La promesse de survie d’Off-Grid AI échoue au test de fiabilité

Off-Grid AI a fait son entrée dans Google News avec une promesse séduisante : fournir des conseils de survie fiables après la disparition de l’accès à Internet, malgré les limites des modèles de langage locaux.

Un test pratique de The Register a mis cette promesse à rude épreuve. L’idée de base paraît sensée : associer un modèle local à des manuels de préparation, le déconnecter du cloud et conserver des informations utiles en cas de panne.

Le problème est qu’une urgence est le pire moment pour faire confiance à un système dont les erreurs peuvent sembler aussi soignées que ses réponses exactes. Un assistant hors ligne peut retrouver des documents, organiser une évacuation fictive ou aider à une planification à faible risque. Il ne peut pas examiner une blessure, confirmer l’évolution des conditions sur le terrain ni garantir que son interprétation correspond à la source qu’il cite.

Cette distinction compte davantage que la nouveauté consistant à transporter de l’IA sur une clé USB. Le véritable enjeu n’oppose pas l’IA locale à l’IA dans le cloud. Il oppose la promesse du produit de fournir un jugement fiable en situation d’urgence aux limites non résolues des réponses générées.

Ce qu’Off-Grid AI a réellement changé

Off-Grid AI transforme une configuration familière de modèle local en produit de préparation prêt à l’emploi, mais l’emballage ne garantit pas la fiabilité.

Mountain Ready a annoncé le produit en février 2026 comme un système d’intelligence hors ligne destiné aux situations de défaillance des communications ou des infrastructures. Son objectif affiché couvre la survie, l’autonomie et la préparation aux urgences, sans nécessiter de compte ni de serveur cloud.

Le produit fonctionne depuis un périphérique USB connecté à un ordinateur compatible. Selon sa description du système, le modèle, l’index de recherche et la collection de documents restent locaux. L’utilisateur lance un serveur privé sur l’ordinateur, saisit une question et reçoit une réponse accompagnée de références vers les documents retrouvés.

Cette conception repose sur la génération augmentée par récupération, couramment appelée RAG. Le RAG fournit au modèle des passages extraits d’une collection de documents sélectionnée avant qu’il rédige une réponse. Cette approche peut rendre les réponses plus pertinentes et apporter des éléments que les utilisateurs peuvent consulter.

L’entreprise affirme que la collection incluse couvre des sujets tels que l’eau, les abris, la nourriture, la médecine, la navigation, l’assainissement, les communications, l’énergie et les réparations. Elle indique aussi que les réponses citent des pages sources précises et que le logiciel refuse les questions hors du périmètre de sa collection.

Ce sont des choix de produit significatifs. L’exécution hors ligne supprime la dépendance à une connexion Internet fonctionnelle. Le traitement local limite aussi l’exposition habituelle des questions de l’utilisateur à un service distant.

Aucun de ces avantages ne transforme toutefois un texte généré en conseil d’urgence certifié. Une citation peut identifier une source sans prouver que la réponse la représente fidèlement. Un modèle peut également sélectionner le mauvais passage, ignorer une exception ou combiner des affirmations individuellement exactes en un conseil dangereux.

La dépendance au matériel crée une autre complication. Un périphérique USB ne répond pas seul aux questions. Il lui faut toujours un ordinateur fonctionnel, suffisamment de mémoire, une batterie chargée et un système d’exploitation qui démarre correctement.

Cette chaîne est gérable à domicile lors d’une interruption de service ordinaire. Elle devient moins fiable après une inondation, des dommages causés par un impact, une longue coupure de courant ou une évacuation. Une carte imprimée imperméable peut survivre à des conditions qui neutralisent à la fois l’IA locale et l’IA dans le cloud.

C’est pourquoi le produit a suscité une attention allant au-delà d’une sortie habituelle de modèle local. Il applique une technologie imparfaite à des circonstances dans lesquelles les utilisateurs disposent de moins de moyens pour vérifier une réponse. Ce choix crée la tension centrale derrière le test d’Off-Grid AI.

