Cloud LLM vs local LLMs: exemples & avantages

Les LLMs cloud, alimentés par des modèles avancés comme GPT-5.5 et Claude Opus 4.7, offrent évolutivité et accessibilité. Inversement, les LLMs locaux, pilotés par des modèles open source tels que Llama 4, DeepSeek V4 et Qwen3.6-Plus, garantissent une confidentialité et une personnalisation renforcées.

Découvrez ce que sont les LLMs cloud, leurs forces et faiblesses, les études de cas les plus courantes avec des exemples concrets, et en quoi ils diffèrent des LLMs locaux.

Qu'est-ce que le modèle de langage à grande échelle en cloud (LLM) ?

Les LLMs cloud (modèles de langage à grande échelle basés sur le cloud) sont hébergés et exécutés sur une infrastructure cloud au lieu d’être installés et gérés sur les serveurs locaux d’une entreprise. Ces modèles, tels que la famille actuelle GPT-5, la série Google Gemini 3 Pro/Flash, et les Anthropic Claude Opus 4.7 et Claude Sonnet 4.6, sont des systèmes d’IA dotés de capacités avancées de compréhension et de génération de langage.

Les LLMs cloud sont :

• Accessibles via Internet par l’intermédiaire d’APIs.
• Évolutives et gérées par le fournisseur.

Au lieu d’acheter et de maintenir du matériel coûteux (GPUs, serveurs, stockage), les entreprises se connectent à ces modèles via le cloud et les utilisent à la demande.

Comment fonctionnent les LLMs cloud

1. Le LLM s’exécute sur des serveurs cloud distants.
2. Une entreprise envoie des données/du texte au modèle via une API.
3. Le modèle traite la requête dans le cloud.
4. La réponse est renvoyée via Internet.

Les fournisseurs de LLMs cloud utilisent souvent un modèle de tarification à l’utilisation basé sur la consommation, ce qui peut être plus rentable pour de nombreuses applications. Cependant, les coûts peuvent augmenter avec une utilisation accrue.

Ils sont les plus adaptés pour :

• Équipes ayant une faible expertise technique : Les LLMs cloud sont souvent accessibles via des interfaces conviviales et des APIs, nécessitant moins de savoir-faire technique pour leur mise en œuvre et leur utilisation efficace.
• Équipes disposant d’un budget technique limité : Créer ou former un LLM est une entreprise coûteuse. Les LLMs cloud éliminent le besoin d’investissements initiaux importants en matériel et en logiciels. Les utilisateurs peuvent payer les services de LLMs cloud sur la base d’un abonnement ou de l’utilisation, ce qui peut être plus économique.

Derniers modèles

OpenAI GPT-5.5

OpenAI a présenté GPT-5.5 comme son modèle plus avancé pour le travail agentique, le codage, la recherche, l’analyse de données, la création de documents, les tâches sur tableur, l’utilisation d’ordinateur et les flux de travail en plusieurs étapes.

Principales améliorations :

• Codage et ingénierie logicielle : GPT-5.5 est le modèle de codage agentique le plus puissant d’OpenAI à ce jour. Il a atteint 82,7% sur Terminal-Bench 2.0 et 58,6% sur SWE-Bench Pro, surpassant GPT-5.4 sur plusieurs évaluations de codage tout en utilisant moins de tokens.
  • En pratique, cela signifie que GPT-5.5 peut mieux comprendre les grandes bases de code, raisonner à travers les échecs ambigus, tester des hypothèses et propager les changements dans les fichiers associés.
• Travail de connaissance et utilisation d’ordinateur : GPT-5.5 est conçu pour des tâches professionnelles plus larges, incluant la recherche en ligne, l’analyse de données, la génération de documents, la modélisation sur tableur et la création de diapositives. OpenAI déclare que le modèle est meilleur pour comprendre l’intention de l’utilisateur, utiliser des outils, vérifier les sorties et transformer des entrées désordonnées en produits de travail exploitables.
  • Le modèle s’est également amélioré sur les benchmarks de tâches professionnelles et d’utilisation d’ordinateur, y compris 84,9% sur GDPval et 78,7% sur OSWorld-Verified.
• Recherche scientifique : OpenAI met en avant les performances plus solides de GPT-5.5 dans les flux de travail scientifiques et techniques, en particulier les tâches qui nécessitent d’explorer des preuves, de tester des hypothèses, d’analyser des données et de produire des résultats de recherche. Le modèle a surpassé GPT-5.4 sur GeneBench et obtenu des résultats solides sur BixBench, un benchmark de bioinformatique et d’analyse de données.
• Efficacité d’inférence : GPT-5.5 vise à offrir une intelligence supérieure sans pénalité de latence majeure. Il égale la latence par token de GPT-5.4 en conditions réelles et utilise moins de tokens pour les mêmes tâches Codex. Il fait également état d’améliorations d’infrastructure qui ont augmenté les vitesses de génération de tokens de plus de 20%.
• Sécurité et cybersécurité : GPT-5.5 inclut des garde-fous renforcés pour les domaines de la cybersécurité et des risques biologiques ou chimiques.

