Le plus gros débat sur l’IA en ce moment ne porte pas sur les capacités. Il porte sur l’accès.

Le code et les poids derrière les modèles d’IA puissants doivent-ils être publics ? Ou enfermés derrière des API, sous le contrôle des entreprises qui les ont construits ?

Ce n’est pas une question philosophique abstraite. La réponse détermine qui peut construire avec l’IA, combien ça coûte, et qui contrôle l’avenir de la technologie.

Voilà de quoi parle vraiment la bataille entre open source et propriétaire.

La fracture de base

Les modèles propriétaires gardent leurs entrailles privées. Vous pouvez les utiliser via une API (comme ChatGPT ou Claude), mais vous ne pouvez pas voir comment ça marche, ni le modifier, ni l’exécuter vous-même. L’entreprise contrôle tout.

Les modèles open source (ou, plus précisément, les modèles « à poids ouverts ») publient le modèle entraîné pour que n’importe qui puisse le télécharger. Vous pouvez l’inspecter, le modifier, l’affiner pour vos besoins, et le faire tourner sur votre propre matériel.

According to Hakia’s technical comparison, closed models are “AI models whose architecture, training data, and model weights are not publicly available and are owned, hosted, and managed by a vendor.”

Le camp « open » rend publics tout ou partie de ces éléments.

Les acteurs majeurs

Propriétaire :

• OpenAI (GPT-4, GPT-5, ChatGPT)
• Anthropic (Claude)
• Google (Gemini)

Open source / poids ouverts :

• Meta (famille Llama)
• Mistral (Mistral, Mixtral)
• Alibaba (Qwen)
• DeepSeek (modèles DeepSeek)

Ce n’est pas parfaitement binaire. OpenAI a récemment publié GPT-OSS en tant que modèle à poids ouverts. Certains modèles « open » ont des licences restrictives. Mais la séparation de base tient.

Pourquoi des entreprises gardent leurs modèles fermés

Le propriétaire a des motivations commerciales évidentes, mais les arguments vont plus loin.

Barrière concurrentielle. Si n’importe qui peut télécharger et utiliser votre modèle, quel est votre modèle économique ? L’accès via API vous permet de facturer à l’usage et de garder une longueur d’avance.

Préoccupations de sécurité. OpenAI a d’abord retenu GPT-2 par crainte de mésusage. L’argument : restreindre l’accès empêche des acteurs malveillants d’utiliser une IA puissante pour du spam, de la désinformation, ou pire.

Contrôle et responsabilité. Quand vous contrôlez le modèle, vous pouvez mettre en place des garde-fous, surveiller les abus, et publier des mises à jour pour corriger des problèmes. Une fois un modèle ouvert publié, il vous échappe.

Modèle économique. Les modèles fermés permettent une tarification à l’usage. C’est ce qui a généré des revenus importants pour l’IA chez OpenAI, Anthropic et Google.

Pourquoi d’autres poussent vers l’ouverture

Le mouvement open source a ses propres arguments, solides.

Transparence. Avec des modèles ouverts, les chercheurs peuvent étudier leur fonctionnement, repérer les biais, et comprendre leurs limites. Selon l’analyse de Klu sur les LLM open source, la transparence permet une meilleure recherche en sécurité et une vraie redevabilité.

Innovation. Quand n’importe qui peut bâtir sur un modèle, l’innovation s’accélère. Des milliers de développeurs trouvent des usages que les créateurs n’avaient jamais imaginés.

Accessibilité. Les modèles ouverts peuvent tourner sur du matériel local. C’est crucial pour la vie privée, pour les utilisateurs avec une mauvaise connexion, et pour les applications qui ne peuvent pas envoyer des données à des serveurs tiers.

Pérennité. According to n8n’s analysis, “self-hosted models don’t become obsolète, unlike closed-source providers who may ‘retire’ older models.” Quand une entreprise déprécie une API, les utilisateurs paniquent. Un modèle ouvert que vous avez téléchargé fonctionne pour toujours.

Coût à grande échelle. Pour des applications à gros volume, faire tourner son propre modèle peut coûter bien moins cher que des frais d’API.

Le grand pari de Meta sur l’open

L’approche de Meta mérite une attention particulière. Ils ont publié la famille Llama sous des licences relativement permissives, et ça a changé le paysage.

According to Red Hat’s state of open source AI report, “before DeepSeek gained popularity at the beginning of 2025, the open model ecosystem was simpler. Meta’s Llama family of models was quite dominant.”