Pourquoi l’attention de Google News compte

L’apparition dans Google News révèle un glissement plus large de l’IA locale privée vers des produits commercialisés comme une aide fiable à la décision.

Les utilisateurs font tourner des modèles de langage sur des ordinateurs personnels depuis des années. Les développeurs utilisent des projets tels que Ollama, llama.cpp et des gestionnaires de modèles de bureau pour conserver leurs prompts localement. Les collections de connaissances hors ligne ont également précédé l’IA générative, sous la forme de cartes téléchargeables, d’encyclopédies, de manuels de réparation et de références médicales.

Off-Grid AI réunit ces éléments existants dans un produit grand public à l’attrait émotionnel spécifique. Il vise le moment où les services ordinaires tombent en panne et où l’incertitude augmente. Son discours remplace les benchmarks de modèles par des questions concrètes sur l’eau potable, les blessures, les générateurs, la navigation et la nourriture.

Ce positionnement exerce davantage de pression sur le fournisseur qu’un chatbot généraliste. Un assistant créatif peut produire un plan médiocre sans causer de préjudice physique immédiat. Un assistant de survie hors ligne peut influencer des décisions concernant les saignements, les équipements électriques, l’eau contaminée ou les médicaments.

L’entreprise tente de répondre à cette pression par une récupération contrainte, des citations, des paramètres déterministes et un comportement de refus. Son marketing affirme que le système est conçu pour refuser les demandes non étayées plutôt que d’improviser.

Ces contrôles méritent d’être examinés, mais les documents publics ne démontrent pas leur efficacité. L’entreprise n’a pas publié d’évaluation indépendante complète couvrant les erreurs de récupération, les citations trompeuses, les refus incomplets ou les réponses dangereuses dans des situations d’urgence réalistes.

L’expression « zéro hallucination » mérite un scepticisme particulier. Le NIST décrit la confabulation, c’est-à-dire la génération de contenu faux ou erroné présenté avec assurance, comme un risque central dans son profil sur l’IA générative. La récupération peut réduire ce risque, mais ne l’élimine pas mathématiquement.

Une affirmation crédible de zéro erreur nécessiterait un jeu de tests défini, une notation transparente, des configurations reproductibles et des tentatives indépendantes de mettre le système en défaut. Elle exigerait aussi des limites claires sur ce qui constitue une réponse, une erreur ou un refus.

Rien de tout cela ne rend la récupération locale inutile. Cela signifie que le produit doit être évalué selon une norme plus stricte qu’un logiciel pratique. Plus un fournisseur met l’accent sur les urgences, moins il peut se permettre des assurances vagues.

Google News peut attirer l’attention sur cette proposition, mais ne peut pas la valider. L’agrégation indique qu’un article est entré dans le cycle de l’actualité. Elle ne constitue ni une certification de produit, ni une approbation éditoriale, ni un substitut à des tests indépendants.

Cette attention importe néanmoins parce que des produits similaires émergent. Certains intègrent des modèles sur des téléphones, d’autres utilisent des ordinateurs durcis, tandis que d’autres encore associent des cartes hors ligne à des archives documentaires. Les fournisseurs découvrent que la confidentialité et la résilience peuvent mieux vendre l’IA locale que des performances abstraites de modèle.

Cette tendance met également sous pression les assistants privilégiant le cloud. OpenAI, Google, Anthropic et Microsoft fournissent généralement leurs modèles grand public les plus performants par le biais d’infrastructures distantes. Les produits locaux proposent des modèles moins puissants, mais continuent de fonctionner lorsque ces services sont inaccessibles.

Pour la rédaction courante ou les analyses complexes, les systèmes cloud conservent d’importants avantages de capacité. Lors d’une panne, la disponibilité devient une caractéristique à part entière. Le danger commence lorsque la disponibilité est confondue avec l’autorité.

La promesse de survie se heurte à la réalité

Une réponse hors ligne reste une interprétation générée, même lorsque les documents sources sont stockés à côté du modèle.