Figure 1 : performance de référence d’OpenAI GPT 5.5.¹

Anthropic Claude Opus 4.7

Claude Opus 4.7 est conçu pour les cas d’usage exigeants en entreprise et pour les développeurs. Il est disponible via les produits Claude, l’API Claude, Amazon Bedrock, Google Cloud Vertex IA et Microsoft Foundry.

Claude Opus 4.7 améliore les modèles Claude précédents dans des domaines tels que :

• Ingénierie logicielle : Performances accrues sur les tâches de codage complexes, le débogage, la revue de code et les flux de travail d’ingénierie de longue durée.
• Suivi d’instructions : Exécution plus précise des prompts utilisateur, ce qui peut nécessiter un ajustement des prompts conçus pour les modèles antérieurs.
• Capacités visuelles : Prise en charge d’une compréhension d’images en haute résolution, utile pour les captures d’écran, les diagrammes, les documents denses et les visuels techniques.
• Travail professionnel : Meilleures sorties pour les interfaces, documents, présentations, analyses financières et flux de travail d’entreprise.
• Utilisation de la mémoire : Capacité améliorée à utiliser la mémoire basée sur le système de fichiers dans des tâches multi-sessions plus longues.

Figure 2 : performance de référence de Claude Opus 4.7.²

Anthropic Claude Sonnet 4.6

Le Anthropic Claude Sonnet 4.6 est positionné comme le dernier modèle par défaut pour les utilisateurs gratuits et payants de Claude depuis février 2026. Il représente une mise à niveau significative par rapport à Sonnet 4.5, apportant de larges améliorations dans les capacités du monde réel sans modifier la tarification pour les utilisateurs :

• Capacités améliorées : Sonnet 4.6 offre de meilleures compétences en codage, un meilleur raisonnement sur de longs contextes, une planification agentique, un travail de connaissance général et une utilisation d’ordinateur, le rendant performant dans divers flux de travail professionnels (voir Figure 2).
• Grande fenêtre de contexte : Il prend en charge une fenêtre de contexte de 1 million de tokens (bêta), permettant au modèle de traiter de longues entrées sans perdre le fil du contenu antérieur.
• Équilibre performance-coût : Conçu pour être plus rapide et plus abordable que les modèles phares comme Opus 4.6 tout en offrant des performances solides sur les tâches complexes.
• Cas d’usage : Bien adapté à l’aide au codage, aux flux de travail agentiques, aux tâches sur documents et tableurs, et aux applications professionnelles via l’API Claude.

Figure 3 : résultats des principaux LLMs sur le benchmark Humanity’s Last Exam.³

Google Cloud

Google Cloud fournit une suite complète de services cloud pour la création, le déploiement et l’exploitation d’applications :

Vertex IA Studio

Vertex IA Studio est conçu pour le prototypage, les tests et la personnalisation de modèles d’IA générative. Il offre une interface graphique où les développeurs et les équipes peuvent concevoir des prompts, tester le comportement des modèles et affiner les flux de travail génératifs.

Vertex IA Studio prend en charge l’accès à des modèles avancés du jardin de modèles de Google et contribue à accélérer le développement de chatbots, de générateurs de contenu et d’assistants multimodaux.

