Le 27 janvier 2025, un laboratoire chinois dont la plupart des investisseurs n’avaient jamais entendu parler a fait s’évaporer 589 milliards de dollars de capitalisation pour Nvidia en une seule séance. La plus grande perte journalière de l’histoire de Wall Street. Le déclencheur s’appelait DeepSeek, et son « crime » était d’être ouvert.
Même le Bitcoin (BTC) a vacillé, le temps que le marché assimile une idée simple : l’IA de pointe n’est plus l’apanage d’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, ce qui diffère de l’open source intégral qui inclut aussi les données d’entraînement et le code.
- 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 ont été divisés par des centaines de fois.
- Déploiement peu coûteux, quête de souveraineté nationale, cadre réglementaire plus clément et vaste écosystème de développeurs donnent désormais aux poids ouverts un véritable élan face aux acteurs limités à l’API.
Ce que signifie réellement l’IA à poids ouverts
Le terme est souvent utilisé à la légère, d’où l’importance de la précision. « Poids ouverts » signifie qu’un développeur publie les paramètres finaux d’un réseau de neurones entraîné, ces nombres 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 sa définition de l’IA open source le 28 octobre 2024, en fixant la barre plus haut. Pour être qualifiée d’open source, une mise à disposition doit comprendre les poids, le code d’entraînement et suffisamment de détails sur les données d’apprentissage pour qu’une personne compétente puisse recréer substantiellement le système.
La plupart des modèles aujourd’hui présentés comme open source échouent à ce test. Le Llama de Meta, Qwen d’Alibaba ou encore DeepSeek livrent les poids, mais pas la « recette » complète des données.
L’Open Source Initiative ne ménage pas ses mots et rappelle que les seuls poids ouverts ne garantissent pas les mêmes libertés que le logiciel open source. Cette différence alimente une querelle permanente autour de « l’open washing », lorsque des entreprises revendiquent l’ouverture tout en retenant les éléments permettant à n’importe qui de reproduire leur travail.
Pour la majorité des bâtisseurs, les poids restent cependant le véritable trophée. Avec eux, vous pouvez servir un modèle, le compresser, le réentraîner et le déployer. Concrètement, chaque type de publication donne accès à :
- Poids ouverts : les paramètres entraînés, en général sous une licence autorisant l’utilisation, la modification et souvent l’exploitation commerciale.
- Open source intégral : poids, code d’entraînement et documentation suffisante des données pour reconstruire le modèle.
- Fermé : rien à télécharger, uniquement un accès comptabilisé via une interface.
C’est cette catégorie intermédiaire qui explose en popularité — 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 ce que font OpenAI et Anthropic
OpenAI et Anthropic appliquent la stratégie inverse. Ils gardent leurs meilleurs poids enfermés dans leurs propres data centers et vendent un accès via une API. Vous envoyez un prompt, vous recevez une réponse, mais vous ne touchez jamais au modèle.
Ce schéma a une logique économique. Il protège l’investissement d’entraînement, garantit un compteur d’abonnements en continu et permet au laboratoire de corriger le comportement ou de couper l’accès à tout moment.
Un argument de sûreté vient s’y ajouter. Le directeur général d’Anthropic, Dario Amodei, défend l’idée qu’une fois les poids rendus publics, un développeur perd la capacité de mettre à jour les garde-fous ou de reprendre la main sur un système dangereux.
Le revers de la médaille, c’est la dépendance.
Quand le modèle ne vit que sur les serveurs d’un tiers, le fournisseur fixe le prix, la disponibilité, les conditions d’usage des données et le calendrier de retrait des versions. Votre produit repose sur une infrastructure que vous ne contrôlez pas et que vous ne pouvez pas inspecter.
Malgré des années à vanter la recherche ouverte, OpenAI n’avait plus publié de modèle linguistique ouvert depuis GPT‑2 en 2019, jusqu’au 5 août 2025. Ses deux modèles gpt-oss, lancés sous la licence permissive Apache 2.0, apparaissent comme une concession directe à la pression exercée par les poids ouverts. L’entreprise qui a bâti le modèle économique de l’API fermée a été contrainte de répondre au camp de l’ouverture sur son propre terrain.
À lire aussi : OpenAI demande 250 Md$ de crédit à Nvidia pour son gigantesque campus de l’Ohio
Dix raisons pour lesquelles les poids ouverts menacent le modèle centralisé
Aucun des éléments qui suivent ne garantit une victoire totale des poids ouverts. La frontière technologique reste tenue par les grands laboratoires, et les risques sont réels. Mais le sens de l’histoire est le même depuis trois ans, et il va à l’encontre du modèle fermé, facturé à l’usage.
