Windows Event Viewer affiche huit mille entrées avant le déjeuner et cache celle qui compte. Il en va de même pour un flux syslog sur une boîte Linux, une pile docker compose qui enregistre sur stdout et un namespace Kubernetes qui pousse des blobs JSON vers stern. Le signal y est. Les humains le manquent. Les modèles de langage, avec une fenêtre de contexte suffisamment grande, ne le font pas. C’est le changement derrière les meilleures applications d’analyse de logs par IA sur desktop : coller un bloc de cinq mille lignes dans Claude ou canaliser une queue kubectl logs vers un modèle Ollama local révèle le service défaillant, le pointeur nul, la tempête de tentatives, la règle de pare-feu mal configurée, en secondes. Nous avons testé huit outils qui rendent ce workflow pratique sur Windows, Mac et Linux, du simple collage dans une fenêtre de chat à une pile d’observabilité complète avec un LLM en haut du pipeline de métriques.
Ce qu'il faut chercher dans une application d'analyse de logs par IA
Une fenêtre de chat et une copie-colle fonctionnelle sont techniquement suffisantes. Les outils qui valent la peine d’être utilisés vont plus loin :
- Ingestion en masse. Glissez un dossier de fichiers
.logou une exportation.evtx. Tout ce qui est en dessous de cent mégaoctets ne devrait pas nécessiter de fragmentage manuel. - Queue de streaming. Pipe live de
journalctl -foukubectl logs -f. Le LLM maintient un résumé roulant à mesure que de nouvelles lignes arrivent. - Longueur de contexte. Une fenêtre d’un million de tokens gère une semaine de syslog. Tout ce qui est en dessous de 128k signifie fragmentage manuel.
- Redaction secrète. Les clés API, JWT et mots de passe doivent être supprimés avant que la charge utile ne quitte la machine.
- Local vs cloud. Les logs d’infrastructure sensibles ne peuvent souvent pas aller vers un modèle hébergé. Un chemin Ollama ou LM Studio fonctionnel importe.
- Intégration. Des crochets vers Datadog, Grafana, Loki, Splunk ou CloudWatch afin que le LLM voie les mêmes données que le responsable d’astreinte.
Comparaison rapide
| Application | Meilleur pour | Plateformes | Plan gratuit | Prix de départ/mois | Note |
|---|---|---|---|---|---|
| Claude Desktop | Dumps de logs profonds et canalisation MCP | Windows, Mac | Oui | $20 | 4.7 |
| Ollama | Analyse hors ligne, sur appareil | Windows, Mac, Linux | Oui | Gratuit | 4.6 |
| Logdy | Queue de logs auto-hébergée avec plugin LLM | Windows, Mac, Linux | Oui | Gratuit | 4.5 |
| ChatGPT Desktop | Téléchargement de fichiers et triage occasionnel | Windows, Mac | Oui | $20 | 4.6 |
| Cursor | Queueing natif IDE avec agent inline | Windows, Mac, Linux | Oui | $20 | 4.7 |
| Datadog Bits AI | Observabilité d’entreprise avec LLM en haut | Web, Mac, Windows | Essai uniquement | $15 par hôte | 4.4 |
| New Relic AI | LLM piloté par requête sur les logs d’infrastructure | Web, Mac, Windows | 100 GB gratuit | Basé sur l’usage | 4.3 |
| k9s | Inspection des logs Kubernetes avec plugins IA | Windows, Mac, Linux | Oui | Gratuit | 4.8 |
Les applications
1. Claude Desktop, meilleur pour les dumps de logs profonds et la canalisation MCP
Claude Desktop est le workflow auquel nous revenons sans cesse pour l’analyse de logs par IA. Collez un bloc de deux cent mille lignes dans un nouveau chat et Claude classe les anomalies, les groupe par source et pointe vers l’horodatage où le motif se brise. Le Model Context Protocol le rend plus intéressant : un serveur de système de fichiers MCP permet à Claude de lire les fichiers log directement depuis le disque, et des serveurs MCP communautaires existent pour les queues de journaux systemd, les conteneurs Docker et les pods Kubernetes. Le résultat n’est pas un résumé prédéfini, il nomme le binaire défaillant et cite la ligne exacte.
