Saphan
Guides & FAQ

MATÉRIEL / VITESSES PUBLIÉES

La même tâche.
Sur chaque machine.

À quelle vitesse une machine écrit-elle avec une IA installée chez vous ? Voici les chiffres que la communauté a publiés pour un même petit modèle, des puces Apple aux cartes graphiques. Chaque chiffre garde le lien vers sa source.

Demander votre machine ↗

Relevé Saphan · 3 octobre 2026

les machines demandéesles cartes de référencele chiffre : la vitesse d’écriture, en jetons par seconde

Metal · Mac

Metal est le moteur des Mac. Ici, seulement des puces Apple : on les compare entre elles.

  1. Apple M5 Ultra (80 GPU)Puce Apple256 Go
    179jetons/slecture 4 945 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 179,10 jetons/s · commit c1d0e7a · macOS (Metal)

  2. Apple M5 Max (40 GPU)Puce Apple128 Go
    112jetons/slecture 2 105 jetons/s
    4 mesures publiées, la médiane au-dessus
  3. Apple M2 Ultra (76 GPU)Puce Apple
    94,3jetons/slecture 1 238 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 94,27 jetons/s · commit 8e672ef · macOS (Metal)

  4. Apple M3 Ultra (80 GPU)Puce Apple
    92,1jetons/slecture 1 471 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 92,14 jetons/s · commit 8e672ef · macOS (Metal)

  5. Apple M2 Ultra (60 GPU)Puce Apple128 Go
    88,6jetons/slecture 1 014 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 88,64 jetons/s · commit 8e672ef · macOS (Metal)

  6. Apple M3 Ultra (60 GPU)Puce Apple
    88,4jetons/slecture 1 073 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 88,40 jetons/s · commit 8e672ef · macOS (Metal)

  7. Apple M1 Ultra (64 GPU)Puce Apple128 Go
    83,7jetons/slecture 1 030 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 83,73 jetons/s · commit 8e672ef · macOS (Metal)

  8. Apple M4 Max (40 GPU)Puce Apple
    83,1jetons/slecture 886 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 83,06 jetons/s · commit 8e672ef · macOS (Metal)

  9. Apple M1 Ultra (48 GPU)Puce Apple
    74,9jetons/slecture 772 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 74,93 jetons/s · commit 8e672ef · macOS (Metal)

  10. Apple M4 Max (32 GPU)Puce Apple
    70,0jetons/slecture 714 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 69,95 jetons/s · commit 8e672ef · macOS (Metal)

  11. Apple M5 Pro (20 GPU)Puce Apple64 Go
    66,3jetons/slecture 1 621 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 66,33 jetons/s · commit c1d0e7a · macOS (Metal)

  12. Apple M3 Max (40 GPU)Puce Apple
    66,3jetons/slecture 760 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 66,31 jetons/s · commit 8e672ef · macOS (Metal)

  13. Apple M2 Max (38 GPU)Puce Apple32 Go
    63,9jetons/slecture 669 jetons/s
    4 mesures publiées, la médiane au-dessus
  14. Apple M5 Pro (16 GPU)Puce Apple24 Go
    63,8jetons/slecture 1 238 jetons/s
    4 mesures publiées, la médiane au-dessus
  15. Apple M1 Max (32 GPU)Puce Apple64 Go
    61,2jetons/slecture 530 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 61,19 jetons/s · commit 8e672ef · macOS (Metal)

  16. Apple M2 Max (30 GPU)Puce Apple
    61,0jetons/slecture 538 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 60,99 jetons/s · commit 8e672ef · macOS (Metal)

  17. Apple M3 Max (30 GPU)Puce Apple
    56,6jetons/slecture 568 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 56,58 jetons/s · commit 8e672ef · macOS (Metal)

  18. Apple M1 Max (24 GPU)Puce Apple
    54,6jetons/slecture 400 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 54,61 jetons/s · commit 8e672ef · macOS (Metal)

  19. Apple M4 Pro (20 GPU)Puce Apple
    50,7jetons/slecture 440 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 50,74 jetons/s · commit 8e672ef · macOS (Metal)

  20. Apple M4 Pro (16 GPU)Puce Apple
    49,6jetons/slecture 364 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 49,64 jetons/s · commit 8e672ef · macOS (Metal)

