Le 27 janvier 2025, un laboratoire chinois inconnu de la plupart des investisseurs a fait disparaître 589 milliards de dollars de capitalisation de Nvidia en une seule séance. La plus lourde perte journalière de l’histoire de Wall Street. Le déclencheur s’appelle DeepSeek, et son « tort » est d’être ouvert.
Même le Bitcoin (BTC) a vacillé, le temps que le marché digère une idée simple : l’IA de pointe n’est plus l’apanage de quelques 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 qualité mesuré entre les meilleurs modèles ouverts et fermés sur les classements publics s’est réduit de 8 % à moins de 2 % en environ un an, tandis que les prix d’inférence ont chuté par centaines de fois.
- Coûts de déploiement dérisoires, quête de souveraineté, réglementation plus conciliante et un vaste écosystème de développeurs donnent désormais un véritable élan aux poids ouverts face aux acteurs 100 % API.
Ce que signifie vraiment l’IA à poids ouverts
Le terme est souvent employé à tort et à travers, 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 capturent ce que le modèle a appris. Vous pouvez les télécharger, les faire tourner 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 une barre plus haute. Pour être qualifiée, une publication doit fournir les poids, le code d’entraînement et suffisamment de détails sur les données pour qu’une personne compétente puisse recréer substantiellement le système.
La plupart des modèles aujourd’hui vendus comme « open source » échouent à ce test. Le Llama de Meta, Qwen d’Alibaba ou DeepSeek diffusent leurs poids, mais pas la recette complète des données.
L’Open Source Initiative est très claire sur cette distinction, en soulignant que de simples poids ouverts ne garantissent pas les libertés offertes par le logiciel open source. Ce décalage alimente un conflit permanent sur le « open washing », lorsque des entreprises revendiquent l’ouverture tout en retenant les éléments qui permettraient à n’importe qui de reproduire le travail.
Pour la plupart des bâtisseurs, ce sont pourtant les poids qui comptent. Avec eux, on peut servir un modèle, le compresser, le réentraîner et le déployer. Dans les faits, chaque mode de diffusion correspond à un niveau de contrôle différent :
- Poids ouverts : les paramètres entraînés, en général sous une licence autorisant l’usage, la modification et souvent l’exploitation commerciale.
- Open source complet : les poids, le code d’entraînement et une documentation des données suffisante pour reconstruire le modèle.
- Fermé : rien de téléchargeable, accès uniquement mesuré 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 perd près de 5 % sur une garantie OpenAI de 250 Mds $ encore non signée
En quoi cela diffère du modèle OpenAI et Anthropic
OpenAI et Anthropic appliquent la stratégie inverse. Leurs meilleurs poids restent enfermés dans leurs propres data centers, et l’accès se fait exclusivement par API. Vous envoyez un prompt, vous recevez une réponse — sans jamais voir le modèle.
Ce schéma a une logique économique évidente : il protège l’investissement d’entraînement, alimente un compteur d’abonnement permanent et permet au laboratoire de corriger à la volée le comportement du modèle ou de couper l’accès.
Il est aussi défendu au nom de la sûreté. Le directeur général d’Anthropic, Dario Amodei, soutient qu’une fois les poids publics, il devient impossible de mettre à jour les garde-fous ou de reprendre la main sur un système jugé 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 auditer.
Malgré des années de plaidoyer en faveur de la recherche ouverte, OpenAI n’avait plus publié de 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, ressemblent à un aveu : la pression exercée par les poids ouverts devient difficile à ignorer. L’entreprise qui a bâti le modèle économique de l’API fermée se voit contrainte de répondre sur le terrain de l’ouverture.
À lire aussi : OpenAI sollicite 250 Mds $ de crédit Nvidia pour son gigantesque campus dans l’Ohio
Dix raisons pour lesquelles les poids ouverts menacent le modèle centralisé
Rien ne garantit que les poids ouverts l’emporteront totalement. La frontière technologique reste occupée par les grands laboratoires, et les risques sont réels. Mais la tendance est cohérente depuis trois ans, et elle va à l’encontre du modèle fermé et facturé à l’usage.
