Ollama Cloud expliqué : modèles cloud, plans et auto-hébergement

« Ollama Cloud » signifie maintenant deux choses différentes. La première est le service propre à Ollama : modèles cloud qui s'exécutent sur les serveurs d'Ollama, facturés par token ou via un plan mensuel, auquel vous accédez depuis l'application Ollama, l'interface CLI ou une API utilisant le même /api/chat format de requête qu'Ollama local. La seconde est l'auto-hébergement : exécuter le serveur Ollama open-source sur une instance GPU que vous louez à AWS, Google Cloud, Azure ou un autre fournisseur, facturé à l'heure. Ce guide couvre les deux, la comparaison de leurs coûts avec les GPU locaux et les API hébergées, et ce que vous sacrifiez en matière de confidentialité et de contrôle.

Ce que signifie Ollama Cloud

Quand les gens disent « Ollama cloud », ils font référence à l'une de trois choses :

1. Les modèles cloud propres à Ollama : un service d'hébergement géré par Ollama. Les modèles s'exécutent sur l'infrastructure d'Ollama, qui selon sa page de tarification se trouve principalement aux États-Unis, et vous payez par token ou via un plan mensuel. La section suivante la couvre.
2. Ollama auto-hébergé sur des machines virtuelles cloud : Vous louez une machine virtuelle équipée d’un GPU auprès d’AWS EC2, de Google Compute Engine, d’Azure, de Lambda Labs ou de RunPod, vous installez Ollama vous-même et exécutez des modèles dessus. Vous gérez l’instance, mais vous n’achetez pas de matériel physique.
3. Services Ollama gérés : Des plateformes tierces qui pré-installent Ollama, gèrent la montée en charge, et vous facturent par requête ou par minute. Celles-ci sont moins courantes et généralement construites au-dessus de l'approche auto-hébergée.

Les trois contrastent avec l'exécution d' Ollama localement sur votre propre bureau ou serveur. Quand vous auto-hébergez, le binaire Ollama, la bibliothèque de modèles, l'interface CLI et l'API restent identiques et seule la localisation de l'exécution change ; Ollama propose sa propre liste de modèles hébergés.

Modèles cloud officiels d'Ollama

La documentation cloud d'Ollama décrit les modèles cloud comme un moyen d'exécuter des modèles sur les serveurs d'Ollama depuis vos applications ou votre terminal, sans les télécharger d'abord. Il y a deux façons de procéder :

• Depuis l'application Ollama ou l'interface CLI. Exécuter ollama (ou ouvrez l'application), suivez les invites de configuration et connectez-vous. Les modèles cloud portent une étiquette cloud ; l'exemple de la documentation est gemma4:cloud.
• Directement via l'API. Créez une clé sur ollama.com/settings/keys, définissez-la comme OLLAMA_API_KEY,et envoyez des requêtes à https://ollama.com/api/chat avec un Authorization: Bearer header. Aucune installation locale n'est nécessaire, le texte de la réponse se trouve dans message.content, et les noms de modèles proviennent de https://ollama.com/api/tags. Ollama déclare que les clients compatibles OpenAI et Anthropic fonctionnent également, avec une couverture API partielle.

export OLLAMA_API_KEY="your_api_key"
curl https://ollama.com/api/chat -H "Authorization: Bearer $OLLAMA_API_KEY" -H "Content-Type: application/json" -d '{"model": "gemma4:31b", "messages": [{"role": "user", "content": "Hello"}], "stream": false}'

Plans listés sur la page de tarification d'Ollama, vérifiés le 6 novembre 2026 (en dollars américains) :

Abonnement	Prix	Utilisation cloud incluse	Requêtes concurrentes
Paiement à l'usage	0 $, pas d'abonnement	Paiement par token avec crédits d'utilisation	3
Pro	20 $/mois ou 200 $/an	60 $ de crédits d'utilisation par mois	3
Max	100 $/mois	300 $ de crédits d'utilisation par mois	10
Team (accès anticipé)	500 $/mois	1 000 $ de crédits d'utilisation par mois, partagés par l'équipe	10
Entreprise	Sur mesure	Tarification volume	Non mentionnée

L'utilisation incluse est réinitialisée chaque mois et ne s'accumule pas. Les requêtes dépassant votre limite de concurrence attendent dans une file d'attente de taille fixe et sont rejetées une fois que celle-ci est pleine, et l'exécution de modèles sur votre propre matériel reste illimitée. Sur la confidentialité, la documentation d'Ollama indique qu'il traite les invites et réponses cloud pour répondre à vos demandes et ne les utilise pas pour entraîner les modèles. Si vous souhaitez uniquement des modèles locaux, la FAQ explique comment désactiver les fonctionnalités cloud.

