Contexte et mesure du fossé

Le rapport State of Open Source AI de Mozilla, publié le 15 septembre 2026, indique que l’écart de performance entre les modèles d’IA de pointe fermés (ex. Anthropic Fable 5) et les meilleurs modèles à poids ouverts chinois s’est réduit à 4,4 mois d’avance. Cette mesure repose sur l’Artificial Analysis Intelligence Index, qui quantifie la capacité des modèles à accomplir des tâches de durée croissante avec un taux de succès fiable de 50 %.

Le critère de « time horizon » montre que le meilleur modèle fermé réalise des travaux 1,7 fois plus longs que le meilleur modèle ouvert. Concrètement, un modèle ouvert peut gérer une tâche de sept heures, tandis qu’un modèle fermé en gère une de douze heures ; après quatre mois, l’ouverture atteint la douze‑heure et le fermé atteint vingt heures.

Fonctionnement et coûts des modèles ouverts

Les modèles à poids ouverts, comme Kimi K3 de Moonshot AI, permettent le téléchargement complet des poids et l’exécution locale. Malgré cette transparence, les fournisseurs conservent les données d’entraînement, les pipelines et le code de formation, limitant la reproductibilité complète. Le coût d’utilisation de Kimi K3 est 30 % du prix d’Anthropic Fable 5 tout en affichant un score composite inférieur de seulement trois points.

Dans l’évaluation Terminal‑Bench 2.1 de Vals AI, le modèle ouvert GLM 5.2 de Z.ai (Zhipu AI) a obtenu un score à moins d’un point de Claude Opus 4.7/4.8, tout en coûtant cinq fois moins par tâche. Cette différence de prix se traduit par un « head start » de quatre mois pour les tâches de huit à douze heures, mais à un facteur de coût d’environ cinq.

Implications économiques et stratégiques

Les entreprises adoptent les modèles ouverts pour les travaux routiniers afin de réduire les dépenses. DoorDash, par exemple, utilise Kimi pour les tâches courantes et réserve Fable aux cas nécessitant une expertise professionnelle ou des contextes longs. Sur la plateforme OpenRouter, huit des dix modèles les plus sollicités en volume de tokens en août 2026 sont à poids ouverts, montrant une adoption massive au niveau opérationnel.

Malgré cette utilisation, les revenus générés par les modèles ouverts ne représentent que 4 % du chiffre d’affaires total du secteur IA, contre 96 % pour les modèles fermés, selon une étude Linux Foundation (mai‑septembre 2025). La concentration géographique est notable : la majorité des modèles ouverts largement déployés proviennent de laboratoires chinois, qui reproduisent le modèle économique d’Android – distribution gratuite du code tout en monétisant l’écosystème.

Limites et perspectives

Le principal frein à une adoption généralisée des modèles ouverts reste la capacité interne des organisations à gérer l’infrastructure nécessaire (GPU, pipelines de données, maintenance). De plus, les modèles fermés bénéficient souvent d’un « harness » propriétaire qui optimise l’interaction avec des outils externes, ce qui peut biaiser les comparaisons de performance. Les benchmarks neutres, comme ceux de Vals AI, tentent de neutraliser cet avantage, mais la variabilité des charges de travail réelles demeure difficile à quantifier.

À mesure que le « time horizon » des modèles ouverts continue de s’allonger, la zone où les modèles fermés offrent un avantage distinctif (tâches de 8‑12 heures) devrait se rétrécir. Les décideurs devront donc réévaluer le rapport coût‑bénéfice en fonction de leurs échéances spécifiques, plutôt que d’appliquer une stratégie uniforme de paiement pour les modèles de pointe.