVIDIA et 128 Go de mémoire unifiée. Cette vaste réserve de mémoire partagée permet d'exécuter des modèles locaux conséquents tout en laissant de la capacité pour le moteur d'agent et d'autres charges de travail.

Portable Computer propose actuellement Qwen3.8-27B et PPLX 27B, une version du modèle Qwen réentraînée par Perplexity. NVIDIA Nemotron 3.5 Lightning est également annoncé comme prochainement disponible dans le sélecteur de modèles.

Cela ne signifie pas qu'une DGX Spark constitue une exigence matérielle minimale universelle pour le modèle 27B sous-jacent. Qwen3.8-27B lui-même peut fonctionner sur un matériel beaucoup plus courant une fois quantifié. Le système doté de 128 Go laisse à Perplexity la latitude de proposer un environnement d'agent local intégré, plutôt que de simplement démontrer que le modèle de base peut produire des tokens.

L'IA locale réduit-elle réellement les coûts du cloud ?

Perplexity affirme que le travail effectué par le modèle local de Portable Computer ne consomme pas de crédits. Cela change l'économie des charges de travail des agents, car ceux-ci peuvent utiliser bien plus d'inférences qu'une conversation ordinaire.

Une seule question posée à un chatbot peut comprendre un prompt et une réponse. Un agent peut en revanche :

planifier une tâche, examiner des fichiers, appeler des outils, évaluer un résultat, réessayer une action échouée, rechercher des informations supplémentaires, faire appel à un autre agent, résumer les résultats, puis produire la sortie finale.

Chaque boucle génère davantage d’inférences. Lorsque la même automatisation s’exécute chaque matin, traite des centaines de documents ou travaille en continu sur une base de code, l’utilisation facturée peut s’accumuler bien plus vite que lors de conversations occasionnelles.

L’inférence locale modifie cette structure de coûts. Elle remplace une partie des dépenses cloud à l’usage par des coûts fixes tels que le matériel, l’électricité, le stockage et la maintenance.

Cela ne rend pas l’IA locale gratuite. La comparaison la plus pertinente est le compromis de coût entre l’IA locale et l’IA cloud.

Portable Computer formalise efficacement la réponse hybride : conserver les tâches volumineuses ou sensibles sur le matériel que vous possédez déjà, puis utiliser sélectivement les ressources cloud lorsqu’elles offrent un avantage évident en matière de capacités.

Pourquoi les agents d’IA locaux peuvent-ils avoir besoin d’un serveur ou d’un NAS même lorsque l’inférence s’effectue ailleurs ?

Portable Computer fonctionne actuellement sur un système de calcul IA, et non sur un NAS. Rien ne justifie de transformer ce fait en affirmation infondée selon laquelle le produit complet devrait être installé sur un serveur de stockage.

Le lien le plus intéressant est architectural.

À mesure que les agents deviennent persistants, ils accumulent des données qui vivent bien plus longtemps qu’une session d’inférence donnée :

• documents sources et fichiers privés,
• dépôts de code et ressources de projet,
• index de recherche et représentations vectorielles,
• historiques des tâches et journaux de l’agent,
• rapports et artefacts générés,
• fichiers mémoire et bases de connaissances,
• configurations des flux de travail,
• instantanés et sauvegardes.

Toutes ces données n’ont pas besoin de rester en permanence sur le SSD interne de la machine qui effectue l’inférence.

Une architecture locale mature peut séparer trois couches de ressources :

Le NAS n’a pas besoin de prétendre être de la mémoire GPU. Son rôle est différent : fournir un espace stable, extensible et soumis à des permissions pour les données durables de l’agent.

C’est la même raison pour laquelle une couche de données d’IA privée peut rester sur un NAS tandis que l’inférence s’effectue ailleurs. Le matériel de calcul peut changer sans contraindre l’ensemble de la base de connaissances à migrer avec lui.

Cette séparation devient particulièrement utile dans un environnement composé de plusieurs appareils. Un poste de travail peut exécuter un modèle local puissant pendant la journée, un autre appareil peut gérer des tâches d’IA plus légères, et un système équipé d’un GPU mis à niveau peut remplacer les deux ultérieurement. Une couche de stockage persistante peut continuer à conserver les mêmes fichiers de projet, représentations vectorielles, résultats, historique de l’agent et sauvegardes malgré ces changements.

Autrement dit, l’actif à long terme ne sera peut-être pas le modèle. Ce pourrait être l’état qui l’entoure.

Portable Computer est-il l’avenir des agents d’IA personnels ?

Portable Computer est trop récent pour prouver que tous les agents d’IA personnels adopteront exactement la même architecture. Il permet toutefois de discerner beaucoup plus facilement plusieurs tendances générales.

Premièrement, les modèles locaux performants vont au-delà de la simple conversation privée. Un modèle 27B peut désormais s’intégrer à un framework d’agent qui planifie les tâches, parcourt les fichiers, exécute des outils et maintient les opérations en cours.

Deuxièmement, le framework d’agent devient de plus en plus aussi important que le modèle. L’orchestration, la persistance des tâches, la récupération d’informations, les autorisations, les environnements isolés, les connecteurs et la mémoire déterminent ce que le modèle peut réellement accomplir.