  21. Apple M2 Pro (19 GPU)Puce Apple
    38,9jetons/slecture 341 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 38,86 jetons/s · commit 8e672ef · macOS (Metal)

  22. Apple M2 Pro (16 GPU)Puce Apple
    37,9jetons/slecture 294 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 37,87 jetons/s · commit 8e672ef · macOS (Metal)

  23. Apple M1 Pro (16 GPU)Puce Apple
    36,4jetons/slecture 266 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 36,41 jetons/s · commit 8e672ef · macOS (Metal)

  24. Apple M6 (8 GPU)Puce Apple32 Go
    35,7jetons/slecture 989 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 35,74 jetons/s · commit c1d0e7a · macOS (Metal)

  25. Apple M1 Pro (14 GPU)Puce Apple
    35,5jetons/slecture 233 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 35,52 jetons/s · commit 8e672ef · macOS (Metal)

  26. Apple M5 (10 GPU)Puce Apple16 Go
    31,9jetons/slecture 723 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 31,88 jetons/s · commit c1d0e7a · macOS (Metal)

  27. Apple M3 Pro (18 GPU)Puce Apple
    30,7jetons/slecture 342 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 30,74 jetons/s · commit 8e672ef · macOS (Metal)

  28. Apple M3 Pro (14 GPU)Puce Apple
    30,6jetons/slecture 269 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 30,65 jetons/s · commit 8e672ef · macOS (Metal)

  29. Apple M4 (10 GPU)Puce Apple32 Go
    24,1jetons/slecture 221 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 24,11 jetons/s · commit 8e672ef · macOS (Metal)

  30. Apple M2 (10 GPU)Puce Apple24 Go
    21,9jetons/slecture 180 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 21,91 jetons/s · commit 8e672ef · macOS (Metal)

  31. Apple M2 (8 GPU)Puce Apple
    21,7jetons/slecture 146 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 21,7 jetons/s · commit 8e672ef · macOS (Metal)

  32. Apple M3 (10 GPU)Puce Apple
    21,3jetons/slecture 187 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 21,34 jetons/s · commit 8e672ef · macOS (Metal)

  33. Apple M1 (7 GPU)Puce Apple
    14,2jetons/slecture 108 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 14,19 jetons/s · commit 8e672ef · macOS (Metal)

  34. Apple M1 (8 GPU)Puce Apple
    14,2jetons/slecture 118 jetons/s

    Source : GitHub · llama.cpp · discussion 4167 14,15 jetons/s · commit 8e672ef · macOS (Metal)

CUDA · NVIDIA

CUDA est le moteur des cartes NVIDIA et du DGX Spark.

  1. RTX 5090Carte de référence32 Go
    247jetons/slecture 14 413 jetons/s
    6 mesures publiées, la médiane au-dessus
  2. RTX 4090Carte de référence24 Go
    188jetons/slecture 13 382 jetons/s
    2 mesures publiées, la médiane au-dessus
  3. RTX 5080Carte de référence16 Go
    183jetons/slecture 8 893 jetons/s
    4 mesures publiées, la médiane au-dessus
  4. RTX 5070 TiCarte de référence16 Go
    180jetons/slecture 7 686 jetons/s
    2 mesures publiées, la médiane au-dessus
  5. RTX 3090Carte de référence24 Go
    157jetons/slecture 5 290 jetons/s
    8 mesures publiées, la médiane au-dessus
  6. RTX 4080 SuperCarte de référence16 Go
    148jetons/slecture 8 782 jetons/s
    2 mesures publiées, la médiane au-dessus
  7. RTX 3080Carte de référence10 Go
    140jetons/slecture 5 292 jetons/s
    2 mesures publiées, la médiane au-dessus
  8. RTX 4070 Ti SuperCarte de référence16 Go
    133jetons/slecture 7 268 jetons/s
    2 mesures publiées, la médiane au-dessus
  9. RTX 5060 TiCarte de référence16 Go
    92,2jetons/slecture 3 966 jetons/s
    2 mesures publiées, la médiane au-dessus
  10. RTX 3060Carte de référence12 Go
    75,6jetons/slecture 2 273 jetons/s
    4 mesures publiées, la médiane au-dessus
  11. DGX Spark (GB10)DGX Spark128 Go
    57,0jetons/slecture 3 362 jetons/s
    2 mesures publiées, la médiane au-dessus

Vulkan · toutes les familles

Vulkan tourne partout : c’est le seul moteur où les puces Apple, le DGX Spark, l’Arc Pro B70 et les cartes graphiques se retrouvent dans le même tableau.