Où cela fait défaut : Pas de queue de streaming native sans MCP. Le tier gratuit atteint un plafond lors de longues sessions pleines de collages.
Prix :
- Gratuit : utilisation légère, contexte limité par session
- Payant : Pro à $20 par mois, Team à $30 par siège, Max à $100 ou $200 par mois
Plateformes : Windows, Mac (web sur Linux)
Télécharger : Anthropic
Conclusion : Le meilleur choix pour quiconque veut coller des logs bruts et obtenir des réponses utiles sans configuration d’infrastructure, surtout avec des serveurs MCP en jeu.
2. Ollama, meilleur pour l'analyse hors ligne, sur appareil
Ollama est la réponse quand les logs ne peuvent pas quitter la machine. Installez une fois, tirez un modèle comme llama3.1:70b ou qwen2.5:32b, et canalisez le contenu du log sur la CLI : cat /var/log/syslog | ollama run llama3.1 "find anomalies". Tout s’exécute localement, rien ne frappe une API hébergée, et le même modèle fonctionne sur un Mac avec Apple Silicon, une boîte Windows avec GPU ou un serveur Linux sans rien d’autre que du CPU si le modèle est assez petit.
Où cela fait défaut : La qualité baisse fortement en dessous de 32 milliards de paramètres. Les modèles rapides sur matériel grand public manquent ce qu’un Claude ou GPT hébergé attraperait.
Prix :
- Gratuit : entièrement
- Payant : aucun
Plateformes : Windows, Mac, Linux
Télécharger : Ollama
Conclusion : La seule option réaliste pour les environnements réglementés, et le moyen le plus rapide de tester un workflow d’analyse de logs par IA avant de le connecter à la production.
3. Logdy, meilleur pour la queue de logs auto-hébergée avec plugin LLM
Logdy est un unique binaire Go qui rend tout flux de logs dans une interface de navigateur avec filtrage, horodatages et analyse de colonnes. Les versions récentes incluent un plugin LLM : pointez-le vers Claude, GPT ou un endpoint Ollama local et Logdy envoie la vue filtrée pour résumé à la demande. Utile pour un labo maison où le serveur syslog se trouve sur un Pi et l’analyse se fait depuis un ordinateur portable à travers le LAN.
Où cela fait défaut : La configuration est d’abord CLI. Pas de tableaux de bord polis, pas d’alertes.
Prix :
- Gratuit : entièrement, licence MIT
- Payant : aucun
Plateformes : Windows, Mac, Linux
Télécharger : Logdy
Conclusion : Le bon choix pour une configuration auto-hébergée où l’objectif est une queue live avec un LLM à une touche, pas une plateforme d’observabilité complète.
4. ChatGPT Desktop, meilleur pour le téléchargement de fichiers et le triage occasionnel
ChatGPT Desktop est le concurrent le plus proche de Claude pour coller un bloc de log et demander ce qui s’est cassé. Glissez une exportation .evtx, un bundle de logs Docker ou un simple fichier .txt dans le compositeur et GPT le lit avec l’interpréteur de code. Le modèle par défaut est assez bon pour une première tentative, et les modèles de raisonnement plus récents attrapent les motifs subtils que le résumé au niveau de la surface manque.
Où cela fait défaut : La fenêtre de contexte traîne toujours derrière Claude sur les longs dumps simples. Les téléchargements concurrencent les limites du tier gratuit.
Prix :
- Gratuit : avec limitations de débit
- Payant : Plus à $20 par mois, Pro à $200
Plateformes : Windows, Mac (web sur Linux)
Télécharger : OpenAI
Conclusion : Une alternative solide si l’équipe vit déjà dans l’écosystème OpenAI, et l’UX du glissé-déposé de fichiers est meilleure que la plupart pour un triage unique.
