Un principe fondamental ne change jamais : le modèle d’IA fonctionne localement sur le propre système de l’utilisateur. Les modes Hors ligne, Hybride et En ligne ne déterminent pas l’endroit où s’exécute le modèle ; ils définissent uniquement les connexions supplémentaires que Rainbow peut utiliser. En mode Hors ligne, Rainbow fonctionne sans connexion externe. En mode Hybride, le modèle reste local et peut utiliser de manière ciblée des API, par exemple pour obtenir des informations météo à jour. En mode En ligne, le modèle reste lui aussi local ; le Rainbow Apex Router intégré peut en plus être activé.

RAG fait déjà partie des fonctions destinées aux particuliers. Les documents personnels et les informations mises à disposition peuvent, au besoin, servir de source de connaissances supplémentaire. Si, par exemple, un PDF, un fichier Word ou un autre document doit être analysé, les contenus pertinents peuvent être utilisés pour la demande concernée sans qu’il soit nécessaire de réentraîner le modèle. Le modèle local reste la base ; RAG le complète lorsque des informations supplémentaires ou actualisées sont nécessaires. Dans le même temps, la maîtrise de ses propres données reste un élément central de Rainbow. Le stockage local des données est protégé par AES-256, avec Argon2id comme mécanisme de protection complémentaire. Pour les particuliers, l’essentiel est simple : le modèle reste sur leur propre système, les données personnelles peuvent être gérées localement et les connexions supplémentaires ne sont utilisées que lorsqu’elles sont réellement souhaitées.

Pour les entreprises, Rainbow va nettement plus loin. Le modèle d’entreprise Rainbow n’est ni une édition Business classique ni un simple accès à un service d’IA généraliste. L’entreprise reçoit son propre modèle, adapté individuellement à son organisation. Elle décide elle-même quelles connaissances doivent faire partie de cette IA. Les informations prévues à cet effet sont préparées puis intégrées de manière ciblée au processus d’entraînement et d’adaptation de son propre modèle. Cela permet de prendre en compte précisément les connaissances d’entreprise que l’entreprise elle-même choisit. La base linguistique allemande et le socle lié au contexte allemand, déjà présents, constituent la base et ne sont pas comptabilisés comme tokens d’entreprise. Les connaissances propres à l’entreprise viennent s’y ajouter. Le modèle client final, ainsi que les artefacts d’entraînement et les composants de modèle spécifiques qui en résultent, sont exclusivement destinés à l’entreprise concernée.

RAG complète le modèle d’entreprise lorsque des connaissances doivent être disponibles immédiatement ou pour une période limitée ; il ne le remplace pas. Les connaissances de l’entreprise destinées à être conservées durablement peuvent faire partie de son propre modèle. Les informations nouvelles ou actuelles peuvent en plus être utilisées via RAG. Si, par exemple, un nouveau fichier Word, un PDF ou un rapport est créé aujourd’hui et que ses informations doivent être exploitées immédiatement, il n’est pas nécessaire de réentraîner le modèle d’entreprise. Le document peut être fourni comme source de connaissances supplémentaire pour le traitement en cours. La séparation est claire : le modèle d’entreprise contient les connaissances destinées à faire durablement partie de l’IA de l’entreprise ; RAG les complète de manière flexible avec des documents et des informations à jour.

Le modèle d’entreprise fonctionne lui aussi localement et peut être exploité au sein de l’infrastructure de l’entreprise. Celle-ci détermine donc non seulement les connaissances intégrées à son modèle, mais aussi l’infrastructure sur laquelle il fonctionne et les connexions externes autorisées. Le matériel existant est examiné avant la mise en œuvre. La taille du modèle et la configuration technique sont ensuite adaptées à l’infrastructure réelle. Il ne s’agit donc pas d’une solution standard prête à l’emploi, mais d’un environnement conçu pour correspondre aux ressources techniques déjà disponibles.

Sur le plan technique, le modèle d’entreprise va au-delà de l’interface visible. Il comprend l’architecture du modèle et du système, la tokenisation, la préparation des connaissances de l’entreprise, l’entraînement ou l’adaptation du modèle, RAG et l’inférence locale. Le tokenizer découpe le texte en unités traitables appelées tokens. L’inférence correspond au fonctionnement effectif du modèle final : le moment où une entrée est traitée pour produire une sortie. Pour l’entreprise, l’avantage décisif réside dans l’interaction de ces composants : connaissances propres à l’entreprise, modèle dédié, infrastructure existante, traitement local et connexions externes contrôlées. Le chiffrement AES-256 et la protection fondée sur Argon2id de Rainbow restent intégrés au système. Rainbow répond ainsi à deux besoins clairement distincts sur une même base technique : pour les particuliers, un espace de travail numérique organisé avec un modèle d’IA local, RAG et des connexions contrôlées ; pour les entreprises, un modèle dédié supplémentaire, adapté aux connaissances et à l’infrastructure de l’entreprise. Le principe reste identique dans les deux cas : le modèle reste local. Le particulier choisit quelles informations personnelles et quelles connexions externes sont utilisées ; l’entreprise décide en plus quelles connaissances font partie de son propre modèle et sur quelle infrastructure il fonctionne.