Le 27 janvier 2025, un laboratoire chinois dont la plupart des investisseurs ignoraient l’existence a fait s’évaporer 589 milliards de dollars de capitalisation de Nvidia en une seule séance. Plus forte baisse journalière de l’histoire de Wall Street. L’élément déclencheur s’appelle DeepSeek, et son « crime » est son ouverture.
Même le Bitcoin (BTC) a vacillé, le marché intégrant une idée simple : l’IA de pointe n’appartient plus à une poignée de laboratoires fermés.
Points clés
- Les modèles à poids ouverts publient leurs paramètres entraînés pour que chacun puisse les télécharger, les exécuter et les adapter, à la différence du véritable open source qui inclut aussi le code d’entraînement et des informations détaillées sur les données.
- L’écart de performance mesuré entre les meilleurs modèles ouverts et fermés sur les classements publics est passé d’environ 8 % à moins de 2 % en un an, tandis que les prix d’inférence se sont effondrés par centaines de fois.
- Des coûts de déploiement dérisoires, l’agenda de souveraineté nationale, une régulation plus clémente et un vaste écosystème de développeurs donnent désormais aux poids ouverts un véritable élan face aux acteurs 100 % API.
Ce que signifie réellement « poids ouverts »
Le terme est souvent utilisé à tort et à travers, d’où l’importance de la précision. Un modèle à poids ouverts, c’est un développeur qui publie les paramètres finaux d’un réseau de neurones entraîné, ces chiffres qui encapsulent ce que le modèle a appris. Vous pouvez les télécharger, les exécuter sur votre propre matériel et les affiner.
Les poids ouverts ne sont pas synonymes d’open source. L’Open Source Initiative a publié le 28 octobre 2024 sa définition de l’« Open Source AI », qui fixe une barre bien plus haute. Pour y prétendre, une publication doit inclure les poids, le code d’entraînement et suffisamment d’informations sur les données pour qu’une personne compétente puisse recréer substantiellement le système.
La plupart des modèles aujourd’hui présentés comme open source ne remplissent pas ce cahier des charges. Llama de Meta, Qwen d’Alibaba ou DeepSeek fournissent les poids, mais pas la recette complète des données.
L’Open Source Initiative est très claire sur cette différence, en soulignant que les seuls poids ouverts ne garantissent pas les libertés associées au logiciel open source. Cet écart alimente une polémique récurrente sur l’« open washing », quand des entreprises revendiquent l’ouverture tout en conservant les éléments nécessaires à la reproductibilité intégrale.
Pour la plupart des bâtisseurs, ce sont pourtant bien les poids qui comptent. Avec eux, vous pouvez servir un modèle, le compresser, le réentraîner, l’intégrer dans un produit. Concrètement, chaque catégorie correspond à un niveau de transfert différent :
- Poids ouverts : les paramètres entraînés, généralement sous licence permettant l’usage, la modification et souvent l’exploitation commerciale.
- Open source complet : les poids, le code d’entraînement et une documentation suffisante sur les données pour reconstruire le modèle.
- Fermé : rien de téléchargeable, un accès au compte-gouttes via une interface facturée à l’usage.
C’est cette catégorie intermédiaire qui explose, et c’est elle qui empêche les grands laboratoires fermés de dormir.
À lire aussi : Nvidia recule de près de 5 % sur une garantie OpenAI de 250 Md$ qui n’est pas encore signée
En quoi cela diffère de la stratégie d’OpenAI et Anthropic
OpenAI et Anthropic jouent la partition inverse. Leurs meilleurs modèles restent confinés dans leurs data centers ; l’accès se fait exclusivement via API. Vous envoyez un prompt, vous recevez une réponse, sans jamais toucher au modèle lui-même.
Ce choix répond à une logique économique : il protège l’investissement d’entraînement, assure une facturation récurrente et permet au laboratoire de corriger le comportement ou de couper l’accès à tout moment.
Les deux groupes invoquent aussi la sécurité. Le directeur général d’Anthropic, Dario Amodei, soutient qu’une fois les poids publics, le développeur perd toute capacité à renforcer les garde-fous ou à retirer un système jugé dangereux.
Le problème, c’est la dépendance.
Quand le modèle ne vit que sur les serveurs d’un tiers, c’est le fournisseur qui fixe le prix, garantit (ou non) la disponibilité, rédige les clauses de données et décide quand une version sera obsolète. Votre produit repose sur une infrastructure que vous ne contrôlez pas et que vous ne pouvez pas auditer.
Malgré des années de plaidoyer pour la recherche ouverte, OpenAI n’avait plus publié de grand modèle de langage ouvert depuis GPT‑2 en 2019, jusqu’au 5 août 2025. Ses deux modèles gpt‑oss, lancés sous licence permissive Apache 2.0, sonnent comme une concession directe à la pression exercée par les poids ouverts. L’entreprise qui a bâti le business des API fermées a dû répondre au camp de l’ouverture sur son propre terrain.