Ollama auto-hébergé sur une VM cloud versus Ollama local

Dimension	Ollama local	Ollama cloud
Coût du matériel	Achat GPU initial	Location à l'heure ; le tarif dépend du GPU, de la région et du niveau (voir la section tarification)
Vitesse d’inférence	Dépend de votre GPU ; aucune latence réseau	Dépend du GPU loué ; ajoute un aller-retour réseau à chaque requête
Confidentialité	Les prompts ne quittent jamais votre machine	Les prompts et les réponses transitent par le réseau ; le fournisseur cloud voit les métadonnées du trafic
Mise à l’échelle	Fixée par votre matériel	Possibilité de démarrer à la demande des instances plus puissantes ou supplémentaires
Maintenance	Vous gérez le système d’exploitation, les pilotes et les mises à jour d’Ollama	Vous gérez la machine virtuelle (auto-hébergement) ou la plateforme s’en charge (services gérés)
Disponibilité	Liée à la disponibilité (uptime) de votre machine	Toujours disponible tant que l’instance est active ; vous payez même en cas d’inactivité

L’expérience fonctionnelle est identique. Un script appelant curl http://localhost:11434/api/generate fonctionne sans modification si vous remplacez localhost par l’adresse IP publique de votre instance cloud.

Compatibilité CLI et API

L’interface en ligne de commande (CLI) et l’API REST d’Ollama sont indépendantes du protocole de transport. Pour pointer la CLI vers une instance cloud au lieu d’un serveur local :

export OLLAMA_HOST=http://203.0.113.42:11434
ollama run llama3.1:8b

Remplacez 203.0.113.42 par l’adresse IP publique de votre machine virtuelle cloud. Le modèle est téléchargé sur l’instance cloud et l’inférence y est exécutée. Votre terminal diffuse les réponses en continu via le réseau.

Pour les clients API, modifiez l’URL de base :

curl http://203.0.113.42:11434/api/generate -d '{
  "model": "llama3.1:8b",
  "prompt": "Expliquez les réseaux de neurones en une phrase."
}'

Tous les points de terminaison (/api/generate, /api/chat, /api/embeddings) se comportent de façon identique. Les bibliothèques clientes (Python, JavaScript, Go) acceptent un paramètre d’hôte personnalisé :

import ollama
client = ollama.Client(host='http://203.0.113.42:11434')
response = client.chat(model='llama3.1:8b', messages=[...])

Aucune modification de code n’est requise, hormis celle de l’URL du point de terminaison.

Quels modèles sont disponibles

Quand vous auto-hébergez, chaque modèle de la bibliothèque Ollama fonctionne sur une instance cloud. Le Liste des modèles Ollama bibliothèque inclut Llama 3.1, Mistral, Gemma 2, Qwen, Phi, DeepSeeket des dizaines d’autres modèles. La disponibilité des modèles n’est pas limitée par l’emplacement d’exécution d’Ollama.

La contrainte réside dans la mémoire vidéo (VRAM) du GPU. Une instance cloud équipée d’un NVIDIA L4 (24 Go de VRAM) peut exécuter les mêmes modèles quantifiés qu’un RTX 4090 local. Une instance plus petite dotée de 16 Go de VRAM est limitée aux modèles plus petits ou nécessite une quantification plus poussée, tout comme le matériel local. Utilisez le calculatrice VRAM tableau de correspondance VRAM/modèle

Tarification : cloud vs local vs services API

Les prix des GPU cloud changent souvent et varient selon la région et le niveau (à la demande, spot ou communautaire), alors consultez la page de tarification du fournisseur avant de budgétiser. Deux exemples, vérifiés le 6 novembre 2026 :

• RunPod : son est explicite propose un pod RTX 4090 (24 Go) à 0,89 $ l'heure sur Secure Cloud et 0,34 $ l'heure sur Community Cloud, et un A40 à 0,59 $ l'heure sur Secure Cloud.
• AWS : un g5.xlarge instance dispose d'un GPU NVIDIA A10G avec 24 Go de mémoire, suffisant pour les modèles 7B et 8B ; le tarif horaire de votre région se trouve sur la page de tarification EC2 à la demande.