Ce qui change, c’est que les arguments en faveur du surcoût pour louer une « boîte noire » s’effritent. La convergence est à la fois technologique, économique et politique.
Voici dix raisons pour lesquelles l’équilibre s’est déplacé.
L’écart de qualité a presque disparu
Le fait majeur, 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.
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 de la première, il devient difficile de justifier la prime payée pour un accès fermé. C’est un problème de tarification pour quiconque fonde tout son modèle économique sur l’exclusivité.
Le prix de l’intelligence s’est effondré
Les coûts ont chuté encore plus vite que l’écart de qualité. À partir des données d’Epoch AI et d’Artificial Analysis, l’AI Index rapporte que le prix 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 280 fois en moins de deux ans.
DeepSeek a poussé la logique jusque dans l’entraînement. Son rapport technique V3 affirme un coût final d’environ 5,6 millions de dollars sur 2 048 puces Nvidia H800, contre des dizaines, voire des centaines de millions pour des modèles occidentaux comparables. L’intelligence bon marché profite à ceux qui la déploient massivement, pas à ceux qui la gardent jalousement.
Vous possédez le modèle
Louer un modèle fermé, c’est subir les règles du propriétaire. Le fournisseur peut augmenter ses tarifs, modifier ses conditions ou retirer la version dont dépend votre produit.
Posséder les poids fait disparaître ce levier. Vous pouvez geler une version, la faire tourner des années durant et changer de prestataire sans réécrire toute votre pile logicielle.
Le verrouillage fournisseur n’est pas une crainte théorique. Il se traduit en coûts de switch, en migrations forcées et en hausses tarifaires difficilement négociables. Détenir les poids désamorce ces risques point par point :
- Geler une version de modèle et la conserver stable aussi longtemps que nécessaire.
- Passer d’un cloud à l’autre, ou revenir on-premise, sans réarchitecture lourde.
- Échapper aux dépréciations surprises qui cassent un produit en production du jour au lendemain.
Même les licences ouvertes généreuses comportent des clauses à lire de près. Les conditions de Llama imposent à toute entreprise au‑delà de 700 millions d’utilisateurs actifs mensuels de renégocier un accord spécifique, ce qui explique pourquoi les puristes refusent d’appeler Llama un vrai projet open source.
Confidentialité et souveraineté des données
Certaines données ne peuvent légalement sortir du périmètre. Hôpitaux, banques, administrations : pour tous ces acteurs, envoyer des informations sensibles vers l’API d’un tiers est souvent impossible.
Les poids ouverts inversent le schéma en amenant le modèle vers la donnée. On peut exécuter l’inférence sur site ou dans un cloud privé, sans jamais franchir la frontière d’un fournisseur.
Cette seule caractéristique ouvre des portes où les API fermées ne peuvent pas entrer. Pour un déploiement soumis à la réglementation, le contrôle on‑premise est fréquemment le critère décisif.
Les États construisent leurs propres modèles
L’angoisse de souveraineté 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 Swiss National Supercomputing Centre ont dévoilé Apertus, un modèle entièrement ouvert entraîné sur 15 000 milliards de tokens dans plus de 1 000 langues. À Abou Dhabi, le Technology Innovation Institute pousse la famille Falcon depuis 2023, et d’autres États ont lancé leurs propres programmes.
Le schéma se répète partout :
- La Suisse publie Apertus avec poids, données et code intégralement publics.
- Les Émirats arabes unis diffusent des générations successives de Falcon sous des licences permissives.
- La France, l’Inde, le Japon ou encore la Corée du Sud financent des modèles ou des capacités de calcul nationales.
On ne bâtit pas une IA souveraine sur un modèle que l’on ne peut qu’« louer ». 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 elle aussi à favoriser l’ouverture. Le 23 juillet 2025, la Maison-Blanche a publié le plan « America’s AI Action Plan », avec une section intitulée « Encourage Open-Source and Open-Weight AI ».
