Latham & Watkins ne veut pas que toutes les charges de travail d’IA soient dans le cloud. Le cabinet d’avocats a consacré environ trois ans à l’achat de serveurs équipés de GPU Nvidia afin de pouvoir exécuter certaines charges de travail d’IA sur une infrastructure qu’il contrôle.
Les serveurs sont actifs dans un centre de données tiers accessible uniquement aux employés de Latham. Latham continue d’utiliser des services d’IA commerciaux tels que Harvey, ce qui lui offre une voie de déploiement privée pour les données sensibles de ses clients sans pour autant remplacer complètement l’IA dans le cloud.
Latham exploite plusieurs GPU Nvidia H200 et évalue des systèmes plus récents basés sur Blackwell et Vera Rubin, selon le rapport de Bloomberg Law du 11 septembre. Le cabinet expérimente également l’ajustement fin de modèles à poids ouverts développés par Nvidia, plutôt que de développer un modèle de fondation à partir de zéro.
Pourquoi Latham a acheté ses propres serveurs Nvidia
Le contrôle des données est la raison la plus évidente. Le DSI Rene Mendoza a déclaré au Financial Times que certaines informations de clients sont suffisamment sensibles pour que Latham ne veuille pas les confier à « n’importe quel fournisseur cloud ». L’exécution de certaines charges de travail sur du matériel contrôlé par le cabinet permet de les maintenir hors de l’infrastructure d’un fournisseur de modèles et donne à Latham davantage de contrôle sur leur intégration aux systèmes internes.
Les modèles à poids ouverts élargissent ce choix. Les organisations peuvent héberger et personnaliser elles-mêmes certains modèles au lieu de dépendre uniquement d’API propriétaires, ce qui élargit leurs options de déploiement de modèles d’entreprise.
Le coût entre également en ligne de compte, même si Latham affirme qu’il ne s’agit pas du principal facteur. Le cabinet a cité les économies de jetons parmi les avantages des modèles à poids ouverts, mais n’a pas indiqué combien il avait dépensé pour son infrastructure de GPU.
Latham dispose également des effectifs nécessaires pour prendre en charge un modèle plus opérationnel. Bloomberg fait état d’environ 900 employés dans les technologies, dont quelque 100 se consacrent à l’IA.
La stratégie reste hybride plutôt que totalement dépourvue de cloud. Latham continue d’utiliser des outils d’IA commerciaux tout en réservant sa propre infrastructure aux charges de travail qu’il souhaite contrôler plus directement.
Kirkland & Ellis offre un point de comparaison intéressant. Le cabinet concurrent a engagé 500 millions de dollars US en mai 2026 sur une période de trois à quatre ans pour construire sa plateforme d’IA propriétaire, autre signe que les plus grands cabinets d’avocats sont prêts à investir massivement afin d’accroître le contrôle de leurs piles d’IA.
Ce qu’a constaté eWeek : Latham construit une pile d’IA hybride, il ne remplace pas le cloud
Le déploiement de Latham relève moins d’un rejet de l’IA dans le cloud que d’un effort pour contrôler l’endroit où s’exécutent les différentes charges de travail. Le cabinet exploite plusieurs GPU Nvidia H200, ajuste finement des modèles à poids ouverts sur une infrastructure qu’il contrôle et utilise toujours des produits d’IA commerciaux tels que Harvey, selon les informations de Bloomberg Law. Cette combinaison témoigne d’une stratégie d’IA hybride dans laquelle la sensibilité des données, la personnalisation et les exigences liées aux charges de travail déterminent si une tâche reste sur une infrastructure privée ou est confiée à un fournisseur externe.
Les modèles à poids ouverts rendent cette architecture plus pratique, car les entreprises peuvent exécuter elles-mêmes certains modèles au lieu d’acheminer chaque requête d’inférence par une API propriétaire. Une récente analyse du Financial Times a également avancé que des modèles plus petits, performants et ouverts pourraient réduire les coûts de calcul pour les charges de travail courantes, remettant davantage en question l’idée selon laquelle chaque tâche d’IA d’entreprise doit être exécutée sur une infrastructure à très grande échelle.
Latham n’a pas communiqué suffisamment d’informations pour démontrer que la possession de GPU est moins coûteuse. Le cabinet n’a publié aucun chiffre concernant le coût de l’infrastructure, son taux d’utilisation, le volume des charges de travail ou les économies comparatives. Daryl Lim, professeur à Penn State Dickinson Law, a déclaré à Bloomberg Law que l’équation économique dépend du maintien en activité des serveurs avec des charges de travail à forte valeur ajoutée ; dans le cas contraire, les fournisseurs externes conservent un avantage en répartissant les coûts d’infrastructure entre de nombreux clients.
Pour les entreprises, l’enjeu est le placement des charges de travail, et non la possession de GPU pour elle-même. Les organisations dont les charges de travail d’IA sont sensibles ou prévisibles peuvent avoir de meilleurs arguments en faveur d’une puissance de calcul privée, tandis qu’une demande fluctuante, l’accès à des modèles de pointe et les charges de travail qui n’imposent pas d’exigences strictes en matière de contrôle des données peuvent toujours favoriser les services cloud.
Vous souhaitez découvrir d’autres conseils, astuces et techniques de prompting pour l’IA ? Les lecteurs d’eWeek bénéficient de 7 jours d’accès gratuit à The Neuron Academy, notre plateforme d’apprentissage pratique conçue pour aider les professionnels à utiliser l’IA avec plus d’assurance au travail. Parcourir tous les cours →