5. Cursor, meilleur pour le queueing natif IDE avec agent inline
Cursor place un agent de codage dans la même fenêtre où le fichier log est ouvert. Glissez une queue syslog dans un volet, demandez à l’agent d’expliquer l’échec, et il peut faire référence croisée à la source du binaire défaillant si le repo est dans l’espace de travail. Cette combinaison est uniquement utile lors du débogage d’un service s’exécutant localement : le LLM voit à la fois l’échec et le code qui l’a produit.
Où cela fait défaut : Pas construit pour l’analyse de logs en premier lieu, et fonctionne mieux quand le code est juste là. Payer pour juste les logs est difficile à justifier.
Prix :
- Gratuit : Plan Hobby
- Payant : Pro à $20 par mois, Business à $40 par siège
Plateformes : Windows, Mac, Linux
Télécharger : Cursor
Conclusion : Idéal pour les développeurs qui veulent la queue de logs, l’arborescence source et l’agent dans une fenêtre lors du débogage d’un service local.
6. Datadog Bits AI, meilleur pour l'observabilité d'entreprise avec LLM en haut
Datadog Bits AI se situe en haut des mêmes logs, métriques et traces Datadog qu’un SRE recueille déjà et répond aux questions en langage naturel : “pourquoi checkout p95 a bondi à 03:14 UTC”, “quel hôte produit la tempête de tentatives”, “corrélez ces entrées ERROR avec la chronologie du déploiement”. La valeur n’est pas le LLM lui-même, c’est le LLM avec le contexte de signal croisé que la plupart des équipes paient déjà Datadog pour collecter.
Où cela fait défaut : N’a du sens qu’à l’échelle de Datadog, au prix par hôte et par volume de logs ingérés. Bits AI est une fonctionnalité superposée, pas vendue seule.
Prix :
- Gratuit : essai de 14 jours
- Payant : Infrastructure à partir de $15 par hôte par mois, gestion des logs à partir de $0.10 par GB ingéré, utilisation de Bits AI en haut
Plateformes : Web, Mac et Windows desktop
Télécharger : Datadog
Conclusion : Le bon choix pour les équipes déjà sur Datadog qui veulent transformer les heures de regard sur les tableaux de bord en une conversation de cinq minutes.
7. New Relic AI, meilleur pour le LLM piloté par requête sur les logs d'infrastructure
New Relic AI reprend la même idée que Datadog Bits AI mais permet au LLM d’écrire des requêtes NRQL contre les logs et métriques ingérés. Posez une question sur un pic, et l’agent exécute la requête, lit le résultat et itère. Le tier gratuit est généreux selon les normes d’observabilité : 100 GB par mois de données ingérées sans frais, ce qui est suffisant pour une petite pile auto-hébergée.
Où cela fait défaut : Le plafond gratuit de 100 GB baisse rapidement dans un environnement de production. Les dépassements d’ingestion deviennent chers.
Prix :
- Gratuit : 100 GB ingérés par mois, un utilisateur complet
- Payant : basé sur l’usage en GB ingérés et en sièges d’utilisateurs complets
Plateformes : Web, Mac et Windows desktop
Télécharger : New Relic
Conclusion : Un vrai tier gratuit pour un labo maison ou une petite équipe, et l’agent d’abord NRQL est le plus proche d’un analyste SQL pour les données d’infrastructure.
8. k9s, meilleur pour l'inspection des logs Kubernetes avec plugins IA
k9s est l’interface de terminal que la plupart des administrateurs Kubernetes utilisent déjà pour parcourir les pods, les déploiements et les logs. Le système de plugins couvre maintenant les assistants IA : k9s-plugins pour GPT, les plugins communautaires pour Claude et les endpoints Ollama locaux pour les clusters hors ligne. Liez une touche, taillez un pod, appuyez sur la touche, et le LLM explique l’échec dans le même TUI, pas de changement de contexte.
Où cela fait défaut : Kubernetes uniquement. Les plugins IA sont maintenus par la communauté, pas de SLA du fournisseur.