Vertex IA Agent Builder

Vertex IA Agent Builder fournit aux développeurs des outils et des frameworks pour créer des agents IA capables de raisonner, d’effectuer des actions, de s’intégrer aux systèmes dorsaux et de fonctionner à l’échelle mondiale.

Suite d’engagement client avec Google IA

La Suite d’engagement client est une solution de bout en bout conçue pour améliorer le service client et les opérations des centres de contact à l’aide de l’IA générative.

Elle combine l’IA conversationnelle (tels que des chatbots et des outils d’assistance en temps réel) avec des fonctionnalités de centre de contact omnicanal pour offrir des expériences cohérentes et personnalisées sur le web, le mobile, la voix et l’e-mail.

Remarque : depuis avril 2026, Google a regroupé les capacités de Vertex IA dans la Gemini Enterprise Agent Platform, fusionnant la construction de modèles, le DevOps, la sécurité et l’orchestration d’agents dans une interface unifiée plutôt que de maintenir des outils distincts tels que Vertex IA Studio et Agent Builder.⁴

Forces des LLMs cloud

Faibles efforts de maintenance

Les utilisateurs de LLMs cloud sont déchargés de la maintenance et de la mise à jour de l’infrastructure sous-jacente, car les fournisseurs de services cloud assument ces responsabilités, et les coûts sont intégrés dans les prix d’abonnement.

Fiabilité opérationnelle

Les fournisseurs cloud offrent plusieurs couches de redondance, de sauvegarde et de basculement, ce qui se traduit souvent par une disponibilité supérieure à celle des déploiements locaux.

Connectivité

Les LLMs cloud sont accessibles depuis n’importe où avec une connexion Internet, permettant la collaboration à distance et l’utilisation par des équipes géographiquement dispersées.

De plus, les fournisseurs améliorent continuellement leurs modèles, ajoutent des fonctionnalités et fournissent des outils, notamment des tableaux de bord de surveillance, la journalisation et des intégrations de sécurité, renforçant ainsi la connectivité.

Coûts financiers réduits

Les utilisateurs peuvent bénéficier de modèles de tarification à l’utilisation rentables, réduisant les dépenses en capital initiales liées à l’acquisition de matériel et de logiciels et permettant un accès à la demande.

Faiblesses des LLMs cloud

Risques de sécurité

Le stockage de données sensibles ou l’utilisation de LLMs peuvent soulever des préoccupations de sécurité cloud en raison de violations de données potentielles ou d’accès non autorisés. Cela peut être un fardeau pour les entreprises ayant de fortes exigences de confidentialité, car elles peuvent être vulnérables à des attaques d’ingénierie sociale sophistiquées.

Dépendance et verrouillage fournisseur

Dépendre d’un seul fournisseur cloud peut créer un verrouillage. Si le fournisseur modifie la tarification, les conditions d’API ou l’accès aux modèles, s’adapter peut s’avérer difficile.

Latence

Les LLMs cloud nécessitent une connectivité réseau. Pour les applications en temps réel ou sensibles à la latence, cela peut constituer un goulot d’étranglement par rapport au traitement local.

Personnalisation limitée

Les équipes qui choisissent les LLMs cloud peuvent bénéficier d’un accès à l’inférence gérée (par ex., GPT-5.5, Gemini 3 Pro, Claude Opus 4.7) et à des outils évolutifs, mais la personnalisation reste limitée par rapport aux alternatives auto-hébergées.

Défis de conformité réglementaire

Le stockage ou le traitement de données personnelles dans le cloud doit être conforme au RGPD, à l’HIPAA et à d’autres réglementations, ce qui peut limiter l’utilisation ou nécessiter des garanties supplémentaires.

Cas d’usage des LLMs cloud

En raison de leur facilité d’utilisation et de leurs coûts initiaux réduits, les LLM cloud sont largement appliqués dans des domaines clés de l’activité et de l’industrie :

Chatbots et support client

Les LLMs cloud alimentent des assistants virtuels et des chatbots qui comprennent et répondent aux requêtes des clients en langage naturel. Ces systèmes peuvent fonctionner 24/7, traiter des milliers de demandes simultanément et fournir des réponses personnalisées et contextuelles sans scripts fixes.