À lire aussi : OpenAI sollicite 250 Md$ de crédit Nvidia pour son gigantesque campus dans l’Ohio
Dix raisons pour lesquelles les poids ouverts menacent le modèle centralisé
Rien de tout cela ne garantit une victoire totale des poids ouverts. La frontière technologique reste aux mains des grands laboratoires, et les risques sont bien réels. Mais la tendance est claire depuis trois ans, et elle va à l’encontre du modèle fermé et facturé à l’appel.
Ce qui a changé, c’est que les arguments pour payer une prime afin de « louer » une boîte noire perdent en substance. La convergence est à la fois technique, économique et politique.
Voici dix raisons pour lesquelles l’équilibre s’est déplacé.
L’écart de qualité s’est presque évaporé
Le fait central, c’est la convergence. L’AI Index 2025 de Stanford a observé que l’écart de score entre le meilleur modèle fermé et le meilleur modèle ouvert sur le classement Chatbot Arena est passé de 8 % en janvier 2024 à 1,7 % en février 2025.
La frontière s’est aussi densifiée. L’écart entre le premier et le dixième modèle du classement s’est réduit de 11,9 % à 5,4 % en un an.
Quand la deuxième meilleure option coûte une fraction du prix de la première, la prime accordée à l’accès fermé devient difficile à défendre. C’est un problème de tarification pour quiconque fonde son business sur l’exclusivité.
Le prix de l’intelligence s’est effondré
Les coûts ont chuté encore plus vite que l’écart de qualité. En s’appuyant sur les données d’Epoch AI et d’Artificial Analysis, l’AI Index rapporte que le coût d’une requête de niveau GPT‑3.5 est passé d’environ 20 dollars par million de tokens en novembre 2022 à 0,07 dollar en octobre 2024.
Soit une baisse d’environ un facteur 280 en moins de deux ans.
DeepSeek pousse cette logique jusque dans l’entraînement. Son rapport technique V3 revendique un run final à environ 5,6 millions de dollars sur 2 048 GPU Nvidia H800, contre des dizaines voire centaines de millions de dollars pour des modèles occidentaux comparables. L’intelligence à bas coût favorise celui qui la déploie massivement, pas celui qui la garde derrière un péage.
Vous possédez le modèle
Louer un modèle fermé, c’est accepter les règles du bailleur. Le fournisseur peut augmenter les tarifs, modifier les conditions ou retirer la version sur laquelle repose votre produit.
Détenir les poids change le rapport de force. Vous pouvez figer une version, la faire tourner des années et changer de prestataire sans réécrire toute votre pile logicielle.
Le verrouillage fournisseur n’est pas une abstraction : il se manifeste par des coûts de migration, des transitions forcées et des grilles tarifaires non négociables. La propriété des poids désamorce ces risques, point par point :
- Figer une version de modèle et la garder stable aussi longtemps que nécessaire.
- Passer d’un cloud à l’autre, ou revenir on-premise, sans réarchitecture majeure.
- Échapper aux dépréciations surprises qui cassent un produit en production du jour au lendemain.
Même les licences ouvertes généreuses comportent des subtilités. Les conditions de Llama exigent de toute entreprise dépassant 700 millions d’utilisateurs mensuels actifs de négocier un accord séparé, raison pour laquelle les puristes refusent de qualifier Llama d’open source.
Confidentialité et souveraineté des données
Certaines données ne peuvent légalement pas sortir de leur périmètre. Hôpitaux, banques, administrations n’ont pas le droit d’envoyer des informations sensibles vers une API tierce.
Les poids ouverts répondent à cette contrainte en déplaçant le modèle vers la donnée. Vous pouvez exécuter l’inférence sur site ou dans un cloud privé, sans qu’aucune information sensible ne franchisse une frontière de prestataire.
Cette seule caractéristique ouvre des portes que les API fermées ne peuvent pas franchir. Dans les environnements régulés, le contrôle on-premise devient souvent le critère décisif.
Les États bâtissent leurs propres modèles
L’angoisse de dépendance technologique est devenue mondiale. Les gouvernements voient de plus en plus la dépendance à quelques API américaines ou chinoises comme un risque stratégique.
Le 2 septembre 2025, l’EPFL, l’ETH Zurich et le Centre national suisse de calcul intensif ont présenté Apertus, un modèle entièrement ouvert entraîné sur 15 000 milliards de tokens couvrant plus de 1 000 langues. À Abu Dhabi, le Technology Innovation Institute pousse depuis 2023 sa famille ouverte Falcon, et d’autres États ont lancé leurs propres chantiers nationaux.
Le même schéma se répète :
- La Suisse a publié Apertus avec poids, données et code accessibles à tous.
- Les Émirats arabes unis ont enchaîné les versions de Falcon sous licences permissives.
- La France, l’Inde, le Japon ou la Corée du Sud soutiennent des programmes domestiques de modèles ou d’infrastructures de calcul.
On ne bâtit pas une IA souveraine sur un modèle uniquement loué. Les poids ouverts sont une condition préalable, ce qui fait des États des alliés naturels du camp ouvert.