Prix :
- Gratuit : entièrement, Apache 2.0
- Payant : aucun
Plateformes : Windows, Mac, Linux
Télécharger : k9s
Conclusion : Le TUI par défaut pour les administrateurs Kubernetes, maintenant avec un raccourci LLM pour le volet logs. Si la charge de travail est sur Kubernetes, c’est là que l’IA appartient.
Comment choisir le bon
Le bon outil d’analyse de logs par IA dépend de l’échelle et de la sensibilité des logs.
- Si nous exécutons un seul PC Windows et voulons savoir ce que l’Event Viewer dit réellement, Claude Desktop avec un serveur de système de fichiers MCP d’une portée de dossier est la réponse complète.
- Si nous développons sur un Mac et déboguons des services locaux, Cursor garde le log et la source dans une fenêtre et l’agent peut sauter entre les deux.
- Si nous administrons un cluster Kubernetes, k9s avec un plugin LLM attrape les échecs dans le même TUI où nous vivons déjà.
- Si les logs contiennent PHI, des données PCI ou tout ce qui ne peut pas quitter le réseau, Ollama avec un modèle de 32 milliards de paramètres ou plus grand est la seule option sérieuse.
- Si l’équipe paie déjà Datadog ou New Relic, utilisez l’IA intégrée. La valeur réside dans le contexte de signal croisé, pas dans le modèle lui-même.
- Si nous exécutons un serveur syslog de labo maison, Logdy est le chemin auto-hébergé le plus léger vers une queue live avec un LLM à la demande.
FAQ
Quel est le meilleur outil d'analyse de logs par IA gratuit ?
Ollama est le meilleur outil gratuit pour l’analyse privée car tout s’exécute sur l’appareil. Pour l’analyse hébergée, Claude et ChatGPT offrent tous deux des tiers gratuits qui gèrent les dumps de logs occasionnels. Logdy et k9s sont gratuits à jamais et acheminent vers un LLM payant ou un endpoint Ollama local de votre choix.
Puis-je coller des logs sensibles dans Claude ou ChatGPT ?
Les plans d’entreprise chez Claude et ChatGPT ne s’entraînent pas sur les données soumises et offrent une rétention à jour zéro sur les appels API. Pour tout ce qui est dans le champ d’application réglementaire, la réponse plus sûre est un modèle local via Ollama ou LM Studio pour que les logs ne quittent jamais la machine. Masquez les secrets et les tokens d’accès avant de coller de toute façon.
Quelle taille de fichier log Claude peut-il lire en un seul coup ?
La fenêtre de contexte actuelle de Claude couvre environ un million de tokens, ce qui représente environ cinq mégaoctets de texte brut ou deux à trois jours de sortie syslog typique. Les exécutions plus longues nécessitent une fragmentation. Pour les dumps au-delà de cette limite, divisez par source ou par fenêtre de temps et résumez chaque chunk avant de poser des questions inter-chunks.
Y a-t-il un outil IA qui lit Windows Event Viewer directement ?
Rien sur le marché n’ouvre un fichier .evtx nativement encore. Le workflow qui fonctionne est d’exporter une vue filtrée d’Event Viewer en XML ou CSV, de déposer le fichier dans Claude ou ChatGPT Desktop, et de demander au modèle de classer les anomalies. Un serveur de système de fichiers MCP pointant vers le dossier exporté rend la boucle plus rapide.
Ces outils fonctionnent-ils sous Linux ?
Ollama, Cursor, Logdy et k9s ont tous des builds Linux de première classe. Claude Desktop et ChatGPT Desktop livrent actuellement des applications natives pour Windows et Mac uniquement, bien que les deux soient utilisables depuis un navigateur sur Linux. Datadog et New Relic sont web-first, donc le support Linux n’est pas un facteur.
Quelle application attrape le plus dans les logs Kubernetes ?
k9s avec un plugin Claude ou GPT attrape le plus dans un incident d’envergure de pod car il fonctionne sur la queue exacte que l’administrateur lit déjà. Pour la corrélation à l’échelle du cluster entre les pods, les déploiements et les événements, Datadog Bits AI ou New Relic AI sont plus forts car ils voient les métriques aux côtés des logs.