  1. RTX 5090Carte de référence32 Go
    269jetons/slecture 11 089 jetons/s
    2 mesures publiées, la médiane au-dessus
  2. RTX 4090Carte de référence24 Go
    189jetons/slecture 10 141 jetons/s
    2 mesures publiées, la médiane au-dessus
  3. RTX 5080Carte de référence16 Go
    189jetons/slecture 7 750 jetons/s
    2 mesures publiées, la médiane au-dessus
  4. RX 7900 XTXCarte de référence24 Go
    187jetons/slecture 3 808 jetons/s
    2 mesures publiées, la médiane au-dessus
  5. RTX 3090Carte de référence24 Go
    168jetons/slecture 4 933 jetons/s
    2 mesures publiées, la médiane au-dessus
  6. RTX 5070 TiCarte de référence16 Go
    156jetons/slecture 6 891 jetons/s
    2 mesures publiées, la médiane au-dessus
  7. Radeon AI Pro R9700Carte de référence32 Go
    149jetons/slecture 5 759 jetons/s
    2 mesures publiées, la médiane au-dessus
  8. RTX 4080 SuperCarte de référence16 Go
    149jetons/slecture 7 554 jetons/s
    2 mesures publiées, la médiane au-dessus
  9. RTX 3080Carte de référence10 Go
    142jetons/slecture 4 600 jetons/s
    2 mesures publiées, la médiane au-dessus
  10. RX 9070 XTCarte de référence16 Go
    134jetons/slecture 5 042 jetons/s
    2 mesures publiées, la médiane au-dessus
  11. RTX 4070 Ti SuperCarte de référence16 Go
    133jetons/slecture 6 450 jetons/s
    2 mesures publiées, la médiane au-dessus
  12. RX 7900 XTCarte de référence20 Go
    122jetons/slecture 2 821 jetons/s
    2 mesures publiées, la médiane au-dessus
  13. RX 7800 XTCarte de référence16 Go
    122jetons/slecture 2 107 jetons/s
    2 mesures publiées, la médiane au-dessus
  14. Apple M3 UltraPuce Apple512 Go
    116jetons/slecture 1 117 jetons/s

    Source : GitHub · llama.cpp · discussion 10879 115,54 ± 0,78 jetons/s · commit 2d451c8 · MoltenVK

  15. Arc Pro B70Arc Pro B7032 Go
    113jetons/slecture 3 265 jetons/s
    2 mesures publiées, la médiane au-dessus
  16. RTX 5060 TiCarte de référence16 Go
    95,3jetons/slecture 3 687 jetons/s
    2 mesures publiées, la médiane au-dessus
  17. RTX 3060Carte de référence12 Go
    78,3jetons/slecture 1 914 jetons/s
    2 mesures publiées, la médiane au-dessus
  18. Apple M4 MaxPuce Apple
    73,4jetons/slecture 641 jetons/s
    2 mesures publiées, la médiane au-dessus
  19. Arc B580Carte de référence12 Go
    71,1jetons/slecture 520 jetons/s
    2 mesures publiées, la médiane au-dessus
  20. RX 9060 XTCarte de référence16 Go
    70,8jetons/slecture 2 493 jetons/s
    4 mesures publiées, la médiane au-dessus
  21. Arc Pro B60Carte de référence24 Go
    69,5jetons/slecture 399 jetons/s
    2 mesures publiées, la médiane au-dessus
  22. DGX Spark (GB10)DGX Spark128 Go
    59,5jetons/slecture 3 056 jetons/s
    2 mesures publiées, la médiane au-dessus
  23. RX 7600 XTCarte de référence16 Go
    54,6jetons/slecture 933 jetons/s
    2 mesures publiées, la médiane au-dessus
  24. Apple M2 UltraPuce Apple
    35,2jetons/slecture 202 jetons/s
    2 mesures publiées, la médiane au-dessus
  25. Arc B570Carte de référence10 Go
    33,9jetons/slecture 349 jetons/s
    8 mesures publiées, la médiane au-dessus
  26. Apple M3Puce Apple
    26,4jetons/slecture 264 jetons/s