Prenons une question sur le traitement d’une coupure profonde. Le logiciel peut retrouver un passage traitant du contrôle des saignements, du nettoyage d’une plaie ou de l’évacuation. Le modèle doit encore décider quel passage s’applique, le résumer et présenter les étapes dans un ordre utile.

Il ne peut pas sentir le pouls du patient, estimer une perte de sang cachée, voir une contamination au-delà des limites d’une image ni déterminer si la pression a arrêté le saignement. Il peut ignorer les médicaments, les allergies, les antécédents médicaux du patient ou la distance jusqu’à une aide professionnelle.

Le même problème se pose avec les conseils électriques. Une source peut expliquer avec exactitude une configuration de câblage. Le modèle ne peut pas confirmer que l’utilisateur a correctement identifié les conducteurs, coupé toutes les sources d’énergie ou rencontré un équipement endommagé.

Les questions de survie sont particulièrement sensibles au contexte manquant. Le traitement de l’eau dépend du contaminant, de l’équipement disponible, de l’altitude, de la température et de l’usage prévu. L’identification des plantes peut dépendre de petits détails visuels. Les conseils sur les médicaments dépendent de l’âge, du poids, de l’état de santé, des interactions et de la formulation.

Un modèle de langage transforme ces variables en texte, mais ne sait pas de manière fiable quelle variable non mentionnée modifie la réponse. Un utilisateur sous stress peut interpréter une réponse assurée comme une évaluation complète.

C’est là que les citations peuvent produire une fausse réassurance. Une citation pertinente prouve qu’un document contient des informations associées. Elle ne prouve pas que le modèle a préservé tous les avertissements, appliqué correctement la procédure ou sélectionné la bonne procédure.

Les utilisateurs doivent ouvrir et examiner la source. Cette exigence affaiblit la promesse de conseils immédiats fournis par l’IA, car le flux de travail le plus sûr consiste souvent à revenir à la lecture du manuel sous-jacent.

Une interface de récupération bien conçue peut néanmoins améliorer ce processus. Elle peut localiser un chapitre pertinent plus vite qu’une recherche manuelle dans des centaines de pages. Elle peut traduire du vocabulaire technique en une liste de vérification provisoire. Elle peut aider les utilisateurs à identifier la source qui mérite leur attention.

Il s’agit d’avantages liés à la récupération d’informations, et non d’un jugement indépendant. Le produit devient plus sûr lorsque les utilisateurs considèrent sa réponse générée comme une couche de navigation au-dessus des documents.

L’assistant de survie hors ligne hérite aussi d’un problème de date limite des données. Les documents stockés restent figés jusqu’à ce que quelqu’un mette à jour la collection. Les recommandations médicales révisées, les rappels, les nouveaux avertissements, les conditions météorologiques, les fermetures de routes et les ordres d’évacuation locaux ne peuvent pas apparaître automatiquement.

Le fournisseur reconnaît que ses connaissances reflètent la version distribuée sur le périphérique. Les mises à jour nécessitent donc une actualisation ou un remplacement ultérieur. C’est normal pour un support hors ligne, mais cela entre en conflit avec l’idée intuitive d’une IA disposant toujours de la meilleure réponse disponible.

Les assistants cloud rencontrent leurs propres problèmes d’actualité, notamment des résultats web inexacts et des résumés fabriqués. Ils peuvent au moins accéder à des sources actuelles lorsque les connexions restent disponibles. Un système isolé du réseau renonce délibérément à ce canal.

Le compromis est raisonnable pour des contenus statiques tels que les schémas de nœuds, les procédures radio, les références mécaniques et les principes de base de l’assainissement. Il est dangereux lorsque la réponse nécessaire dépend de conditions en temps réel.

Les utilisateurs ont besoin d’une frontière visible entre les références durables et les informations évolutives. Une réponse sur une technique établie de boussole relève d’une catégorie de risque différente de celle portant sur la progression d’un incendie de forêt, la sécurité locale de l’eau, les rappels de médicaments ou les itinéraires d’évacuation.

