Exploration : OpenClaw, Ollama et les limites du CPU

Le contexte

Hier soir, je suis tombé dans le terrier du lapin. OpenClaw — anciennement Clawdbot puis Moltbot — a explosé sur GitHub début 2026 avec plus de 100 000 étoiles en quelques jours. L’idée est simple et séduisante : un agent IA personnel, open-source, auto-hébergé, qui tourne sur votre propre machine et répond via WhatsApp, Telegram ou Discord. Pas de cloud tiers, pas de données qui partent ailleurs. Votre infrastructure, vos règles.

“Your own personal AI assistant. Any OS. Any Platform. The lobster way. 🦞”

— OpenClaw

Ça m’a intéressé immédiatement. Je voulais comprendre comment ça fonctionnait, et surtout voir si je pouvais faire tourner ça sur mon serveur dédié.

L’installation d’Ollama

Avant de connecter OpenClaw à quoi que ce soit, il faut un modèle qui tourne en local. Pour ça, Ollama est la solution standard — un runtime qui permet de télécharger et exécuter des LLMs localement en quelques commandes.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# Installation d'Ollama sur Debian
curl -fsSL https://ollama.com/install.sh | sh

# Télécharger et lancer Qwen3
ollama pull qwen3

# Télécharger Mistral Small
ollama pull mistral-small

# Vérifier les modèles disponibles
ollama list

L’installation est propre, le tooling est bien fait. En quelques minutes, les modèles tournent et exposent une API locale compatible OpenAI sur http://localhost:11434.

Le problème : CPU-only

C’est là que les choses se compliquent. Mon serveur dédié n’a pas de GPU. Or, faire tourner un LLM sur CPU uniquement, c’est une expérience de patience :

Pour un usage interactif via OpenClaw, c’est rédhibitoire. Attendre deux minutes entre chaque échange, ce n’est pas un assistant — c’est une torture.

L’alternative : les API cloud

Face à cette limitation hardware, j’ai regardé les options d’API pour brancher OpenClaw sur un modèle distant plutôt que local. OpenClaw est model-agnostic : il peut utiliser n’importe quel provider compatible OpenAI, que ce soit Anthropic, OpenAI, Mistral AI, ou d’autres.

1
2
3
4
5
6
7

# Exemple de config OpenClaw avec provider externe
providers:
  - name: mistral
    type: openai-compatible
    baseUrl: https://api.mistral.ai/v1
    apiKey: ${MISTRAL_API_KEY}
    model: mistral-small-latest

Les tarifs sont accessibles — quelques centimes par millier de tokens — mais l’usage d’un agent autonome qui tourne 24h/24 peut vite déraper. Un agent qui monitore, répond, initie des actions en arrière-plan… la facture peut monter sans prévenir.

Pourquoi j’ai stoppé là

J’ai décidé de ne pas me lancer dans cette direction, pour une raison simple : le risque financier non maîtrisé.

Un agent autonome connecté à une API payante, sans limite stricte configurée, c’est une surface d’exposition financière que je ne voulais pas gérer ce soir-là. Ce n’est pas une question de coût absolu, c’est une question de contrôle.

Avant de connecter quoi que ce soit à une API facturée à l’usage, il faut poser des limites claires : budget max, alertes, kill switch. Sinon, c’est une mauvaise surprise garantie.

Ce que j’en retiens

Cette exploration rapide m’a confirmé quelques points :

• Ollama est mature et simple à déployer — à garder sous la main pour du lab local
• OpenClaw est un projet intéressant, surtout pour un homelab avec un peu de GPU
• CPU-only pour les LLMs, c’est viable uniquement pour du batch ou du test, pas de l’interactif
• La prochaine étape logique serait un nœud avec GPU dédié — sujet pour un futur article

Je reviendrai sur OpenClaw quand mon infrastructure sera mieux adaptée. En attendant, le lab continue.

— Altins752