Mais depuis quelques mois, une autre dynamique s'impose dans le paysage : celle des modèles ouverts. Des modèles que l'on peut télécharger, adapter, héberger soi-même, intégrer dans ses propres outils ou spécialiser pour un usage précis. Ils ne sont pas toujours « open source » au sens strict, mais ils changent profondément l'équilibre du marché.

La bataille ne se joue donc plus seulement entre le meilleur chatbot et le modèle le plus spectaculaire. Elle oppose deux visions de l'IA : d'un côté, des plateformes fermées, très puissantes, simples à utiliser, mais contrôlées par quelques acteurs ; de l'autre, des modèles plus ouverts, parfois moins performants sur certains usages, mais plus flexibles, plus personnalisables et potentiellement plus souverains.

Un mot à manier avec prudence

Tout le monde parle d'« open source », mais le terme est souvent utilisé trop vite. Dans le logiciel, l'open source renvoie à une tradition claire : pouvoir utiliser, étudier, modifier et partager un programme. L'Open Source Initiative applique cette logique à l'IA en rappelant qu'un système ouvert doit permettre de l'utiliser, de l'étudier, de le modifier et de le partager, avec un accès suffisant aux éléments nécessaires pour comprendre et transformer le système.

Or, beaucoup de modèles d'IA dits « ouverts » ne le sont que partiellement. Leurs poids peuvent être accessibles, mais leurs données d'entraînement, leurs méthodes exactes de filtrage, leurs choix d'alignement ou certaines conditions de licence restent fermés. On devrait donc souvent parler de modèles à poids ouverts plutôt que d'IA pleinement open source.

Cette distinction est essentielle. Car dans une technologie aussi structurante que l'IA, l'ouverture n'est pas seulement une question de communication. Elle détermine ce que les chercheurs peuvent vérifier, ce que les entreprises peuvent adapter, ce que les États peuvent contrôler et ce que les citoyens peuvent comprendre.

Pourquoi les modèles ouverts séduisent

La première raison est économique. Utiliser un modèle fermé via une API peut être très pratique, mais aussi coûteux à grande échelle. Plus une entreprise automatise de tâches, plus le volume de requêtes augmente. Pour certains usages répétitifs — support client, extraction de données, génération de documents, analyse interne — héberger un modèle ouvert peut devenir une option attractive.

La deuxième raison est stratégique. Un modèle fermé suppose une dépendance : à un fournisseur, à ses prix, à ses conditions d'utilisation, à ses choix techniques et parfois à sa disponibilité. Pour une banque, un industriel, une administration ou un média, cette dépendance peut poser question.

La troisième raison est liée aux données. Certaines organisations ne veulent pas envoyer leurs documents sensibles, leurs données clients ou leurs informations internes vers une plateforme externe. Les modèles ouverts permettent plus facilement des déploiements en environnement privé, sur serveur interne ou cloud maîtrisé. Mistral met par exemple en avant la possibilité de déployer certains modèles en self-hosted, en cloud privé, en edge ou on-premise, avec un meilleur contrôle des données.

« La bataille de l'IA ne porte pas seulement sur la puissance des modèles. Elle porte sur la question de savoir qui les contrôle, qui peut les adapter et qui dépend de qui. »

Les géants gardent une avance décisive

Les modèles ouverts progressent vite, mais les grands acteurs fermés conservent des avantages considérables. Ils disposent d'infrastructures massives, de jeux de données propriétaires, d'équipes de sécurité, de capacités de déploiement mondial et d'écosystèmes déjà intégrés aux outils du quotidien.

Pour beaucoup d'utilisateurs, la question ne se pose même pas : ils veulent un outil simple, fiable, immédiatement disponible. Les plateformes fermées excellent dans cette promesse. Elles offrent une interface, une assistance, des garanties contractuelles, des mises à jour régulières et une expérience unifiée.

C'est cette simplicité qui explique leur force. Une entreprise n'achète pas seulement un modèle. Elle achète un service, une stabilité, une compatibilité avec ses outils, parfois même une forme de tranquillité.

Mais cette tranquillité a un prix : moins de contrôle, moins de transparence et une dépendance plus forte à quelques fournisseurs. Dans un marché aussi rapide, cette dépendance peut devenir un risque économique autant qu'un enjeu de souveraineté.

Trois lignes de fracture

1. Performance contre contrôle

Les meilleurs modèles fermés restent souvent très compétitifs sur les tâches complexes : raisonnement, multimodalité, agents avancés, génération longue, précision ou robustesse. Mais les modèles ouverts gagnent du terrain, notamment lorsqu'ils sont spécialisés pour des usages précis.

Le rapport AI Index 2026 de Stanford souligne que l'écart de performance entre les modèles américains et chinois s'est fortement resserré, avec des modèles comme DeepSeek-R1 ayant brièvement égalé les meilleurs modèles américains début 2025. Cette évolution montre que la puissance ne se concentre plus uniquement dans quelques laboratoires occidentaux fermés.

Le choix devient donc moins évident : vaut-il mieux utiliser le modèle le plus puissant du marché, ou un modèle suffisamment performant, mais contrôlable et adaptable ?