Un produit sérieux devrait communiquer cette limite avant d’afficher des instructions générées. Il devrait aussi afficher les dates des sources, les versions des documents, le contexte manquant et les raisons du refus d’une réponse.

L’accent marketing va actuellement dans l’autre sens. Des termes tels que vérifié, testé sur le terrain et zéro hallucination invitent les utilisateurs à baisser leur garde. Ces affirmations exigent des preuves publiques plus solides que celles fournies par le fournisseur.

Un test d’Off-Grid AI doit inclure des essais de défaillance

La question utile n’est pas de savoir si l’assistant peut répondre à des requêtes préparées, mais s’il échoue de manière sûre lorsque les conditions deviennent confuses.

Une évaluation convaincante devrait commencer par la recherche d’informations. Les testeurs devraient poser des questions comportant des fautes de frappe, de l’argot, des descriptions incomplètes et des symptômes contradictoires. Ils devraient vérifier si le système retrouve le bon document et si des passages non pertinents entrent dans le contexte.

Le niveau suivant concerne l’exactitude des citations. Les examinateurs devraient comparer chaque affirmation importante à la page citée. Ils devraient relever les avertissements manquants, les quantités modifiées, les conditions omises et les conclusions que la source ne permet pas d’étayer.

Le comportement de refus nécessite des tests distincts. Un système qui refuse les demandes manifestement interdites peut tout de même répondre à des demandes ambiguës. Les évaluateurs devraient varier les formulations, ajouter des prémisses trompeuses et pousser le modèle à poursuivre après un premier avertissement.

Le modèle doit également gérer des sources contradictoires. Une collection constituée de manuels militaires, de recommandations gouvernementales, d’ouvrages de référence plus anciens et de documents spécialisés peut contenir des procédures différentes. Le logiciel a besoin d’une règle transparente de priorité et de gestion des versions.

Les scénarios médicaux exigent le traitement le plus strict. La Croix-Rouge américaine propose une application de référence pour les urgences qui comprend des informations de préparation et des alertes. Même les ressources structurées présentent les conseils numériques comme un soutien, et non comme un remplacement des intervenants formés.

Les recommandations de préparation du gouvernement américain mettent elles aussi l’accent sur les plans, les fournitures, les alertes et les réponses entraînées. Une interface conversationnelle peut aider à retrouver ces ressources, mais la préparation ne peut pas commencer une fois les lumières éteintes.

Les tests devraient donc inclure l’ensemble de la chaîne matérielle. Les examinateurs doivent mesurer la fiabilité du lancement, la consommation de batterie, la chaleur, la corruption du stockage et la récupération après une session interrompue. Ils devraient tester le système sans mots de passe mémorisés ni environnement de bureau familier.

Ils devraient aussi tester les utilisateurs, pas seulement le logiciel. Un expert calme peut reconnaître une réponse douteuse qu’un novice effrayé acceptera. Les recherches sur l’utilisabilité devraient examiner si les citations sont ouvertes, si les avertissements sont compris et si les utilisateurs savent à quel moment arrêter de demander au modèle.

Le cadrage sceptique de The Register indique la bonne norme. Une séance de jeu de rôle sur une apocalypse zombie peut révéler des raisonnements maladroits ou des erreurs amusantes sans nuire à personne. Une véritable urgence supprime cette marge.

Cela ne signifie pas que chaque réponse doit remplacer l’expertise professionnelle. Cela signifie que l’interface doit communiquer de façon constante qu’elle ne le fait pas. Cette distinction doit résister au stress, à une faible maîtrise de l’écrit et à la tendance naturelle à faire confiance à un langage fluide.

La conception la plus sûre séparerait les résultats de recherche de la synthèse générée. Les requêtes à haut risque pourraient afficher d’abord le protocole original, puis un résumé clairement identifié. Le logiciel pourrait exiger la reconnaissance de ses limites avant d’afficher des conseils médicaux ou électriques.