Troisièmement, l’IA entièrement locale et l’IA entièrement basée sur le cloud ne sont pas les seuls choix. Portable Computer illustre une solution intermédiaire plus pratique : l’exécution des tâches courantes peut rester sur l’appareil, tandis que l’agent demande sélectivement des informations externes ou un raisonnement plus puissant.

Certaines limitations importantes subsistent. Le lancement s’appuie principalement sur du matériel DGX Spark spécialisé. La prise en charge des PC RTX continue de s’étendre. La prise en charge de Windows ne faisait pas partie de la première version. Les modèles locaux ne surpasseront pas les modèles cloud de pointe pour tous les problèmes de raisonnement complexes, et les applications connectées font toujours intervenir des services externes.

L’exécution locale transfère également davantage de responsabilités à l’utilisateur. La capacité matérielle, le stockage, les autorisations, les sauvegardes, les mises à jour logicielles et la sécurité des agents deviennent des composantes du système, plutôt qu’une infrastructure cloud invisible.

Mais cette orientation est importante. Le changement essentiel ne consiste pas simplement à passer de l’IA cloud à l’IA locale. Il s’agit de passer de flux de travail contrôlés par le cloud à une infrastructure d’IA contrôlée par l’utilisateur, capable d’emprunter sélectivement l’intelligence du cloud lorsqu’elle est utile.

Une fois cela fait, la machine qui exécute le modèle ne constitue plus qu’un élément du système. Les fichiers, les index, la mémoire, les autorisations, l’état des tâches, les résultats et les sauvegardes deviennent des composants essentiels de l’infrastructure d’IA personnelle — et ce sont précisément ces couches qui rendent les agents axés sur le local utiles longtemps après le remplacement du modèle actuel.

FAQ : Perplexity Portable Computer et l’IA axée sur le local

Qu’est-ce que l’ordinateur portable Perplexity ?

Perplexity Portable Computer est une version de Perplexity Computer privilégiant le local, qui exécute sur la machine de l’utilisateur le modèle de l’agent, l’orchestrateur, le planificateur, le routeur d’outils, le planificateur de tâches, la file d’attente durable des tâches et l’index de recherche local. Il peut traiter les fichiers et les flux de travail locaux sans faire de l’exécution dans le cloud le mode par défaut.

Perplexity Portable Computer fonctionne-t-il complètement hors ligne ?

Il peut effectuer de nombreuses tâches localement, mais il est plus juste de le décrire comme fonctionnant d’abord en local plutôt que seulement en local. L’agent peut utiliser la recherche cloud, les applications connectées, les fonctionnalités du navigateur ou des modèles de pointe lorsque cela est nécessaire. Perplexity indique qu’il demande l’autorisation avant d’envoyer le contenu de l’appareil vers un service cloud.

Quel modèle Portable Computer utilise-t-il ?

Au lancement, Portable Computer prend en charge Qwen3.8-27B et PPLX 27B, que Perplexity décrit comme une version post-entraînée du modèle Qwen. NVIDIA Nemotron 3.5 Lightning est également prévu dans le sélecteur de modèles.

Portable Computer envoie-t-il des fichiers privés vers le cloud ?

Perplexity indique que les données privées peuvent rester sur l’appareil et que le système demande l’autorisation lorsqu’une tâche doit envoyer du contenu de l’appareil vers un service cloud. Les utilisateurs doivent néanmoins considérer les applications connectées et l’escalade approuvée vers le cloud comme des flux de données externes, plutôt que de supposer que le système est constamment hors ligne.

Portable Computer peut-il fonctionner sur un PC équipé d’un GPU RTX ?

Perplexity a d’abord lancé Portable Computer sur NVIDIA DGX Spark et indique que la prise en charge des PC équipés de GPU NVIDIA RTX est prévue. Les exigences matérielles et logicielles exactes pour un déploiement RTX plus large pourraient évoluer au fur et à mesure de son déploiement.

Portable Computer nécessite-t-il un DGX Spark ?

Le déploiement initial de septembre 2026 repose sur DGX Spark, mais Perplexity a déjà annoncé une extension aux PC équipés de GPU RTX. Le modèle Qwen3.8-27B sous-jacent peut également fonctionner indépendamment sur d’autres appareils locaux dotés d’une quantification et d’une mémoire adaptées.

Perplexity Portable Computer est-il identique à Ollama ?

Non. Ollama est principalement un environnement d’exécution de modèles locaux et une couche d’API. Portable Computer est un système d’agent plus large qui combine un modèle local avec l’orchestration, la planification, la persistance des tâches, la recherche locale, des outils, des actions sur l’appareil, le bac à sable, des connecteurs et une escalade facultative vers le cloud. Ollama aide à exécuter un modèle ; Portable Computer est conçu pour exécuter un flux de travail d’agent continu autour de celui-ci.

Pourquoi un agent d’IA local a-t-il besoin d’un stockage persistant ?

Les agents persistants créent et réutilisent bien plus que les poids du modèle. Ils peuvent dépendre de fichiers sources, d’index de recherche, d’incorporations, de mémoire, d’historiques des tâches, d’espaces de travail, de sorties générées, de journaux et de sauvegardes. Conserver ces données dans une couche de stockage durable facilite le remplacement ou la mise à niveau de la machine de calcul sans devoir reconstruire l’intégralité de l’environnement de travail de l’agent.