Contexte et méthodologie

Village utilise LLM Atlas pour cartographier le rapport prix‑performance des grands modèles de langage. L’outil attribue à chaque modèle un score de capacité dérivé de benchmarks publics, puis combine ce score avec un coût par tâche estimé à partir d’exécutions d’API hébergées. Le coût est exprimé en pourcentage du prix de référence GPT‑5 en mode « high effort ». Pour chaque date, Atlas examine les 201 budgets répartis logarithmiquement entre 1 % et 300 % du coût de GPT‑5, et sélectionne le modèle le plus performant à chaque point.

Les données d’octobre 2026, dernières mises à jour, reposent sur des modèles évalués sur au moins dix familles de benchmarks. Des variantes de la méthodologie (restriction à 3 %–100 % du coût, ou extension à 0,3 %–1000 %) reproduisent la même tendance, confirmant la robustesse du signal.

Évolution du partage budgétaire

En juin 2026, les modèles ouverts occupaient 41 % des budgets les plus rentables, principalement grâce à DeepSeek V4 Flash, qui était le meilleur choix sur près d’un tiers des budgets. Cette part a chuté à 3 % dès septembre 2026, lorsque GPT‑6 Luna (OpenAI) et GPT‑6.1 Terra (OpenAI) ont couvert la plupart des points de la frontière, accompagnés de Claude Haiku 5.5 (Anthropic).

Historiquement, les modèles ouverts détenaient au moins 6 % des budgets à chaque clôture de trimestre depuis 2024, avec des pics ponctuels (par exemple DeepSeek‑V3.2‑Exp a atteint près de 50 % des budgets la semaine de son lancement en septembre 2025). Chaque pic a été suivi d’une réduction d’au moins la moitié au trimestre suivant, dès que les laboratoires fermés ont introduit des versions moins chères.

Mécanismes de domination des modèles fermés

Trois facteurs expliquent la progression observée. Premièrement, les laboratoires fermés peuvent distiller leurs modèles de pointe pour créer des versions économiques en interne. L’exemple de Claude Haiku 5.5, lancé deux semaines après Claude Opus 5.5, montre une chaîne de diffusion rapide qui n’est pas disponible aux laboratoires ouverts, dont les conditions d’utilisation interdisent l’entraînement sur les sorties des modèles fermés.

Deuxièmement, les acteurs fermés publient des familles complètes. La gamme GPT‑6 (Luna, Terra, Sol, Astra) couvre 11 des 21 points de la frontière, ce qui signifie qu’une seule génération peut répondre à la quasi‑totalité des budgets. En comparaison, les modèles ouverts doivent souvent compter sur des sorties isolées pour occuper chaque créneau.

Troisièmement, les infrastructures d’inférence des laboratoires fermés fonctionnent à très grande échelle. OpenAI, Anthropic et Google exploitent leurs propres puces ou datacenters, ce qui réduit le coût unitaire des tâches. Les laboratoires ouverts, en revanche, opèrent sur des volumes nettement inférieurs, ce qui se traduit par des tarifs plus élevés pour des capacités similaires.

Implications et limites

Le déplacement du rapport prix‑performance vers les modèles fermés suggère que les organisations cherchant à optimiser leurs dépenses d’IA devront privilégier les offres commerciales, sauf lorsqu’elles disposent d’une expertise suffisante pour déployer et optimiser des modèles ouverts sur du matériel interne. Cependant, la méthodologie d’Atlas repose sur des coûts d’API publics ; les économies potentielles d’une exécution locale ne sont pas entièrement capturées, ce qui pourrait sous‑estimer la compétitivité des modèles open‑weight à très bas coût.

Par ailleurs, la dépendance aux modèles fermés augmente la concentration du marché et limite la transparence des performances. Les futures études devront intégrer des mesures de efficacité énergétique et de latence pour affiner l’évaluation du rapport prix‑performance au-delà du simple coût monétaire.