    Source : GitHub · llama.cpp · discussion 10879 26,39 ± 0,14 jetons/s · commit b9ab0a4 · MoltenVK

  27. Apple M2 ProPuce Apple
    21,0jetons/slecture 61 jetons/s
    2 mesures publiées, la médiane au-dessus
  28. Apple M2Puce Apple
    12,9jetons/slecture 49 jetons/s
    2 mesures publiées, la médiane au-dessus
  29. Apple M1Puce Apple
    12,7jetons/slecture 37 jetons/s
    2 mesures publiées, la médiane au-dessus

ROCm · AMD

ROCm est le moteur d’AMD : les Ryzen AI et les cartes Radeon.

  1. RX 7900 XTXCarte de référence24 Go
    133jetons/slecture 3 410 jetons/s
    16 mesures publiées, la médiane au-dessus
  2. RX 9070 XTCarte de référence16 Go
    122jetons/slecture 4 614 jetons/s
    8 mesures publiées, la médiane au-dessus
    • 132,29 ± 0,16 jetons/s à l’écriture · 4919,17 ± 919,04 à la lecturellama.cpp (ROCm) · commit 505b1ed, build 10034 · Fedora 44; kernel 7.1.3-201.fc44.x86_64; amdgpu in-tree; Vulkan 1.4.354; ROCm 7.1.1 · pp512 / tg128; ngl=99; FA=1 · 2026-07-15GitHub · llama.cpp · discussion 15021
    • 132,28 ± 0,12 jetons/s à l’écriture · 4884,70 ± 952,52 à la lecturellama.cpp (ROCm) · commit 505b1ed, build 10034 · Fedora 44; kernel 7.1.3-201.fc44.x86_64; amdgpu in-tree; Vulkan 1.4.354; ROCm 7.1.1 · pp512 / tg128; ngl=99; FA=1 · 2026-07-15GitHub · llama.cpp · discussion 15021
    • 132,03 ± 0,48 jetons/s à l’écriture · 4343,73 ± 1140,65 à la lecturellama.cpp (ROCm) · commit 505b1ed, build 10034 · Fedora 44; kernel 7.1.3-201.fc44.x86_64; amdgpu in-tree; Vulkan 1.4.354; ROCm 7.1.1 · pp512 / tg128; ngl=99; FA=1 · 2026-07-15GitHub · llama.cpp · discussion 15021
    • 122,25 ± 0,29 jetons/s à l’écriture · 4300,05 ± 1016,50 à la lecturellama.cpp (ROCm) · commit 505b1ed, build 10034 · Fedora 44; kernel 7.1.3-201.fc44.x86_64; amdgpu in-tree; Vulkan 1.4.354; ROCm 7.1.1 · pp512 / tg128; ngl=99; FA=1 · 2026-07-15GitHub · llama.cpp · discussion 15021
    • 122,17 ± 0,25 jetons/s à l’écriture · 4294,94 ± 973,80 à la lecturellama.cpp (ROCm) · commit 505b1ed, build 10034 · Fedora 44; kernel 7.1.3-201.fc44.x86_64; amdgpu in-tree; Vulkan 1.4.354; ROCm 7.1.1 · pp512 / tg128; ngl=99; FA=1 · 2026-07-15GitHub · llama.cpp · discussion 15021
    • 121,83 ± 0,22 jetons/s à l’écriture · 4273,35 ± 983,25 à la lecturellama.cpp (ROCm) · commit 505b1ed, build 10034 · Fedora 44; kernel 7.1.3-201.fc44.x86_64; amdgpu in-tree; Vulkan 1.4.354; ROCm 7.1.1 · pp512 / tg128; ngl=99; FA=1 · 2026-07-15GitHub · llama.cpp · discussion 15021
    • 101,27 ± 0,27 jetons/s à l’écriture · 5055,19 ± 109,58 à la lecturellama.cpp (ROCm) · commit 583cb83 · pp512 / tg128; ngl=99; FA=0GitHub · llama.cpp · discussion 15021
    • 97,28 ± 0,13 jetons/s à l’écriture · 4903,51 ± 96,36 à la lecturellama.cpp (ROCm) · commit 583cb83 · pp512 / tg128; ngl=99; FA=1GitHub · llama.cpp · discussion 15021
  3. RX 7900 XTCarte de référence20 Go
    114jetons/slecture 3 131 jetons/s
    4 mesures publiées, la médiane au-dessus
  4. RX 7800 XTCarte de référence16 Go
    96,8jetons/slecture 2 149 jetons/s
    6 mesures publiées, la médiane au-dessus
  5. Radeon AI Pro R9700Carte de référence32 Go
    93,8jetons/slecture 4 444 jetons/s