L’Europe adopte une logique similaire dans sa structure, sinon dans son discours. L’AI Act européen accorde aux fournisseurs de modèles d’usage général, 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 pointent désormais vers la mise en accès plutôt que vers le verrouillage, au moins pour les modèles en dessous de la frontière technologique. Quand la première puissance publique de la course à l’IA encourage activement les poids ouverts, le modèle fermé perd son avantage présumé.
L’écosystème développeur fonctionne en volant d’inertie
L’échelle appelle l’échelle. Hugging Face a grandi jusqu’à 13 millions d’utilisateurs, plus de deux millions de modèles publics et plus de 500 000 jeux de données publics en 2025.
Les statistiques de téléchargement racontent la même histoire. Meta affirme que Llama a franchi le milliard de téléchargements au 18 mars 2025, contre 650 millions début décembre 2024, tandis que Qwen d’Alibaba a atteint 700 atteint plusieurs millions de téléchargements cumulés sur Hugging Face d’ici janvier 2026 et donné naissance à plus de 180 000 dérivés, dépassant Llama comme famille de modèles ouverts la plus « forkée » au passage.
Chaque fine-tune, chaque adaptateur, chaque quantification bâtis sur un modèle ouvert renforcent son avantage compétitif. Une API fermée ne peut pas capter cet effet boule de neige de l’écosystème, car personne ne peut bâtir durablement sur un modèle qu’il ne peut pas réellement posséder.
Ça tourne sur votre ordinateur portable
Les poids ouverts rencontrent le matériel grand public via une chaîne d’outils peu coûteuse. La quantification compresse un modèle en réduisant sa précision pour qu’il tienne dans moins de mémoire, et des techniques comme LoRA permettent de le spécialiser sans devoir tout réentraîner.
Les runtimes locaux ont fait entrer cela dans le grand public. 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 que vous pouvez faire tourner sur une machine à 2 000 dollars est un modèle que personne ne peut éteindre à distance. Cette indépendance est précisément ce que le modèle facturé à l’usage ne pourra jamais offrir.
Auditabilité et interprétabilité
On ne peut pas inspecter ce qu’on ne voit pas. Les API fermées renvoient des réponses sans aucun accès au fonctionnement interne.
Des poids ouverts permettent aux chercheurs de sonder directement un modèle, d’analyser ses modes de défaillance et de tester sa sécurité au grand jour. Cette transparence est exactement la raison pour laquelle le camp de l’open affirme que ses modèles sont, avec le temps, plus faciles – et non plus difficiles – à rendre fiables.
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 à l’intersection de l’IA et de la crypto. Si les poids sont ouverts, la puissance de calcul nécessaire pour les entraîner et les servir n’a pas besoin de rester confinée dans le data center d’une seule entreprise.
Des projets comme Prime Intellect ont déjà entraîné des modèles sur du matériel distribué à l’échelle mondiale, avec des mécanismes pour vérifier que les machines distantes ont bien effectué les calculs déclarés. Bittensor exploite un marché de l’intelligence machine dopé au token, rémunéré en TAO (TAO).
L’honnêteté impose de reconnaître que l’entraînement décentralisé reste aujourd’hui plus lent et plus coûteux qu’un cluster centralisé. Mais le couplage 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 pointe du doigt ses data centers IA
Le verdict
Les poids ouverts ne feront pas disparaître les laboratoires fermés. La frontière technologique reste dictée par ceux qui dépensent le plus en calcul, les modèles ouverts accusent toujours quelques mois de retard sur les meilleurs modèles fermés, et les poids publics s’accompagnent de risques d’abus impossibles à « rappeler » une fois diffusés.
Mais « supplanter » ne veut pas dire « effacer ». Cela signifie déplacer le centre de gravité, et ce déplacement est déjà en cours.
L’écart de qualité se resserre, le coût marginal de l’intelligence frôle zéro, et États, développeurs comme régulateurs choisissent de plus en plus des modèles qu’ils peuvent réellement tenir entre leurs mains. L’IA centralisée continuera à vendre la commodité sur le très haut de gamme. Le reste du marché, lui, s’oriente discrètement vers des poids qu’il peut posséder.
À lire ensuite : Apple perd la main sur les prix de la mémoire et les clients paient la différence