Ils réduisent les temps d’attente, libèrent les agents humains des demandes routinières et améliorent la satisfaction client en offrant un support rapide et précis à grande échelle.

Génération de contenu

Les LLMs peuvent générer du texte et permettre l’automatisation des tâches d’écriture créatives et répétitives :

• Marketing : rédaction de campagnes e-mail, d’articles de blog, de contenu pour les médias sociaux et de textes publicitaires.
• Documentation : synthèse de rapports, génération d’articles d’aide ou création de contenu pour les bases de connaissances internes.

Détection de fraude

Les LLMs peuvent aider à analyser du texte et des modèles dans de grands ensembles de données pour signaler la fraude ou les anomalies.

Par exemple, dans la finance, les LLMs analysent l’historique des transactions et les journaux de communication pour identifier une activité inhabituelle pouvant indiquer une fraude.

Bien que les modèles d’apprentissage automatique traditionnels soient efficaces pour la détection de fraude, les LLMs ajoutent de la valeur en comprenant le narratif et le contexte dans le texte non structuré, ce qui peut aider à détecter des schémas d’ingénierie sociale ou d’escroquerie intégrés dans les communications.

Aide aux soins de santé

Les LLMs prennent en charge une gamme de flux de travail dans les soins de santé en plus des tâches administratives :

• Interaction patient : Les assistants virtuels peuvent répondre aux questions des patients, leur rappeler leurs médicaments ou les guider dans leurs plans de soins.
• Documentation clinique : Automatisation de la transcription médicale des conversations clinicien-patient et synthèse des fiches ou notes.
• Aide à la décision : Fournir des informations fondées sur des preuves aux cliniciens en synthétisant la littérature médicale ou les dossiers patients.
• Engagement patient et évaluation des risques : L’IA conversationnelle basée sur les LLM peut être utilisée dans les outils de dépistage des risques pour des conditions spécifiques comme la gravité de la COVID-19.

Éducation

Les LLMs aident à l’apprentissage en offrant :

• Tutorat et support de tutorat : Fournir des explications, des exercices pratiques ou des commentaires sur les questions des étudiants.
• Guides d’étude personnalisés : Adapter le contenu aux styles d’apprentissage ou au rythme de chacun.
• Notation automatisée et feedback : Noter les réponses écrites et fournir des commentaires constructifs.

Que sont les LLMs locaux ?

Les LLMs locaux sont installés et exécutés sur les serveurs ou l’infrastructure propre d’une organisation. Ces modèles offrent plus de contrôle et une sécurité potentiellement renforcée, mais nécessitent une expertise et une maintenance importantes.

Les exemples phares actuels incluent Qwen 3.6 (avec des variantes optimisées pour le raisonnement comme Qwen3-Max-Thinking), DeepSeek V4 et Llama 4.

Les LLMs locaux sont adaptés pour :

• Équipes ayant une haute expertise technique : Les organisations disposant d’un département IA dédié, comme les grandes entreprises technologiques (par ex., Google, IBM) ou les laboratoires de recherche qui ont les ressources et les compétences pour maintenir des infrastructures de LLM complexes.
• Secteurs avec une terminologie spécialisée : Secteurs comme le droit ou la médecine, où des modèles personnalisés formés sur un jargon spécifique sont essentiels.
• Entreprises ayant investi dans l’infrastructure cloud : Les entreprises qui ont réalisé des investissements significatifs dans les technologies cloud (par ex., Salesforce) peuvent mettre en place des LLMs internes plus efficacement.

Forces des LLMs locaux

Opérations de haute sécurité

Cela permet aux organisations de garder un contrôle total sur leurs données et la manière dont elles sont traitées, garantissant la conformité aux réglementations sur la confidentialité des données et aux politiques de sécurité internes.

Rapidité

Alors que la latence du cloud peut être un goulot d’étranglement, les LLMs locaux peuvent offrir des flux de travail plus rationalisés.

Par exemple, Diffblue, une entreprise issue d’Oxford, a comparé les LLMs cloud d’OpenAI avec son propre produit, Diffblue Cover, qui utilise l’apprentissage par renforcement local.