Pourquoi Meta donnerait une IA de valeur ? Quelques théories :

1. Ils ne vendent pas de services d’IA. Contrairement à OpenAI ou Google, le business de Meta, c’est la publicité. Une meilleure IA améliore leurs produits sans qu’ils aient besoin de facturer l’IA directement.

2. Couper l’herbe sous le pied des concurrents. Si une IA puissante est gratuite, les revenus IA de Google et d’OpenAI sont menacés.

3. Construire un écosystème. Des développeurs qui bâtissent sur Llama peuvent construire des choses que Meta utilisera ou rachètera plus tard.

4. Banaliser le complément. Quand l’IA est gratuite, la ressource rare devient autre chose (données, distribution, intégration) que Meta contrôle peut-être.

Quelle que soit la motivation, Llama a prouvé que des modèles ouverts pouvaient rivaliser avec des modèles fermés.

Mistral : le concurrent européen

Mistral AI, fondée à Paris par d’anciens chercheurs de Google DeepMind et de Meta AI, a pris une autre voie. According to n8n’s analysis, Mistral “changed the open-source landscape when it released Mistral 7B under the Apache 2.0 licence.”

Ce qui a rendu Mistral notable, ce n’est pas seulement le fait d’être ouvert. C’était l’efficacité. Au lieu de courir après le nombre de paramètres, Mistral s’est concentrée sur des innovations d’architecture qui font que des petits modèles se comportent comme des gros.

Mixtral 8x7B utilise une architecture en « mélange d’experts ». According to Klu, it has “46.7 billion parameters while actively using only 12.9 billion per token.” Chaque requête est routée vers des sous-réseaux spécialisés : vous obtenez les bénéfices de l’échelle sans en payer tout le coût.

Mistral a levé plus d’un milliard de dollars tout en gardant de forts engagements open source, preuve qu’il existe un modèle économique pour une IA ouverte.

L’écart de performance (ou pas)

Les premiers modèles open source étaient clairement inférieurs. Ça a changé.

According to Hakia, “Leading open source models like Llama 3.3 70B and DeepSeek R1 now match GPT-4 level performance in many tasks.”

Clarifai’s analysis notes that “open source models like Gemma 2, Nemotron-4, and Llama 3.1 have surpassed proprietary counterparts such as GPT-3.5 Turbo and Google Gemini in versatility.”

L’écart entre le meilleur-open-disponible et le meilleur-fermé-disponible s’est réduit de façon spectaculaire. Pour beaucoup d’applications concrètes, les options ouvertes sont suffisamment bonnes.

La vraie comparaison des coûts

Les coûts, c’est compliqué. Ce n’est pas qu’une question de prix affiché.

Coûts du propriétaire :

• Paiement au token (à l’usage)
• Prévisible par requête, mais imprévisible à grande échelle
• Pas d’infrastructure à gérer
• Les coûts peuvent être volatils (les prix changent, des limites de débit s’appliquent)

Coûts de l’open source :

• Investissement matériel (GPU)
• Temps d’ingénierie pour déployer et maintenir
• Électricité et hébergement
• Prévisible une fois en place

According to Hakia’s analysis, “for low-volume applications (under 1M tokens/month), closed APIs are more cost-effective when factoring in infrastructure and engineering costs. High-volume applications see massive savings with self-hosted open models.”

Le point de bascule varie, mais pour un usage sérieux en production, les modèles ouverts gagnent souvent sur les coûts.

Confidentialité des données et contrôle

Pour beaucoup d’organisations, l’argument le plus convaincant en faveur de l’open source n’est pas le coût. C’est le contrôle.

Avec une API fermée, vos données passent par les serveurs de quelqu’un d’autre. Vos invites, vos documents, vos informations clients, tout est traité par un tiers.

Avec un modèle ouvert qui tourne sur votre propre infrastructure, les données ne sortent jamais de votre contrôle. Ça compte pour :

• Les organisations de santé avec des données patients
• Les services financiers avec des informations clients
• Les cabinets d’avocats avec des documents confidentiels
• Toute entreprise avec des secrets industriels
• Les administrations avec des informations classifiées

Instaclustr’s analysis emphasizes “data sovereignty” as a key benefit of open models. Vous ne confiez pas vos données à un tiers.

L’avantage de l’affinage

Les modèles ouverts vous permettent de personnaliser d’une manière que les modèles fermés ne permettent pas.