Les régulateurs penchent vers l’ouverture
La politique publique commence aussi à favoriser l’ouverture. Le 23 juillet 2025, la Maison‑Blanche a publié son « America’s AI Action Plan », avec une section intitulée « Encourage Open-Source and Open-Weight AI ».
L’Europe, dans sa structure sinon dans son esprit, suit un axe similaire. L’AI Act européen accorde aux fournisseurs de modèles généralistes gratuits et open source une exemption partielle de certaines obligations de documentation, à condition qu’ils ne soient pas classés « à risque systémique ».
Les incitations pointent désormais vers la publication plutôt que le verrouillage, au moins pour les modèles situés en deçà de la frontière technologique. Quand le principal État de la course à l’IA encourage activement les poids ouverts, le modèle fermé perd son avantage présumé.
L’écosystème développeurs devient un cercle vertueux
L’échelle appelle l’échelle. Hugging Face a atteint 13 millions d’utilisateurs, plus de deux millions de modèles publics et plus de 500 000 jeux de données publics en 2025.
Les courses au téléchargement racontent la même histoire. Meta affirme que Llama a franchi le cap du milliard de téléchargements au 18 mars 2025, contre 650 millions au début décembre 2024, tandis que Qwen d’Alibaba a atteint 700… atteignait plusieurs millions de téléchargements cumulés sur Hugging Face dès janvier 2026 et avait déjà donné naissance à plus de 180 000 dérivés, détrônant Llama comme famille de modèles ouverts la plus clonée au monde.
Chaque fine-tune, chaque adaptateur, chaque quantification développé à partir d’un modèle ouvert renforce son avantage compétitif. Une API fermée ne peut pas capter cet effet cumulatif de la communauté, car personne ne peut bâtir durablement sur un modèle qu’il ne peut pas réellement posséder.
Ça tourne sur votre ordinateur portable
Des poids ouverts, combinés à du matériel grand public, s’assemblent désormais via une chaîne d’outils peu coûteuse. La quantification compresse le modèle en réduisant la précision pour qu’il tienne dans moins de mémoire, tandis que des techniques comme LoRA permettent de l’ajuster sans le réentraîner de bout en bout.
Les runtimes locaux ont fait basculer cela dans le grand public. Ollama, llama.cpp et vLLM permettent désormais aux développeurs de déployer des modèles performants sur un simple GPU grand public, voire directement sur un laptop.
Un modèle que vous faites tourner sur une machine à 2 000 dollars est un modèle que personne ne peut éteindre à distance. Cette indépendance est précisément ce que les modèles facturés à l’usage ne peuvent pas offrir.
Auditabilité et interprétabilité
On ne peut pas auditer ce qu’on ne voit pas. Les API fermées renvoient des réponses sans aucun accès au mécanisme interne qui les produit.
Avec des poids ouverts, les chercheurs peuvent explorer directement un modèle, analyser ses modes de défaillance et tester sa sûreté au grand jour. Cette transparence est exactement la raison pour laquelle le camp de l’open affirme que ses modèles sont, à terme, plus faciles — et non plus difficiles — à rendre fiables.
Pour les secteurs régulés qui doivent justifier chaque décision, cette visibilité n’est pas un confort. C’est souvent une obligation légale.
La frontière décentralisée
Le dernier argument se situe au croisement de l’IA et de la crypto. Lorsque les poids sont ouverts, la puissance de calcul nécessaire pour entraîner et servir les modèles n’a plus besoin d’être concentrée dans le datacenter d’une seule entreprise.
Des projets comme Prime Intellect ont déjà entraîné des modèles sur une infrastructure distribuée à l’échelle mondiale, avec des mécanismes pour vérifier que les machines distantes ont bien effectué le travail déclaré. Bittensor opère un marché de l’intelligence machine, rémunéré via un token incitatif, le TAO (TAO).
Il faut toutefois reconnaître que, pour l’instant, l’entraînement décentralisé reste plus lent et plus coûteux qu’un cluster centralisé. Mais l’alliance de poids ouverts avec un calcul vérifiable et tokenisé crée un véritable nouvel axe de concurrence que les laboratoires fermés ne peuvent pas répliquer.
À lire aussi : Pixel 11 coûtera plus cher, et Google accuse ses data centers IA
Verdict
Les poids ouverts ne feront pas disparaître les laboratoires fermés. La frontière de pointe reste dictée par ceux qui investissent le plus en compute, les modèles ouverts accusent encore quelques mois de retard sur les meilleurs systèmes propriétaires, et des poids publics exposent à des risques d’abus impossibles à rappeler une fois diffusés.
Mais « dépasser » ne veut pas dire « effacer ». Cela signifie déplacer le centre de gravité, et ce déplacement est déjà en cours.
L’écart de qualité s’est réduit, le coût marginal de l’intelligence tend vers zéro, et gouvernements, développeurs comme régulateurs se tournent de plus en plus vers des modèles qu’ils peuvent réellement détenir. L’IA centralisée continuera à vendre de la commodité sur le segment le plus haut de gamme. Le reste du marché, lui, avance discrètement vers des modèles dont il peut posséder les poids.
À suivre : Apple perd la main sur les prix de la mémoire et les clients paient la différence