Modèles IA ouverts : ce qui change vraiment pour une entreprise

Quand une entreprise se penche sur l'intelligence artificielle, la question revient toujours sous la même forme : quel modèle choisir ? Et derrière la question, une idée reçue tenace : le modèle ouvert serait la version au rabais, celle qu'on prend faute de budget, en attendant de pouvoir s'offrir le « vrai » modèle.

Cette idée a vécu. En deux ans, l'écart s'est refermé. Les meilleurs modèles ouverts jouent aujourd'hui dans la même cour que les modèles fermés, à quelques points d'écart sur les benchmarks, et parfois mieux sur certaines tâches précises. Ce basculement change beaucoup plus de choses qu'un classement : il déplace la question du choix d'un fournisseur vers celle du choix d'une architecture.

Pour une entreprise, ce n'est pas un détail technique. C'est ce qui décide si vos données restent chez vous, si vos outils continuent de fonctionner quand un prestataire change ses tarifs, et si vous pouvez brancher l'IA sur vos propres systèmes sans demander la permission à personne.

Un modèle ouvert n'est plus la version au rabais

Pendant longtemps, « ouvert » voulait dire « un train de retard ». On l'utilisait pour prototyper, pour les tâches sans enjeu, ou parce que le budget ne suivait pas. Le modèle fermé du moment restait la référence, celui vers lequel on migrait dès que le projet devenait sérieux.

Le rapport s'est inversé. Ce qui était vrai il y a deux ans ne l'est plus : les modèles ouverts les plus récents atteignent un niveau de raisonnement, de rédaction et de compréhension qui suffit à la très grande majorité des usages professionnels. Rédiger un devis, résumer un contrat, trier des demandes entrantes, répondre à un client dans sa langue, extraire des données d'une facture : sur ces tâches, la différence entre le meilleur modèle ouvert et le meilleur modèle fermé est souvent invisible à l'usage.

L'écart qui reste se situe sur les tâches les plus difficiles — raisonnement long, code complexe, enchaînements d'actions autonomes. Mais il se réduit à chaque génération, et il se réduit vite.

Le point que beaucoup ratent : la question n'est pas « lequel est le plus fort ? » mais « lequel est le plus fort pour ce que je fais ». Un modèle qui gagne un point sur un benchmark abstrait n'apporte rien à une entreprise dont le besoin réel est de classer des emails et de rédiger des réponses justes.

Ce que « ouvert » veut dire exactement — et ce que ça ne veut pas dire

Le mot « ouvert » recouvre des réalités très différentes, et c'est là que beaucoup d'entreprises se trompent.

• Les poids ouverts (open weights) : le fichier du modèle est téléchargeable et exécutable chez vous. Vous pouvez l'installer, l'ajuster, l'utiliser sans limite d'appels. C'est le sens le plus courant aujourd'hui.
• Les poids ouverts mais licence restrictive : le modèle est téléchargeable, mais sa licence impose des conditions — limite de taille d'entreprise, interdiction de certains usages, obligation de mentionner l'éditeur. À lire avant de déployer en production.
• L'open source au sens strict : code d'entraînement, données et méthode publiés, droits d'usage sans restriction. C'est le cas le plus rare, et souvent pas celui des modèles que l'on croit.
• L'API d'un modèle ouvert : vous utilisez un modèle ouvert, mais hébergé par un tiers. Pratique, moins cher qu'un modèle fermé — mais vos données quittent vos locaux, et vous dépendez à nouveau d'un intermédiaire.

La distinction compte : un modèle aux poids ouverts mais sous licence restrictive n'offre pas la même liberté qu'un modèle réellement libre. Et un modèle ouvert appelé via une API n'offre pas la souveraineté qu'on attendait de lui.

« Ouvert » ne veut pas dire « gratuit », ni « sans contrainte ». Cela veut dire : vous pouvez regarder à l'intérieur, et vous pouvez le faire tourner chez vous.