Lors de tests de génération automatique de tests unitaires pour du code Java, les tests générés par LLM nécessitaient une révision manuelle pour répondre à des critères spécifiques et étaient plus lents, prenant 20 à 40 secondes par test sur des GPUs cloud. En revanche, l’approche locale de Diffblue Cover prenait 1,5 seconde par test.⁵

Faiblesses des LLMs locaux

Coûts initiaux

Un investissement important en GPUs et en serveurs est nécessaire, comparable à un scénario où une entreprise technologique de taille moyenne pourrait dépenser quelques centaines de milliers de dollars pour établir une infrastructure de LLM local.

Évolutivité et besoins matériels

Difficultés à faire évoluer les ressources pour répondre à des demandes fluctuantes, comme le fine-tuning du modèle.

Préoccupations environnementales

La formation de l’IA est très énergivore, les estimations suggérant que la formation de GPT-4 a nécessité environ 50 GWh d’électricité, tandis que la formation de GPT-3 a consommé environ 1 287 MWh.

Les clusters de formation d’IA générative peuvent également utiliser jusqu’à 8 fois plus d’énergie que les charges de travail informatiques typiques, montrant comment la demande en énergie augmente fortement avec l’échelle du modèle. Consultez la consommation énergétique de l’IA pour en savoir plus.

Comparaison entre les LLMs sur site et dans le cloud

Figure 4 : image montrant la puissance de la distribution des LLMs.⁶

Les LLMs cloud sont des solutions à grande échelle et flexibles, généralement développées par de grandes entreprises technologiques pour des applications générales. En revanche, les LLMs sur site sont personnalisés pour des besoins d’entreprise spécifiques, où le contrôle et la sécurité sont cruciaux.

Cela met en évidence une distinction de marché : les LLMs cloud se concentrent sur le volume et l’innovation, tandis que les LLMs sur site sont choisis pour des applications spécialisées et sécurisées avec des objectifs économiques clairs.

Voici une comparaison des LLMs locaux et cloud selon différents facteurs :

*Les coûts globaux peuvent s’accélérer en fonction des besoins de l’entreprise.

LLMs locaux sur du matériel cloud

Une autre option consisterait à construire des LLMs sur site et à exécuter ces modèles en utilisant du matériel cloud. De cette manière, les organisations peuvent garder le contrôle sur leurs modèles et leurs données tout en tirant parti de la puissance de calcul et de l’évolutivité de l’infrastructure cloud.

Découvrez davantage de nos benchmarks et analyses basées sur les données dans la recherche Google.

Ajouter comme source préférée

Comment choisir entre un LLM local et cloud ?

Figure 5 : image montrant les différences entre les LLMs internes et via API.⁷

Lors du choix entre un LLM local ou cloud, il y a quelques questions à considérer :

1. Avez-vous une expertise interne ?

L’exécution locale de LLMs nécessite une expertise technique importante en apprentissage automatique et en gestion d’infrastructure informatique complexe. Cela peut être un défi pour les organisations ne disposant pas d’une équipe technique solide.

D’un autre côté, les LLMs cloud délèguent l’essentiel de la charge technique au fournisseur cloud, y compris la maintenance et les mises à jour, ce qui en fait une option plus pratique pour les entreprises qui manquent de personnel informatique spécialisé.

2. Quelles sont vos contraintes budgétaires ?

Le déploiement d’un LLM local implique des coûts initiaux importants, principalement en raison du besoin de matériel informatique puissant, en particulier les GPUs. Cela peut être un obstacle majeur pour les petites entreprises ou les startups. Les LLMs cloud, à l’inverse, ont généralement des coûts initiaux plus faibles avec des modèles de tarification basés sur l’utilisation, comme les abonnements ou les plans de paiement à l’utilisation.

3. Quels sont vos besoins en volume de données et en calcul ?

Pour les entreprises ayant des besoins de calcul élevés et constants ainsi que l’infrastructure pour les soutenir, les LLMs locaux peuvent être un choix plus fiable. Cependant, les LLMs cloud offrent une évolutivité avantageuse pour les entreprises dont les demandes fluctuent.