Exécuter une instance 24 heures sur 24 coûte son tarif horaire multiplié par environ 730 heures par mois, donc le pod RTX 4090 à 0,89 $ l'heure ci-dessus revient à environ 650 $ par mois. À ce niveau d'utilisation, l'achat d'une carte comparable peut être rentabilisé en quelques mois. Le calculatrice auto-hébergement vs API modélise cela selon différents scénarios d’utilisation.

Le seuil de rentabilité varie en fonction du taux d’utilisation :

• Utilisation intensive (8 heures ou plus par jour) : Le matériel local s’amortit en quelques mois.
• Utilisation intermittente (quelques heures par semaine) : Les instances cloud sont plus avantageuses : vous ne payez que les heures d’utilisation effective.
• Travaux ponctuels (« burst ») : Le cloud vous permet de louer un GPU haut de gamme pour une tâche ponctuelle sans avoir à l’acheter.

Comparez cela avec les services API hébergés comme OpenAI, Anthropic ou Groq, qui facturent au jeton. Les API hébergées proposent également de petits modèles ouverts comme Llama 3.1 8B, et leurs tarifs au jeton varient considérablement entre les fournisseurs. Que ce soit moins cher que Ollama cloud dépend de votre volume de requêtes et de la longueur moyenne des réponses. Le Calculateur de coûts d’API détaille ces coûts par modèle et par utilisation mensuelle.

Confidentialité et maîtrise des données

Exécuter Ollama localement signifie que vos invites, les sorties des modèles et tous les documents que vous traitez restent strictement sur votre machine. Cela est essentiel dans les secteurs réglementés (santé, juridique, finance) ou lorsqu’il s’agit de données propriétaires.

L’exécution d’Ollama sur une machine virtuelle cloud introduit les risques suivants :

• Transit réseau : Les invites et les réponses circulent entre votre client et l’instance cloud, potentiellement via Internet public, sauf si vous utilisez un VPN ou un réseau privé.
• Accès du fournisseur de services cloud : AWS, Google et Azure disposent d’un accès technique à la mémoire et au disque de votre machine virtuelle. Bien qu’ils s’engagent contractuellement à ne pas inspecter les données clients, cette possibilité existe néanmoins.
• Journaux et métadonnées : Les fournisseurs de services cloud journalisent les connexions réseau, les appels d’API vers leurs interfaces de gestion et les événements de facturation. Ces journaux révèlent quand vous effectuez des inférences et quelle quantité de ressources de calcul vous consommez, même s’ils n’ont pas accès au contenu des invites.
• Résidence des données : Votre machine virtuelle s’exécute dans une région AWS spécifique ou une zone GCP précise. Si votre cadre de conformité impose des restrictions géographiques sur les données, vous devez choisir une région conforme.

Si votre modèle de menace inclut des acteurs étatiques ou des assignations à comparaître émanant du fournisseur de services cloud, l’inférence locale constitue la seule option envisageable. En revanche, si vous privilégiez le coût et la commodité, et que vos données ne sont pas sensibles, l’hébergement dans le cloud reste viable.

Quand choisir le cloud plutôt que du matériel local

Choisir Ollama dans le cloud lorsque :

• Vous avez besoin d’accéder à des modèles de langage mais ne possédez pas de GPU, ni ne pouvez justifier le coût initial d’un GPU performant.
• Votre utilisation est intermittente — quelques heures par semaine ou par mois — et vous préférez payer la puissance de calcul uniquement au moment de l’utiliser.
• Vous devez temporairement augmenter vos capacités pour une tâche volumineuse, puis les réduire à nouveau.
• Vous êtes en phase de prototypage et souhaitez tester différents types de GPU (16 Go, 24 Go, 40 Go) avant d’investir dans du matériel.
• Vous développez un service nécessitant une disponibilité continue (24h/24, 7j/7) et une redondance, et la gestion de serveurs physiques en interne n’est pas envisageable.

Choisir Ollama local lorsque :

• Vous possédez déjà un GPU doté d’au moins 12 Go de VRAM, ou vous êtes prêt à en acquérir un.
• Vous effectuez quotidiennement des inférences pendant plusieurs heures : le matériel s’amortit rapidement.
• La confidentialité est une exigence absolue — vos données ne doivent en aucun cas quitter vos locaux.
• Vous souhaitez éliminer tout coût par requête et bénéficier de dépenses prévisibles.
• Vous travaillez hors ligne ou sur un réseau dont l’accès sortant est restreint.