Trois questions avant de trancher

Avant de choisir entre ouvert et fermé, trois questions valent mieux qu'un comparatif de performances.

1. Où vivent mes données ? Si vos données sont sensibles — dossiers clients, données de santé, informations financières, propriété intellectuelle —, la capacité à tout garder sur vos machines n'est pas un confort, c'est une condition.
2. Que se passe-t-il si mon prestataire change demain ? Un modèle fermé, c'est une location : le jour où le tarif double, où la fonctionnalité disparaît, où l'API est retirée, vous n'avez pas de recours. Un modèle ouvert, même s'il demande plus de travail au départ, ne peut pas vous être retiré.
3. Ai-je les compétences pour l'exploiter ? Un modèle ouvert ne s'installe pas comme une application. Il faut quelqu'un qui sache le déployer, le mettre à jour, surveiller sa qualité. Sans cette compétence, le modèle ouvert devient une dette technique.

Les trois réponses ne désignent pas toujours le même camp. Une entreprise qui n'a ni données sensibles, ni compétences techniques internes, ni besoin de personnalisation fine a souvent intérêt à commencer par un service hébergé. Une entreprise qui manipule des données confidentielles, ou qui veut intégrer l'IA au cœur de son fonctionnement, a souvent intérêt à regarder l'ouvert de près.

Ce que ça change concrètement dans une entreprise

Le discours sur la souveraineté reste abstrait tant qu'on ne le traduit pas en situations concrètes. Voici ce qui change vraiment, sur le terrain.

Le coût. Un modèle fermé se paie à l'usage : chaque appel a un prix, et ce prix grimpe avec le volume. Un modèle ouvert se paie en matériel et en temps d'ingénierie : une fois installé, chaque requête supplémentaire ne coûte presque rien. En dessous d'un certain volume, le service hébergé reste moins cher. Au-dessus, l'ouvert s'amortit — et parfois très vite. La frontière dépend entièrement de votre profil d'usage, pas d'une règle générale.

La personnalisation. Un modèle ouvert peut être ajusté sur vos données : votre vocabulaire métier, vos formats, vos procédures internes. Un modèle fermé ne se personnalise qu'à la marge, à travers le prompt ou des couches externes. Pour une entreprise dont le métier a un langage propre — un atelier, un cabinet, un commerce spécialisé —, cette différence se voit tout de suite dans la qualité des réponses.

Le contrôle des versions. Modèle ouvert : vous décidez quand vous passez à la version suivante, et vous pouvez revenir en arrière si elle se comporte moins bien. Modèle fermé : le fournisseur met à jour quand il veut, et votre outil peut changer de comportement du jour au lendemain, sans préavis.

La continuité. Si votre fournisseur ferme, rachète, ou décide de se recentrer, votre service s'arrête à la date qu'il choisit. Avec un modèle ouvert installé chez vous, l'outil continue de tourner.

Données, conformité : l'argument qui pèse le plus

Pour beaucoup d'entreprises, l'argument décisif n'est ni le coût ni la performance : c'est ce qu'on a le droit de faire de ses données.

Quand vous envoyez un document à un service d'IA hébergé, ce document sort de votre entreprise. Selon le prestataire, selon le contrat, selon le pays où le traitement a lieu, il peut être conservé, analysé, utilisé pour améliorer le service. Ce n'est pas nécessairement un problème — mais c'est une décision qui vous engage, et que vous devez pouvoir justifier.

Un modèle ouvert installé sur vos machines supprime la question à la racine : rien ne sort. Pour un cabinet qui traite des dossiers personnels, pour une entreprise qui manipule des données financières, pour tout acteur soumis à des obligations de confidentialité, cette propriété vaut souvent plus que n'importe quel gain de performance.

C'est aussi une question de rapport de force. Tant que vos outils dépendent d'un service que vous ne contrôlez pas, chaque nouveau prestataire devient un point de dépendance supplémentaire. À force, on ne choisit plus ses outils : on subit les leurs.