Il pourrait aussi poser des questions de suivi structurées sans prétendre établir un diagnostic. Par exemple, il pourrait demander si les services d’urgence sont joignables, si un saignement important continue ou si les lieux sont sûrs. Chaque réponse devrait renvoyer les utilisateurs vers un protocole faisant autorité.

Un fournisseur pourrait publier une fiche de modèle détaillant le modèle local, la quantification, la collection de sources, la date limite des données, les règles de refus, l’ensemble d’évaluation et les modes de défaillance connus. Des chercheurs indépendants pourraient alors reproduire les tests au lieu de s’appuyer sur des démonstrations promotionnelles.

Ces divulgations ne rendraient pas le produit infaillible. Elles rendraient son risque plus lisible, ce qui constitue une forme pratique de sécurité.

Là où l’IA hors ligne est réellement utile

Le meilleur argument en faveur d’une IA locale dédiée à la préparation concerne la planification et la recherche de documents, non les décisions urgentes aux conséquences irréversibles.

Avant une urgence, l’assistant peut aider un foyer à comparer des listes de contrôle, organiser les fournitures et retrouver des passages dans une vaste collection de références. Les utilisateurs ont le temps de vérifier les résultats et de corriger les erreurs.

Il peut générer des scénarios fictifs pour des exercices. Un foyer pourrait s’entraîner à réagir à une panne de courant de trois jours, une route bloquée ou une interruption de l’approvisionnement en eau. L’IA peut introduire des contraintes changeantes pendant que les participants mettent à l’épreuve leur plan existant.

C’est là que le jeu de rôle devient une fonctionnalité plutôt qu’une plaisanterie. La simulation permet de découvrir des piles manquantes, des documents inaccessibles, des responsabilités contradictoires ou des hypothèses irréalistes avant que ces problèmes ne comptent.

L’assistant peut également améliorer l’accès à des documents techniques à faible risque. Un utilisateur peut demander où un manuel explique les règles d’usage de la radio, la rotation du stockage alimentaire ou une procédure d’entretien de réchaud. La réponse peut renvoyer directement à la section source.

La recherche hors ligne offre des avantages en matière de confidentialité pendant le travail ordinaire. Les questions sensibles restent sur la machine locale lorsque le logiciel ne réalise réellement aucune connexion externe. Les utilisateurs devraient néanmoins vérifier le comportement de télémétrie, les mécanismes de mise à jour et toute fonctionnalité réseau optionnelle.

Un système de connaissances local devient plus utile lorsque les utilisateurs ajoutent des documents personnels fiables. Il peut s’agir de manuels d’équipement, d’inventaires domestiques, de listes de contacts, de cartes, de procédures d’assurance et de plans d’urgence écrits.

Le même principe s’applique au travail professionnel fondé sur la connaissance. Une base de connaissances personnelle consultable peut réduire le temps consacré à retrouver un document, tout en laissant les décisions importantes à l’utilisateur.

Toutefois, la personnalisation locale crée une autre charge de maintenance. Quelqu’un doit tenir à jour les numéros de téléphone, les listes de médicaments, les détails des équipements et les plans d’évacuation. Des données personnelles obsolètes peuvent être plus dangereuses que l’absence de données, car elles paraissent faire autorité.

Le système devrait donc afficher la date de mise à jour de chaque document utilisateur. Il devrait signaler les dossiers nécessitant une révision périodique et distinguer les notes personnelles des recommandations publiques vérifiées.

La préparation bénéficie aussi de la redondance. L’appareil d’IA devrait s’ajouter à des instructions imprimées, des cartes hors ligne, des radios chargées, une alimentation de secours et des procédures répétées. Il ne devrait jamais devenir l’unique accès à des informations essentielles.

Cette approche en couches résout une grande partie du conflit apparent. L’IA locale n’a pas besoin d’être inutile parce qu’elle ne peut pas servir d’expert autonome de survie. Elle doit avoir une mission plus restreinte.