Le calculatrice auto-hébergement vs API vous permet de saisir votre utilisation mensuelle attendue (heures d'inférence, nombre de requêtes, tokens moyens par requête) et de comparer le coût d'achat d'un GPU, de location d'une instance cloud ou d'utilisation d'un service API hébergé. Exécutez-le avec vos propres chiffres avant de louer ou d'acheter.

Configuration d'Ollama sur une instance cloud

Le processus est identique quel que soit le fournisseur : lancez une instance GPU, connectez-vous via SSH, installez Ollama et exposez le port 11434.

AWS EC2

1. Lancez une instance g5.xlarge ou g5.2xlarge (Ubuntu 22.04 LTS, GPU NVIDIA A10G).
2. Connectez-vous à l’instance via SSH : ssh -i votre-clef.pem ubuntu@<adresse-ip-de-l-instance>
3. Installez Ollama : curl -fsSL https://ollama.com/install.sh | sh
4. Démarrez Ollama : ollama serve (ou configurez-le en tant que service systemd).
5. Téléchargez un modèle : ollama pull llama3.1:8b
6. Configurez le groupe de sécurité pour autoriser les connexions TCP entrantes sur le port 11434 depuis votre adresse IP.

Google Cloud Platform

1. Créez une machine virtuelle Compute Engine équipée d’un GPU T4 ou A100 (choisissez une famille de machines compatibles GPU).
2. Connectez-vous via SSH depuis la console GCP ou gcloud compute ssh.
3. Installez Ollama : curl -fsSL https://ollama.com/install.sh | sh
4. Démarrez Ollama : ollama serve
5. Mettez à jour les règles de pare-feu pour autoriser le trafic TCP sur le port 11434 depuis votre plage d’adresses IP.

Lambda Labs ou RunPod

1. Louez une instance équipée d’un GPU RTX 4090 ou A10.
2. Connectez-vous en SSH à l’aide des identifiants fournis.
3. Installez Ollama : curl -fsSL https://ollama.com/install.sh | sh
4. Démarrez Ollama et téléchargez les modèles comme indiqué ci-dessus.

Pour un usage en production, exécutez Ollama en tant que service systemd afin qu’il redémarre automatiquement après un redémarrage, et utilisez un proxy inverse (Nginx ou Caddy) avec chiffrement TLS si vous l’exposez à Internet public.

Tout fournisseur : l'image Docker officielle

Sur n'importe quel hôte GPU exécutant Docker, le guide Docker d'Ollama démarre le serveur avec une seule commande, une fois que NVIDIA Container Toolkit est installé et Docker est configuré pour utiliser le pilote NVIDIA :

docker run -d --gpus=all -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama

Le volume nommé conserve les modèles téléchargés lorsque le conteneur est remplacé. Si vous publiez le port 11434 au-delà de l'hôte, mettez une authentification devant, comme décrit dans la question de sécurité ci-dessous.

Considérations relatives aux performances

Les instances cloud ajoutent de la latence réseau. Une instance cloud ajoute l'aller-retour de votre machine au centre de données à chaque requête, et ce délai augmente avec la distance, alors choisissez une région proche de vous et vos utilisateurs. Pour le chat interactif, c'est perceptible mais pas paralysant. Pour les charges de travail batch, c'est négligeable.

La vitesse de génération de jetons dépend du GPU, pas de son emplacement. Un GPU A10G sur AWS génère des jetons au même rythme qu’un A10G sur votre bureau. Toutefois, les instances cloud peuvent souffrir d’effets de « voisin bruyant » : d’autres machines virtuelles hébergées sur le même hôte physique peuvent dégrader les performances. Des instances dédiées ou des locations de GPU « bare-metal » éliminent ce problème, mais coûtent davantage.

Deux paramètres importent plus que le fournisseur. Le premier est la longueur du contexte : le FAQ d'Ollama donne la fenêtre de contexte par défaut à 4096 tokens et montre comment l'augmenter pour tout le serveur avec OLLAMA_CONTEXT_LENGTH=8192 ollama serve, ou par modèle avec le num_ctx paramètre (voir le référence Modelfile). Une fenêtre plus grande consomme plus de VRAM. Le second est l'endroit où un modèle est réellement chargé, ce qui ollama ps affiche : selon la même FAQ, la colonne Processor montre une répartition comme 48 %/52 % CPU/GPU quand une partie du modèle ne rentre pas sur le GPU, ce qui ralentit considérablement la génération. Les instances spot ou préemptibles coûtent moins cher que celles à la demande mais peuvent être récupérées avec peu de préavis, gardez-les pour les jobs batch qui peuvent redémarrer.

