Les modèles d’IA à poids ouverts se rapprochent des modèles de pointe propriétaires

L’analyse State of Open Source AI de Mozilla porte un message important pour les acheteurs de solutions d’IA : le choix n’oppose plus simplement des modèles ouverts bon marché à des modèles propriétaires performants. Les meilleurs systèmes à poids ouverts se rapprochent assez vite de la frontière fermée pour prendre en charge une grande partie des usages, tout en laissant aux API propriétaires de pointe les tâches pour lesquelles un gain de qualité change réellement le résultat. 18

Un écart qui se réduit, sans disparaître

Selon les informations rapportant les conclusions de Mozilla, les meilleurs modèles chinois à poids ouverts accuseraient un retard d’environ 4,4 mois sur les modèles propriétaires de pointe, selon la grille de performance retenue. 18 Le contexte est donc très différent de celui où les modèles ouverts étaient, par principe, jugés incapables de servir en production.

Kimi K3 illustre cette progression, sans constituer à lui seul un verdict définitif. Dans un instantané de septembre de l’Artificial Analysis Intelligence Index, Kimi K3 obtenait 59,7 points, soit six points derrière le leader à 65,7 ; l’écart était de 13 points un an auparavant. 17 D’autres éditions du rapport et d’autres relevés de benchmarks aboutissent à des comparaisons et à des écarts différents. La tendance compte davantage qu’un écart ponctuel.

Les benchmarks composites sont utiles pour présélectionner des modèles, mais ils ne prouvent pas lequel sera le plus performant dans une entreprise donnée. Ils agrègent des évaluations très diverses, tandis qu’un déploiement réel dépend aussi de la latence, de la gestion du contexte, de la fiabilité, des contrôles de sécurité, de l’effort d’intégration, du support et des conditions juridiques.

Pour les entreprises : affecter le bon modèle à la bonne tâche

Le rapprochement des performances ne commande pas un abandon généralisé des systèmes fermés. Il plaide plutôt pour une approche de portefeuille :

• privilégier les modèles à poids ouverts pour les tâches répétitives et à fort volume, lorsque le coût, le contrôle des données, le déploiement local ou la personnalisation sont déterminants ;
• conserver des API de pointe pour les cas difficiles, lorsque une amélioration mesurée de la qualité a des conséquences financières, opérationnelles ou de sécurité ;
• évaluer l’ensemble du système — récupération de connaissances, outils, garde-fous, invites et validation humaine — et non le seul modèle de base ;
• tester régulièrement les cas d’usage représentatifs : les nouvelles sorties de modèles peuvent vite modifier le meilleur rapport performance-prix.

C’est la conséquence concrète de cette convergence : payer le supplément d’un modèle fermé reste rationnel lorsqu’il améliore démontrablement le résultat, et non parce qu’il aurait été autrefois la seule option viable.

Les poids ouverts, un enjeu stratégique au-delà du prix

Un modèle à poids ouverts peut être exécuté et adapté dans l’environnement de l’organisation, au lieu de dépendre entièrement d’un service opéré par un fournisseur. Le CSIS, un centre d’analyse américain, estime que l’écosystème chinois croissant des modèles à poids ouverts défie le leadership américain en IA : il combine une stratégie d’autonomisation technologique sous contraintes de contrôle des exportations et une volonté de diffuser largement des modèles adaptables. 5

Cette diffusion peut créer un écosystème complet : développeurs, intégrateurs, outils, déploiements et normes techniques peuvent se structurer autour d’une famille de modèles, même si une autre entreprise mène la course sur le meilleur système fermé. La question concurrentielle ne se limite donc pas à savoir qui domine un benchmark aujourd’hui, mais aussi quelle technologie devient la couche de plateforme la plus utilisée.