Le modèle cloud permet une adaptation aisée des ressources pour gérer des charges de travail accrues, ce qui est particulièrement utile pour les entreprises dont les besoins de calcul peuvent augmenter périodiquement (par exemple, une entreprise de cosmétiques pendant la saison du Black Friday).

4. Quels sont vos atouts en gestion des risques ?

Bien que les LLMs locaux offrent un contrôle plus direct sur la sécurité des données et puissent être préférés par les organisations qui traitent des informations sensibles (telles que les données financières ou de santé), ils exigent également des protocoles de sécurité internes robustes. Les LLMs cloud, bien que présentant potentiellement des risques plus élevés en raison de la transmission de données sur Internet, sont gérés par des fournisseurs qui investissent généralement massivement dans des mesures de sécurité.

Études de cas de LLMs cloud

Manz & deepset Cloud

Manz, un éditeur juridique autrichien, a utilisé deepset Cloud pour optimiser la recherche juridique avec la recherche sémantique.⁸ Leur vaste base de données juridiques nécessitait un moyen plus efficace de trouver des documents pertinents. Ils ont mis en œuvre un système de recommandation sémantique grâce à l’expertise de deepset Cloud en NLP et en modèles de langue allemande. Manz a considérablement amélioré ses flux de travail de recherche.

Cognizant & Google Cloud

Cognizant et Google Cloud collaborent pour utiliser l’IA générative, y compris les grands modèles de langage (LLMs), afin de relever les défis des soins de santé.⁹ Ils visent à rationaliser les processus administratifs des soins de santé, tels que les appels et l’engagement patient, en utilisant la plateforme Vertex IA de Google Cloud et l’expertise sectorielle de Cognizant. Ce partenariat illustre le potentiel des LLMs cloud pour optimiser les opérations de santé et améliorer l’efficacité des entreprises.

Allied Banking Corporation & Finastra

Allied Banking Corporation, basée à Hong Kong, a transféré ses opérations bancaires principales vers le cloud et a mis à niveau vers la solution Essence de nouvelle génération de Finastra.¹⁰ Ils ont également mis en œuvre l’analyse de détail de Finastra pour des rapports améliorés. Cette transition reflète un virage stratégique vers une technologie moderne et rentable, permettant une croissance future et des gains d’efficacité.

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Cloud LLM vs local LLMs: exemples & avantages}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/cloud-llm}},
  note   = {AIMultiple. Consulté le 18 Mai 2026}
}

Liens de référence

1.

Introducing GPT-5.5 | OpenAI

2.

Introducing Claude Opus 4.7 \ Anthropic

3.

Claude Opus 4.6 \ Anthropic

4.

Introducing Gemini Enterprise Agent Platform | Google Cloud Blog

Google Cloud

5.

forbes.com

Forbes

6.

Breaking Analysis: Cloud vs. On-Prem Showdown - The Future Battlefield for Generative AI Dominance - theCUBE Research

SiliconANGLE Media, Inc

7.

API or In-house LLM? - AIM Research | Artificial Intelligence Market Insights

AIM Research

8.

deepset | MANZ Case Study

9.

Cognizant expands generative AI partnership with Google Cloud, announces development of healthcare large language model solutions

Cision PR Newswire

10.

Allied Banking Corporation migrates core banking operations to the cloud with Finastra

Cision PR Newswire

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe chaque mois des centaines de milliers d'entreprises (selon similarWeb), dont 55 % des entreprises du classement Fortune 500. Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes et le Washington Post, ainsi que par des entreprises mondiales comme Deloitte et HPE, des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne. Vous trouverez d'autres entreprises et ressources réputées ayant fait référence à AIMultiple. Tout au long de sa carrière, Cem a exercé les fonctions de consultant, d'acheteur et d'entrepreneur dans le secteur des technologies. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la numérisation. Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité directe du PDG. Il a également piloté la croissance commerciale de la société de deep tech Hypatos, qui a atteint un chiffre d'affaires annuel récurrent à sept chiffres et une valorisation à neuf chiffres en seulement deux ans. Les travaux de Cem chez Hypatos ont été présentés dans des publications technologiques de référence telles que TechCrunch et Business Insider. Cem intervient régulièrement lors de conférences internationales sur les technologies. Diplômé en génie informatique de l'université de Bogazici, il est également titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire