IA open source contre laboratoires propriétaires : pourquoi l'un ne tue pas l'autre

Depuis deux ans, une prédiction assurée circule dans l'industrie technologique : à mesure que des modèles d'IA open source performants prolifèrent et deviennent gratuits à télécharger, ils videront de leur substance l'activité des laboratoires fermés qui facturent l'accès à leurs systèmes. Une récente analyse de TechCrunch conteste ce récit, soutenant que jusqu'ici l'essor des modèles ouverts ne se fait pas aux dépens des laboratoires de pointe, et que les deux capturent peut-être des phases différentes d'un même cycle de vie.

Pour comprendre l'argument, il faut définir les deux camps. Les modèles propriétaires ou fermés sont développés par des entreprises qui gardent le système privé et vendent l'accès, généralement via une interface permettant à d'autres logiciels d'envoyer des requêtes et de recevoir des réponses. Les modèles open source ou à poids ouverts, à l'inverse, sont diffusés pour que chacun puisse les télécharger, les exécuter et les modifier, souvent à peu ou pas de frais.

L'argument intuitif du remplacement des modèles fermés par les ouverts est simple. Si un modèle gratuit suffit pour une tâche, pourquoi payer pour un modèle propriétaire ? Cette logique a tenu dans de nombreux pans de l'histoire du logiciel, où les alternatives ouvertes ont fini par banaliser des produits jadis haut de gamme. Appliquée à l'IA, elle suggérait que les laboratoires fermés vendaient une chose bientôt disponible gratuitement.

Ce que ce raisonnement néglige, selon l'analyse, c'est que les modèles ouverts et fermés tendent à être utilisés à des étapes différentes de la vie d'un projet. Les modèles propriétaires de pointe sont souvent le point de départ des équipes, car ils offrent la plus grande capacité et le moins de friction : aucune infrastructure à gérer, un accès immédiat aux systèmes les plus avancés et une itération rapide. C'est la phase d'exploration, où la capacité compte plus que le coût.

Les modèles ouverts, eux, s'imposent plus tard. Une fois qu'une entreprise sait exactement ce dont elle a besoin, un modèle ouvert qu'elle peut héberger elle-même, affiner sur ses propres données et exécuter à coût prévisible devient attrayant. C'est la phase d'optimisation, où le contrôle, la confidentialité et l'économie unitaire comptent plus que la capacité de pointe brute, et où un modèle auto-hébergé moins cher l'emporte souvent.

Vus ainsi, les deux sont moins des rivaux que des compléments. Une équipe peut prototyper sur un modèle propriétaire de premier plan, prouver qu'une idée fonctionne, puis basculer une charge mature et à fort volume vers un modèle ouvert pour réduire les coûts, tout en revenant à la pointe pour le prochain problème difficile. La même organisation peut être à la fois cliente payante d'un laboratoire fermé et grande utilisatrice de modèles ouverts.

Il existe aussi une cible mouvante qui protège les laboratoires de pointe. Les systèmes propriétaires les plus avancés continuent de s'améliorer, si bien que l'écart de capacité entre les modèles fermés les plus récents et les meilleurs modèles ouverts tend à persister, même quand les modèles ouverts rejoignent le niveau de la pointe un an plus tôt. Pour les clients qui ont besoin du système le plus performant disponible aujourd'hui, c'est précisément cet écart qu'ils paient.

Rien de tout cela ne signifie que les modèles ouverts ne sont pas une force concurrentielle. Ils exercent une pression réelle sur les prix, poussent les laboratoires fermés à justifier leur prime et donnent aux entreprises un levier et des alternatives qu'elles n'avaient pas. L'analyse qualifie la situation de « pas encore dommageable », un qualificatif délibéré qui reconnaît que la dynamique pourrait changer si les modèles ouverts comblaient l'écart de capacité plus vite que la pointe n'avance.

L'économie sous-jacente explique pourquoi les laboratoires ne paniquent pas. Construire un modèle de pointe exige un investissement énorme en puissance de calcul et en talents de recherche, des coûts que les diffusions ouvertes n'éliminent pas mais redistribuent. Quelqu'un doit encore financer l'entraînement des systèmes les plus performants, et les laboratoires fermés soutiennent que les revenus d'accès rendent cet investissement continu possible, ce qui produit à son tour les avancées sur lesquelles les modèles ouverts s'appuient ensuite.

Pour les entreprises qui choisissent entre les deux, la leçon pratique est que ce n'est pas forcément une décision binaire. Les adoptants d'IA les plus avancés utilisent de plus en plus les deux, adaptant l'outil à la phase : modèles propriétaires pour la capacité de pointe et l'expérimentation rapide, modèles ouverts pour le contrôle et le coût à grande échelle. Plutôt que l'un tue l'autre, le marché semble s'installer dans une division du travail et, pour l'instant du moins, les deux camps progressent.