Ce que ça implique au Pays Basque

Notre tissu économique est fait d'entreprises à taille humaine, souvent familiales, souvent attachées à leur territoire. Ce profil change la donne.

D'un côté, ces entreprises n'ont pas d'équipe informatique disponible pour installer et maintenir un modèle ouvert. Elles ont besoin que quelqu'un s'en occupe, clé en main, avec un interlocuteur qu'elles peuvent appeler.

De l'autre, elles ont un rapport à la confidentialité beaucoup plus concret qu'on ne l'imagine. Un dossier client, c'est un nom, une adresse, une situation. Un carnet de commandes, c'est le résultat de vingt ans de travail. Ces entreprises ne veulent pas que ces informations se promènent ; elles veulent des outils qui font le travail, sans exposer ce qui compte.

C'est exactement là que l'approche ouverte prend son sens : un outil installé sur place, adapté au métier, qui garde les données à l'intérieur et ne dépend de personne pour continuer à fonctionner. Local ne veut pas dire petit — cela veut dire : ici, chez nous, sous notre contrôle.

Faut-il se lancer maintenant ?

Deux erreurs symétriques guettent.

La première : attendre. « On verra quand ça se stabilisera. » Le problème, c'est que rien ne se stabilise jamais dans ce domaine, et qu'attendre ne fait que laisser les concurrents prendre de l'avance sur des tâches qui, elles, sont déjà mûres.

La seconde : tout basculer d'un coup, par principe. Installer un modèle ouvert sur chaque poste, sans usage identifié, sans compétence interne : c'est le meilleur moyen de conclure que « ça ne marche pas ».

Le bon point de départ est plus modeste et plus utile : choisir une tâche répétitive, chronophage, à faible risque, et la traiter à fond. Un tri de demandes, une relecture de devis, une réponse type à personnaliser. On mesure le temps gagné, on vérifie la qualité, on ajuste — et on décide de la suite avec des faits, pas avec une intuition.

C'est aussi le meilleur test pour savoir si l'ouvert est fait pour vous : sur un cas réel, on voit immédiatement si le modèle tourne bien, si les données sensibles posent problème, et si l'équipe suit.

Comment je procède, concrètement

Je n'arrive pas avec une préférence de principe pour l'ouvert ou pour le fermé. J'arrive avec une méthode.

D'abord, regarder le travail réel : ce qui prend du temps, ce qui se répète, ce qui bloque. Ensuite, cartographier les données : qu'est-ce qui peut sortir de l'entreprise, qu'est-ce qui ne peut pas. C'est cette carte, et pas un classement de modèles, qui décide de l'architecture. Enfin, déployer un premier cas, le mesurer, et élargir seulement ce qui prouve son utilité.

Selon les cas, je recommande un service hébergé, un modèle ouvert installé sur place, ou une combinaison des deux : l'ouvert pour ce qui touche aux données sensibles, l'hébergé pour les tâches banales. Le bon choix n'est presque jamais idéologique ; il est contextuel.

Si vous voulez voir à quoi cela ressemble sur vos propres tâches, parcourez nos articles ou prenons un rendez-vous. On regarde votre situation, et on décide ensemble.

En résumé

• Le modèle ouvert n'est plus la version pauvre : sur la majorité des usages professionnels, il fait aussi bien.
• Ce qui compte n'est pas le classement, mais quatre questions : où vivent les données, quelle dépendance vous acceptez, quelle personnalisation vous voulez, quelle compétence vous avez.
• Pour les données sensibles, c'est l'argument décisif : installé chez vous, rien ne sort.
• Au Pays Basque, la demande n'est pas « le meilleur modèle du monde », c'est un outil adapté, discret, qui garde les données à l'intérieur.
• On commence petit : une tâche, mesurée, avant d'élargir.