L’affinage, c’est entraîner un modèle davantage sur vos données spécifiques. Un cabinet d’avocats peut affiner sur des documents juridiques. Une entreprise médicale peut affiner sur des notes cliniques. Un distributeur peut affiner sur des transcriptions de support client.

According to Elephas’s analysis, open models offer “better fine-tuning accuracy due to flexible customization of local model parameters.”

Les modèles fermés proposent parfois de l’affinage, mais c’est limité. Vous n’accédez pas aux poids sous-jacents. Vous affinez via l’interface de l’API, pas le modèle lui-même.

Le bouleversement DeepSeek

Début 2025, DeepSeek est devenu une force majeure. L’entreprise chinoise a publié des modèles qui rivalisaient avec les meilleurs d’OpenAI et de Google.

According to Hugging Face’s overview, DeepSeek R1 is among the “10 Best Open-Source LLM Models” alongside Llama 4 and Qwen 3.

L’arrivée de DeepSeek a compliqué le récit. Elle a montré que le leadership IA n’était pas garanti de rester chez des entreprises américaines. Elle a aussi démontré que des équipes talentueuses avec moins de ressources pouvaient rivaliser grâce à une ingénierie astucieuse.

Red Hat’s report notes that “total model downloads switched from USA-dominant to China-dominant during the summer of 2025.”

Les petits modèles progressent

L’une des tendances les plus importantes, c’est l’amélioration rapide des petits modèles.

According to Red Hat, “perhaps the biggest win for AI in 2025 has been the advancement of small language models (SLMs) that can run on almost any consumer device, including mobile phones.”

Ça compte énormément pour l’open source. Si vous avez besoin d’un modèle à 70 milliards de paramètres, il vous faut du matériel sérieux. Si un modèle à 7 milliards fait le travail, vous pouvez le faire tourner sur un ordinateur portable.

Le dernier modèle Llama 3.3 70B offre des performances comparables au modèle à 405B paramètres pour une fraction du coût de calcul. Des modèles plus petits et plus efficaces rendent l’auto-hébergement plus pratique pour plus d’utilisateurs.

Les implications pour les entreprises

Si vous hésitez entre open et fermé pour votre organisation, voici les points clés :

Choisissez du propriétaire si :

• Vous êtes sur un volume faible à moyen
• Vous voulez un minimum de charge opérationnelle
• Vous avez besoin des capacités les plus à la pointe
• Vous êtes à l’aise avec le fait que les données sortent de votre infrastructure
• Vous voulez que quelqu’un d’autre gère la sécurité et les mises à jour

Choisissez de l’open source si :

• Vous êtes sur un gros volume et le coût compte
• La confidentialité ou la souveraineté des données est critique
• Vous devez personnaliser le modèle pour votre usage
• Vous voulez contrôler votre infrastructure IA
• Vous intégrez l’IA dans des produits que vous vendez

Beaucoup d’organisations finissent par utiliser les deux. Des API fermées pour prototyper et pour des usages à faible volume. Des modèles ouverts pour l’échelle en production ou pour des données sensibles.

Ce que ça signifie pour l’avenir

Le débat open vs. fermé va façonner l’avenir de l’IA.

Si le fermé gagne : quelques entreprises contrôlent l’IA la plus puissante. Elles deviennent des gardiens de l’accès : qui peut construire quoi. Concentration du pouvoir chez les géants de la tech.

Si l’open gagne : l’IA devient une infrastructure que n’importe qui peut utiliser. Innovation plus distribuée. Plus difficile à contrôler ou à réguler. Plus de potentiel d’abus, mais aussi plus de transparence.

La réalité probable : quelque part entre les deux. Les modèles fermés resteront probablement à la frontière. Les modèles ouverts seront suffisamment capables pour la plupart des besoins. L’écart sera assez faible pour que le choix porte sur les compromis, pas sur la capacité.

Pour le contexte complet sur la manière dont l’IA est arrivée là, voir Chronologie de l’IA : de 1950 à aujourd’hui. Et pour ce qui pourrait arriver ensuite, voir Et ensuite pour l’IA : 2025-2030.

La bataille entre open et fermé ne concerne pas seulement des architectures techniques. Elle concerne qui a le droit de construire l’avenir, et combien ça coûte. Le résultat affecte tous ceux qui utilisent l’IA, ce qui veut de plus en plus dire : tout le monde.