Ce qui a changé, c’est que les arguments en faveur d’une prime pour « louer » une boîte noire s’érodent. 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 constaté 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.
Le haut du classement s’est aussi densifié. L’écart entre le premier et le dixième modèle s’est réduit de 11,9 % à 5,4 % en un an.
Lorsque la deuxième meilleure option coûte une fraction du prix de la première, la prime pour l’accès fermé devient difficile à défendre. C’est un vrai problème de tarification pour ceux dont tout le modèle économique repose sur l’exclusivité.
Le prix de l’intelligence s’est effondré
Les coûts ont chuté encore plus vite que l’écart de performance. Sur la base des 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 un repli d’environ 280 fois en moins de deux ans.
DeepSeek a appliqué la même logique à l’entraînement. Son rapport technique V3 revendique un run final à environ 5,6 millions de dollars sur 2 048 puces Nvidia H800, contre les dizaines, voire centaines de millions dépensés pour des modèles occidentaux comparables. L’« intelligence bon marché » favorise ceux qui la déploient largement, pas ceux qui la gardent jalousement enfermée.
Vous possédez le modèle
Louer un modèle fermé, c’est accepter les règles du propriétaire. Le fournisseur peut relever les prix, modifier les conditions ou retirer la version dont dépend votre produit.
À l’inverse, posséder les poids fait disparaître ce levier. Vous pouvez geler une version, l’exécuter pendant des années et changer de prestataire sans réécrire toute votre pile logicielle.
Le verrouillage fournisseur n’est pas un concept théorique ; il se traduit en coûts de sortie, migrations forcées et hausses tarifaires non négociables. Détenir les poids désamorce chacun de ces risques :
- Geler une version de modèle et la maintenir stable aussi longtemps que nécessaire.
- Passer d’un cloud à un autre, ou revenir sur votre propre infrastructure, sans tout ré-architecturer.
- Éviter les dépréciations surprises qui cassent un produit en production du jour au lendemain.
Même les licences ouvertes les plus généreuses comportent des subtilités à examiner de près. Les conditions d’utilisation de Llama chez Meta imposent à 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.
Vie privée et souveraineté des données
Certaines données ne peuvent tout simplement pas sortir des murs. Hôpitaux, banques, administrations : de nombreux acteurs n’ont pas le droit de transférer des informations sensibles vers une API tierce.
Les poids ouverts contournent ce problème en amenant le modèle au plus près de la donnée. Vous pouvez réaliser l’inférence sur site ou dans un cloud privé, sans qu’aucune information sensible ne franchisse une frontière fournisseur.
Cette seule propriété ouvre des portes où les API fermées restent bloquées. Pour un déploiement sous forte contrainte réglementaire, le contrôle sur site est souvent le critère décisif.
Les États bâtissent leurs propres modèles
La quête de souveraineté est devenue mondiale. De plus en plus de gouvernements considèrent la dépendance à quelques API américaines ou chinoises comme un risque stratégique.
Le 2 septembre 2025, l’EPFL, l’ETH Zurich et le Centre suisse de calcul scientifique national ont présenté Apertus, un modèle entièrement ouvert entraîné sur 15 000 milliards de tokens couvrant plus de 1 000 langues. À Abou Dhabi, le Technology Innovation Institute pousse depuis 2023 sa famille Falcon, et d’autres États ont lancé leurs programmes nationaux.
Le schéma se répète région après région :
- La Suisse a publié Apertus avec poids, données et code intégralement publics.
- Les Émirats arabes unis ont enchaîné plusieurs modèles Falcon sous licences permissives.
- La France, l’Inde, le Japon et la Corée du Sud soutiennent tous des programmes domestiques de modèles ou d’infrastructures de calcul.
On ne bâtit pas une IA souveraine sur un modèle que l’on ne peut que louer. Les poids ouverts en sont la condition préalable, ce qui fait des États des alliés naturels du camp ouvert.
Les régulateurs penchent vers l’ouverture
La politique publique commence, elle aussi, à favoriser l’ouverture. Le 23 juillet 2025, la Maison‑Blanche a publié le plan « America’s AI Action Plan », avec un chapitre explicitement intitulé « Encourage Open-Source and Open-Weight AI » (Encourager l’IA open source et à poids ouverts).
L’Europe affiche une préférence structurelle similaire, même si l’esprit diffère. L’AI Act de l’UE accorde aux fournisseurs de modèles généralistes gratuits et open source une exemption partielle de certaines obligations de documentation, tant que le modèle n’est pas classé à « risque systémique ».
Les incitations publiques pointent désormais davantage vers la publication que vers le verrouillage, au moins pour les modèles en deçà du tout premier rang. Quand la première puissance impliquée dans la course à l’IA promeut activement les poids ouverts, le modèle fermé perd l’avantage implicite qu’il détenait jusqu’ici.