Les contrôles à l’exportation font partie de ce contexte. Les recherches citées dans le dossier disponible décrivent une accélération de l’adoption de l’IA ouverte en Chine après les restrictions américaines sur les puces, ce qui montre que ces mesures peuvent aussi encourager des alternatives nationales et le développement d’écosystèmes ouverts. 11

Les accusations de distillation doivent être formulées avec prudence

Dans un avis publié en septembre, la National Security Agency (NSA), le FBI et la CISA, l’agence américaine chargée de la cybersécurité, ont affirmé que des entreprises d’IA basées en Chine menaient des campagnes à l’échelle industrielle pour extraire des capacités propriétaires restreintes de modèles américains de pointe, à des fins d’entraînement. 1 Les articles consacrés à cet avis citent notamment Moonshot AI parmi les entreprises nommées par les autorités américaines. 3

Il s’agit d’accusations gouvernementales, et non d’une décision publique définitivement tranchée. Le ministère chinois des Affaires étrangères les a rejetées, les qualifiant d’infondées. 4 Il faut aussi distinguer l’allégation d’extraction non autorisée du concept technique plus général de distillation : un modèle plus petit apprend à partir des réponses d’un modèle plus puissant. Le CSIS décrit cette pratique comme courante dans l’entraînement des modèles et porteuse d’enjeux stratégiques majeurs. 12

Construire une alternative, c’est construire bien plus qu’un modèle

Lorsque Raffi Krikorian, directeur technique de Mozilla, compare cette dynamique à Android, il avance un argument d’écosystème. Un modèle largement diffusé et adaptable peut attirer des développeurs et des infrastructures complémentaires, comme un système d’exploitation crée de la valeur bien au-delà de son concepteur initial.

Les travaux de Mozilla soulignent qu’une IA ouverte a besoin d’infrastructures pérennes, et pas seulement de nouvelles versions de modèles. Un rapport antérieur de l’organisation mettait notamment en avant un consortium public suisse ayant utilisé des supercalculateurs publics et publié les poids, les données et le code d’entraînement. 11 L’idée de politique publique sous-jacente est d’investir dans le calcul public, des institutions neutres, des données et évaluations fiables, ainsi que des outils pour les développeurs — plutôt que de financer uniquement un nouveau concurrent propriétaire.

Ouverture et sécurité peuvent-elles progresser ensemble ?

L’Open Secure AI Alliance apporte une réponse possible. Nvidia a lancé cette coalition en juillet avec des partenaires technologiques et de sécurité afin de développer et partager des outils pour la sûreté de l’IA et la cybersécurité, notamment autour des logiciels et des agents IA. L’initiative repose sur l’idée que des outils de sécurité inspectables et partagés peuvent contribuer à répondre aux risques liés à l’IA.

Cela ne fait pas disparaître les risques réels associés à des modèles largement accessibles. Une diffusion ouverte peut compliquer la prévention des abus et le contrôle des usages. Mais l’alternative ne se résume pas à « ouvert ou sûr », ni à « fermé ou sûr ». Elle dépend des garde-fous, des contrôles d’accès, des évaluations et des mécanismes de responsabilité qui accompagnent chaque modèle de déploiement.

La question désormais posée aux acheteurs et aux décideurs publics

Pour les entreprises, la question immédiate est simple : dans quels cas le supplément de qualité d’un modèle propriétaire justifie-t-il son coût additionnel et la dépendance qu’il crée ? La réponse varie selon les tâches. Les organisations qui instrumentent le choix du modèle, mènent des évaluations proches de leurs usages et préservent leur capacité à changer de fournisseur seront mieux placées que celles qui se verrouillent dans une seule catégorie de modèles.

Pour les pouvoirs publics, l’arbitrage est plus délicat. Le leadership sur les modèles de pointe, la sécurité et la prévention des abus comptent, mais la résilience des écosystèmes ouverts et l’adoption mondiale d’infrastructures d’IA fiables comptent aussi. Le CSIS avertit qu’une stratégie exclusivement centrée sur le leadership des modèles propriétaires de pointe pourrait céder du terrain à des alternatives ouvertes moins coûteuses. 15

Le resserrement de l’écart rend ce débat plus urgent. À mesure que les modèles à poids ouverts gagnent en capacité, la compétition dans l’IA se jouera de moins en moins seulement sur le meilleur modèle dans un laboratoire, et de plus en plus sur l’écosystème le plus utile, adaptable et digne de confiance.