Questions fréquemment posées

Existe-t-il un service officiel « Ollama Cloud » ?

Oui. Ollama exécute ses propres modèles cloud, que vous pouvez utiliser depuis l'application ou la CLI Ollama après vous être connecté, ou via l'API à https://ollama.com/api/chat avec une clé API. Son est explicite (vérifié le 6 novembre 2026) propose une utilisation à l'usage sans abonnement, plus des forfaits Pro (20 $ par mois) et Max (100 $ par mois) incluant des crédits d'utilisation mensuelle. Vous pouvez toujours auto-héberger le serveur open source sur un GPU loué à la place.

Puis-je utiliser « Ollama Cloud » avec les mêmes modèles que ceux que j’exécute localement ?

Sur une instance cloud auto-hébergée, oui : tout modèle que vous tirez avec ollama pull fonctionne localement là. Le cloud Ollama a une liste séparée de modèles hébergés, publiée à https://ollama.com/api/tagsLa seule contrainte est la VRAM : assurez-vous que votre GPU cloud a suffisamment de mémoire pour le modèle et le niveau de quantification que vous voulez. Vérifiez Exigences en VRAM selon le modèle pour associer les modèles aux types d’instances.

Comment sécuriser Ollama lorsqu’il est exécuté sur une instance cloud ?

Par défaut, Ollama écoute sur 127.0.0.1:11434, une adresse non accessible depuis l’extérieur de la machine virtuelle. Pour l’exposer, définissez la variable d’environnement OLLAMA_HOST=0.0.0.0:11434 avant de démarrer le serveur. Restreignez ensuite l’accès via les règles de pare-feu cloud (groupes de sécurité AWS, règles de pare-feu GCP) afin d’autoriser uniquement votre adresse IP ou celle de votre VPN. En production, placez Ollama derrière un proxy inverse doté de chiffrement TLS et d’un mécanisme d’authentification (authentification HTTP de base, clés API ou OAuth). N’exposez jamais un serveur Ollama non authentifié à Internet public : cela permettrait à n’importe qui d’exécuter des modèles arbitraires à vos frais.

Quelle solution est la moins coûteuse : Ollama sur un GPU cloud ou l’API OpenAI ?

Cela dépend de l'utilisation. Un GPU loué coûte le même montant par heure qu'il soit occupé ou inactif, donc son coût par million de tokens est le tarif horaire divisé par les millions de tokens qu'il génère réellement en cette heure. Bien utilisé avec de nombreuses requêtes, il peut battre les prix au jeton des API pour des modèles de la même taille ; utilisé légèrement, chaque token coûte bien plus cher que sur une API facturée à l'usage. Les API hébergées gèrent également la scalabilité, la disponibilité et les mises à jour de modèles pour vous. Utilisez le calculatrice auto-hébergement vs API pour modéliser précisément votre charge de travail.

L’exécution d’Ollama dans le cloud réduit-elle la confidentialité de mes données ?

Oui, comparé à une inférence entièrement locale. Vos prompts et les sorties du modèle transitent par le réseau et arrivent sur une VM à laquelle le fournisseur de cloud a un accès root. Si la confidentialité est critique — manipulation de données de santé protégées par HIPAA, documents juridiques couverts par le secret professionnel avocat-client, ou code propriétaire — exécutez Ollama localement. Si vos données ne sont pas sensibles ou si vous faites confiance aux engagements contractuels de votre fournisseur de cloud, l'hébergement cloud est un compromis raisonnable en termes de coût et de commodité.

Puis-je exécuter plusieurs modèles sur une seule instance cloud ?

Oui, à condition que l’instance dispose de suffisamment de VRAM pour maintenir simultanément les modèles en mémoire. Ollama charge les modèles à la demande et les conserve en VRAM jusqu’à ce que la pression mémoire les évacue. Une instance de 24 Go peut ainsi accueillir simultanément Llama 3.1 8B (environ 8 Go en quantification Q8) et Mistral 7B (de taille similaire). Le passage d’un modèle chargé à un autre est immédiat ; le chargement d’un nouveau modèle depuis le disque prend quelques secondes.