    Source : GitHub · llama.cpp · discussion 15021 93,84 ± 0,26 jetons/s · commit bd4ef13

  6. RX 9060 XTCarte de référence16 Go
    67,4jetons/slecture 2 060 jetons/s
    4 mesures publiées, la médiane au-dessus
  7. RX 7600 XTCarte de référence16 Go
    50,7jetons/slecture 856 jetons/s
    4 mesures publiées, la médiane au-dessus
  8. Ryzen AI Max+ 395 (Radeon 8060S)Ryzen AI128 Go
    49,9jetons/slecture 957 jetons/s
    2 mesures publiées, la médiane au-dessus
  9. Radeon 8060S (Ryzen AI Max)Ryzen AI
    48,5jetons/slecture 359 jetons/s
    2 mesures publiées, la médiane au-dessus
  10. Radeon 880M (Ryzen AI 300)Ryzen AI
    14,6jetons/slecture 188 jetons/s
    2 mesures publiées, la médiane au-dessus

SYCL · Intel

SYCL est le moteur d’Intel pour ses cartes Arc : on les compare entre elles.

  1. Arc B570Carte de référence10 Go
    74,6jetons/slecture 549 jetons/s
    4 mesures publiées, la médiane au-dessus
    • 76,76 ± 0,06 jetons/s à l’écriture · 412,46 ± 1,13 à la lecturellama.cpp (SYCL) · commit 5aba5364d, build 9456 · Ubuntu 24.04.4; Linux 6.17.0-29-generic · pp512 / tg128; FA=1 · 2026-06-01GitHub · llama.cpp · discussion 23313
    • 76,72 ± 0,07 jetons/s à l’écriture · 685,89 ± 0,31 à la lecturellama.cpp (SYCL) · commit 5aba5364d, build 9456 · Ubuntu 24.04.4; Linux 6.17.0-29-generic · pp512 / tg128; FA=1 · 2026-06-01GitHub · llama.cpp · discussion 23313
    • 72,52 ± 0,12 jetons/s à l’écriture · 1355,95 ± 7,83 à la lecturellama.cpp (SYCL) · commit 5aba5364d, build 9456 · Ubuntu 24.04.4; Linux 6.17.0-29-generic · pp512 / tg128; FA=0 · 2026-06-01GitHub · llama.cpp · discussion 23313
    • 72,48 ± 0,18 jetons/s à l’écriture · 388,77 ± 0,54 à la lecturellama.cpp (SYCL) · commit 5aba5364d, build 9456 · Ubuntu 24.04.4; Linux 6.17.0-29-generic · pp512 / tg128; FA=0 · 2026-06-01GitHub · llama.cpp · discussion 23313
  2. Arc B580Carte de référence12 Go
    73,8jetons/slecture 2 064 jetons/s

    Source : GitHub · llama.cpp · discussion 23313 73,76 ± 0,13 jetons/s · commit c6e408837, build 9368 · Ubuntu 25.10

Comment lire ces chiffres

  • Ces chiffres ne sont pas les nôtres : des personnes les ont publiés, chacun est donné avec son lien.
  • Une vitesse dépend du moteur (Metal, CUDA, Vulkan, ROCm, SYCL) et de sa version : on compare à moteur égal, jamais d'un moteur à l'autre.
  • Les puces Apple sont nommées par leur puce (avec son nombre de cœurs GPU quand la source le donne), pas par le modèle de Mac.
  • La génération (tg128) dit à quelle vitesse la machine écrit la réponse ; la lecture (pp512) dit à quelle vitesse elle lit la question.