Cette mission consiste à retrouver, organiser et répéter des informations tout en exposant clairement la source sous-jacente. Elle se rapproche davantage d’un index interactif que d’un médecin électronique de la nature.

La crédibilité du produit à long terme dépendra de la capacité de sa conception et de son marketing à accepter ce rôle plus restreint. Les consommateurs peuvent comprendre les limites lorsque les fournisseurs les énoncent clairement. Les problèmes apparaissent lorsque la confiance devient l’argument de vente.

Ce que les lecteurs de Google News devraient surveiller ensuite

Trois signaux montreront si Off-Grid AI devient un outil de référence crédible ou reste une démonstration convaincante sur le thème de la survie.

Le premier signal est la réalisation de tests de sécurité indépendants. Le fournisseur devrait inviter des évaluateurs qualifiés à examiner les réponses médicales, électriques, de navigation et de traitement de l’eau dans des conditions adverses.

Un rapport utile publierait les requêtes, les sources attendues, la configuration du modèle, les définitions de défaillance et les résultats bruts. Il distinguerait la réussite de la recherche d’informations de l’exactitude des réponses et de la qualité des refus.

Si des tests indépendants confirment des citations fiables et des refus prudents, l’argument central du produit devient plus solide. Si les tests révèlent des omissions ou des synthèses non étayées, les utilisateurs devraient le limiter à la recherche d’informations et à la planification à faible risque.

Le deuxième signal est une gestion transparente du corpus. Les acheteurs ont besoin d’un inventaire complet des sources, des dates de version, d’un historique des modifications et d’une politique de mise à jour claire. Ils doivent également savoir comment les documents contradictoires sont classés.

Des mises à jour fréquentes et auditables résoudraient une partie du problème des données obsolètes. Des références vagues à des connaissances sélectionnées affaibliraient l’affirmation selon laquelle le système offre davantage qu’une collection thématique de documents.

Le troisième signal est le comportement de l’interface face aux questions à haut risque. Il faut observer si les futures versions commencent par les instructions originales, exposent l’incertitude, demandent le contexte manquant et dirigent les utilisateurs vers les services d’urgence lorsqu’ils sont disponibles.

Ces choix de conception comptent davantage que l’ajout d’un modèle plus grand. Une meilleure prose peut accroître la confiance sans accroître l’exactitude. Dans un logiciel d’urgence, une limitation prudente peut être plus précieuse qu’une réponse fluide.

Le marché plus large de l’IA locale devrait surveiller les mêmes indicateurs. Les modèles hors ligne ont des rôles légitimes dans la confidentialité, la résilience, l’éducation, le travail à distance et l’accès aux documents. Chaque rôle nécessite un niveau d’assurance adapté au coût d’une défaillance.

Les lecteurs de Google News devraient aussi distinguer trois affirmations que le marketing mélange souvent. Un système peut fonctionner hors ligne. Il peut retrouver des passages cités. Il peut tout de même produire une réponse trompeuse.

Off-Grid AI cible clairement les deux premiers objectifs. Les preuves publiques disponibles n’établissent pas le troisième objectif implicite de « zéro hallucination ». Tant que des tests reproductibles ne comblent pas cet écart, les utilisateurs devraient considérer la couche générée comme faillible.

Il reste ainsi un produit utile, mais moins spectaculaire. Il peut aider quelqu’un à trouver un manuel, préparer un exercice, organiser un kit ou simuler un effondrement fictif. Il ne devrait pas devenir l’autorité finale sur une blessure, un danger immédiat ou une évacuation en évolution.

La bonne étape suivante est pratique. Élaborez dès maintenant le plan d’urgence, téléchargez des ressources faisant autorité, entretenez des sauvegardes imprimées et testez chaque appareil tant que les conditions sont calmes.

Demandez ensuite à l’assistant hors ligne de vous aider à répéter une apocalypse zombie. Si sa réponse tourne mal, la seule victime devrait être l’histoire.