Le problème du k-anonymat introduit par Samarati et Sweeney en 1998 consiste à garantir qu'il est impossible de distinguer les données d'un individu d'au moins (k − 1) autres présents dans la même base de données. Cependant, les procédés utilisés pour rendre les bases de données k-anonymes doivent modifier les données de la base, rendant celles-ci moins précises par un procédé de généralisation des données stockées. Il engendre ainsi des pertes d'information qui sont générées pendant le processus de généralisation. Plusieurs solutions ont émergé pour la résolution de ce problème parmi lesquelles celle de Mauger, Le Mahec et Dequen, qui ont proposé un algorithme de k-anonymat de complexité quadratique en temps, donnant de bons résultats tout en minimisant les pertes d'informations à l'aide de métriques. Leur solution, bien que satisfaisante, est très coûteuse en temps de calcul et donc limitée dans son exploitation lorsque la taille des données est grande. Le parallélisme est la meilleure façon de remédier à ce problème de performance. Plusieurs modèles de calcul parallèles permettent de concevoir des algorithmes parallèles comme le modèle CGM (Coarse-Grained Multicomputer), qui permet la conception d'algorithmes efficaces et portables. Dans le présent article, nous proposons deux heuristiques parallèles sur le modèle CGM pour minimiser le temps de calcul pendant le processus de k-anonymat. Le premier nommé PSKawMO (Parallel Search Kanonymization with Metric Optimization) et le second nommé PReKawMO (Parallel Reorganized K-anonymization with Metric Optimization) ont respectivement des accélérations théoriques de l'ordre du nombre de processeurs et le carré du nombre de processeurs. Les résultats sur le dataset Adult et la plateforme Matrics ont montré que l'algorithme PSKawMO est 4 fois plus rapide tandis que l'algorithme PReKawMO est 1000 fois plus rapide que l'algorithme séquentiel sur 50 processeurs.