2. Souveraineté contre dépendance

Pour l'Europe, le sujet est particulièrement sensible. L'essentiel de l'infrastructure IA mondiale reste dominé par des acteurs américains, tandis que la Chine accélère fortement sur les modèles ouverts. Dans ce contexte, les entreprises européennes cherchent de plus en plus à diversifier leurs fournisseurs pour ne pas dépendre d'un seul pays, d'une seule plateforme ou d'une seule politique commerciale. Reuters rapportait récemment que des groupes européens comme Siemens, Renault ou Orange privilégient des stratégies multi-fournisseurs pour réduire leur exposition aux restrictions et aux dépendances technologiques.

Les modèles ouverts deviennent alors un outil de souveraineté. Non parce qu'ils garantissent à eux seuls l'indépendance, mais parce qu'ils donnent plus de marge de manœuvre : choix de l'hébergement, personnalisation, audit, adaptation au droit local, contrôle des données.

3. Innovation contre sécurité

L'ouverture accélère l'innovation. Elle permet aux chercheurs, développeurs, start-up et PME de tester, adapter et améliorer des modèles sans repartir de zéro. Meta présente par exemple Llama 4 Scout et Llama 4 Maverick comme des modèles multimodaux à poids ouverts, conçus pour des usages texte et image.

Mais l'ouverture soulève aussi des risques. Un modèle accessible peut être détourné, modifié pour produire des contenus dangereux, utilisé pour automatiser des attaques ou contourner certaines protections. Les modèles fermés ne sont pas exempts de risques, mais ils permettent au fournisseur de garder davantage de contrôle sur l'accès et les usages.

Le débat est donc délicat : plus d'ouverture peut signifier plus de transparence, mais aussi plus de responsabilités partagées.

Pourquoi les entreprises regardent l'open source de près

Pour les entreprises, la bataille n'est pas idéologique. Elle est très concrète.

Un modèle fermé peut être idéal pour tester rapidement un usage, produire une synthèse, générer du contenu ou équiper des équipes sans infrastructure lourde. Un modèle ouvert peut devenir plus pertinent lorsqu'il faut traiter des données sensibles, maîtriser les coûts, personnaliser finement les réponses ou intégrer l'IA dans un système métier.

La plupart des organisations ne choisiront probablement pas un seul camp. Elles combineront plusieurs modèles : un modèle fermé très puissant pour les tâches complexes, un modèle ouvert hébergé en interne pour les données sensibles, un petit modèle spécialisé pour des processus répétitifs.

C'est ce que l'on appelle déjà une stratégie multi-modèles. Elle ressemble moins à une révolution qu'à une nouvelle architecture numérique : choisir le bon modèle pour le bon usage, au bon niveau de risque.

Ce que cela change pour les PME

Pour les petites et moyennes entreprises, les modèles ouverts peuvent représenter une opportunité importante. Une PME ne dispose pas toujours d'un budget suffisant pour multiplier les abonnements ou les appels API coûteux. Elle n'a pas non plus toujours envie de confier ses données commerciales, ses devis, ses documents clients ou ses informations RH à un service externe.

Avec des modèles plus légers, plus spécialisés et déployables localement, certaines PME pourront automatiser des tâches sans dépendre entièrement des grandes plateformes : rédaction de fiches produits, analyse de documents, support client, extraction d'informations, aide au devis, recherche interne.

Mais là encore, l'ouverture ne suffit pas. Un modèle ouvert demande des compétences techniques : installation, maintenance, sécurité, évaluation, mise à jour. Sans accompagnement, les entreprises risquent de sous-estimer la complexité du sujet.

Une bataille aussi culturelle

Derrière cette opposition entre open source et géants, il y a une question plus large : voulons-nous une IA centralisée ou distribuée ?

Une IA centralisée est plus simple à utiliser. Elle avance vite, bénéficie de moyens immenses et propose des outils grand public puissants. Mais elle concentre la valeur, les données, les standards et les dépendances.

Une IA distribuée est plus difficile à organiser. Elle suppose des compétences, des infrastructures, des communautés, des règles partagées. Mais elle permet une innovation plus diffuse, plus contrôlable localement, plus adaptée aux besoins particuliers.

Le choix ne sera sans doute pas binaire. Les modèles fermés resteront essentiels. Les modèles ouverts aussi. La vraie bataille portera sur l'équilibre entre les deux.

Et maintenant ?

La bataille des modèles ne fait que commencer. Elle ne se jouera pas seulement sur les classements techniques ou les démonstrations spectaculaires. Elle se jouera dans les entreprises, les administrations, les écoles, les hôpitaux, les médias, les ateliers et les logiciels du quotidien.

À court terme, les géants garderont une position dominante. Ils ont les moyens, les talents, les infrastructures et la distribution. Mais les modèles ouverts ont une force différente : ils circulent, se spécialisent, s'adaptent, se répliquent et permettent à d'autres acteurs d'entrer dans le jeu.

Pour les utilisateurs, l'enjeu sera de ne pas se laisser enfermer dans une seule solution. Pour les entreprises, il sera de construire une stratégie claire : quelles données protéger, quels usages automatiser, quels modèles choisir, quelle dépendance accepter.

L'avenir de l'IA ne sera probablement ni totalement fermé, ni totalement ouvert. Il dépendra de notre capacité à construire un écosystème où la puissance des géants n'empêche pas l'innovation ouverte, et où l'ouverture ne devient pas un prétexte à l'irresponsabilité.

Dans cette bataille, la question centrale n'est pas seulement : quel modèle est le plus performant ? Elle est : quel modèle voulons-nous pouvoir comprendre, contrôler et transmettre ?