L’écosystème développeurs, un volant d’inertie
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 en libre accès en 2025.
Les chiffres de téléchargements parlent d’eux-mêmes. Meta affirme que Llama a dépassé le milliard de téléchargements au 18 mars 2025, contre 650 millions début décembre 2024, tandis que Qwen d’Alibaba a franchi les 700 000 000… (chiffres qui continuent de grimper). Chaque nouveau modèle, chaque jeu de données, chaque outil d’optimisation vient enrichir un socle commun que des millions de développeurs peuvent immédiatement réutiliser.
Cet effet de volant d’inertie joue massivement en faveur des poids ouverts. Plus la base installée est vaste, plus il devient coûteux pour un acteur fermé de convaincre développeurs et entreprises de repartir de zéro derrière une API propriétaire. plus de X millions de téléchargements cumulés sur Hugging Face d’ici janvier 2026 et donné naissance à plus de 180 000 dérivés, détrônant Llama au passage comme famille ouverte la plus « forkée » du marché.
Chaque fine-tune, chaque adaptateur, chaque quantification bâtis sur un modèle ouvert renforcent sa barrière à l’entrée. Une API fermée ne peut pas capter cet effet cumulatif de la communauté : on ne bâtit pas un écosystème sur un modèle auquel on n’a pas accès.
Ça tourne sur votre ordinateur portable
Des poids ouverts rencontrent du matériel grand public grâce à une chaîne d’outils bon marché. La quantification compresse un modèle en abaissant sa précision afin qu’il tienne dans moins de mémoire, et des techniques comme LoRA permettent de le spécialiser sans le réentraîner de bout en bout.
Les runtimes locaux ont fait passer cela dans le courant dominant. Ollama, llama.cpp et vLLM permettent désormais aux développeurs de servir des modèles performants sur un simple GPU grand public, voire sur un ordinateur portable.
Un modèle qui tourne sur une machine à 2 000 $ est un modèle que personne ne peut éteindre à distance. Cette indépendance est précisément ce que le modèle facturé à l’usage ne peut offrir.
Auditabilité et interprétabilité
On ne peut pas inspecter ce que l’on ne voit pas. Les API fermées renvoient des réponses sans aucun accès au mécanisme qui les produit.
Des poids ouverts permettent aux chercheurs de sonder directement un modèle, d’analyser ses modes de défaillance et de tester sa sûreté au grand jour. Cette transparence est exactement la raison pour laquelle le camp de l’open considère ses modèles comme plus faciles – et non plus difficiles – à rendre fiables dans le temps.
Pour les secteurs régulés qui doivent expliquer une décision, cette visibilité n’est pas un luxe. C’est souvent une obligation légale.
La frontière décentralisée
Le dernier argument en date se situe au croisement de l’IA et de la crypto. Si les poids sont ouverts, la puissance de calcul nécessaire pour entraîner et servir les modèles n’a pas besoin de résider dans le data center d’un seul acteur.
Des projets comme Prime Intellect ont entraîné des modèles sur du matériel distribué à l’échelle mondiale, avec des mécanismes pour vérifier que les machines distantes ont bien effectué le travail qu’elles revendiquent. Bittensor opère un marché de l’intelligence machine rémunéré par jeton, libellé dans son token TAO (TAO).
La mise en garde honnête, c’est que l’entraînement décentralisé reste aujourd’hui plus lent et plus coûteux qu’un cluster centralisé. Mais l’alliance de poids ouverts et d’un calcul vérifiable et tokénisé constitue un véritable nouveau vecteur concurrentiel que les laboratoires fermés ne peuvent pas copier.
À lire aussi : Le Pixel 11 coûtera plus cher, et Google met en cause ses data centers d’IA
Verdict
Les poids ouverts n’effaceront pas les laboratoires fermés. L’avant-garde reste à ceux qui dépensent le plus en puissance de calcul, les sorties open restent en décalage de quelques mois par rapport aux meilleurs modèles propriétaires, et des poids publics exposent à des risques d’abus impossibles à « rappeler » une fois publiés.
Mais « dépasser » ne signifie pas « remplacer ». Cela signifie déplacer le centre de gravité, et ce déplacement est déjà en cours.
L’écart de qualité est mince, le prix marginal de l’intelligence frôle zéro, et États, développeurs comme régulateurs choisissent de plus en plus des modèles qu’ils peuvent détenir. L’IA centralisée continuera de vendre la commodité tout en haut de la pyramide. Le reste du marché, lui, avance discrètement vers des poids qu’il peut réellement posséder.
À lire ensuite : Apple perd la main sur les prix de la mémoire et les clients paient la différence