Ce qu’un chiffre ne dit pas

Une vitesse publiée ne dit ni la qualité des réponses, ni la mémoire qu’il faut pour vos documents, ni le bruit de la machine. Pour choisir, on essaie votre tâche réelle sur la machine prévue, avec plusieurs personnes et un document long.

UN ESPACE, VOTRE CHOIX

Tout l’écosystème Saphan

Votre Phan travaille avec le modèle que vous choisissez : sur votre machine, ou chez le fournisseur de votre choix.

Votre Phan rejoint Saphan Link, puis votre modèle local, vos clés API ou OpenRouter.Votre Phanvotre espace de travail,fait pour vousSaphan Linkil prend la routeque vous choisissezVotre modèle localsur votre machine ;vos données restent chez vousVos clés APIOpenAI, Anthropic, Google, Mistral,xAI, Moonshot, Alibaba, DeepSeekpayées au fournisseur, à l’usageOpenRouterde nombreux modèlesavec une seule cléVotre Phan rejoint Saphan Link, puis votre modèle local, vos clés API ou OpenRouter.Votre Phanvotre espace de travail,fait pour vousSaphan Linkil prend la routeque vous choisissezVotre modèle localsur votre machine ;vos données restent chez vousVos clés APIOpenAI, Anthropic, Google, Mistral,xAI, Moonshot, Alibaba, DeepSeekpayées au fournisseur, à l’usageOpenRouterde nombreux modèlesavec une seule clé
  • Votre Phan : votre espace de travail, fait pour vous.
  • Saphan Link prend la route que vous choisissez.
  • Votre modèle local : sur votre machine ; vos données restent chez vous.
  • Vos clés API : OpenAI, Anthropic, Google, Mistral, xAI, Moonshot, Alibaba, DeepSeek ; payées au fournisseur, à l’usage.
  • OpenRouter : de nombreux modèles avec une seule clé.

Vous avez déjà un abonnement à ChatGPT, Claude, Grok ou Kimi ? Vous le gardez, dans les outils que chaque fournisseur autorise.

Sources : documentations des fournisseurs, lues le 5 octobre 2026.

PARTIR DE CE QUE VOUS AVEZ

Votre machine : la garder, ou une neuve

Votre machine actuelle suffit souvent : nous la gardons, nous l’entretenons et nous la réglons pour votre modèle.

Pour une machine neuve, vous achetez vous-même les pièces, au prix du revendeur que vous choisissez ; leur garantie, en général deux ans, reste à votre nom. Nous facturons le montage et le réglage.

Sur une machine ancienne, une réparation coûte vite plus que la pièce neuve : en Suisse, une heure d’atelier se facture souvent entre 120 et 180 francs.

Le montage se fait chez nous ou chez un partenaire de Suisse romande.

Étudier votre matériel et vos usages ↗Choisir la machine pour votre charge réelle

PARLONS DE VOTRE BESOIN

Demandez votre machine

Dites-nous ce que vous voulez faire : nous vous proposons une machine, ou le réglage de la vôtre. Nous vous répondons par le moyen que vous choisissez.

Les champs marqués d’un astérisque (*) sont nécessaires. Ne transmettez ni mot de passe, ni clé d’accès, ni données de clients ou documents confidentiels.

Votre travail, votre machine

par exemple : répondre aux mails, rédiger des devis, résumer des documents, écrire du code

par exemple Qwen, Llama ou Mistral ; « je ne sais pas encore » convient très bien

par exemple Outlook, Excel, Bexio, votre logiciel métier

marque, processeur, carte graphique, mémoire : ce que vous en savez

Vous recontacter

Choisissez comment nous vous répondons, puis laissez le contact qui va avec. Ces coordonnées servent seulement à répondre à cette demande et à préparer la suite avec vous.

Comment vous répondre *

Par e-mail, laissez votre adresse ; par téléphone ou WhatsApp, votre numéro. C’est nous qui vous répondons.

Nécessaire pour une réponse par e-mail.

Nécessaire pour une réponse par téléphone ou WhatsApp.

Pas d’inscription à une newsletter. Comment sont traitées vos informations.

Cet envoi ne vaut ni commande ni engagement financier.