Contexte des acquisitions
Le secteur de l’IA à poids ouvert attire des sommes record : un rumeur indique que Nvidia pourrait racheter Hugging Face pour 13 milliards de dollars, tandis que le géant des puces a déjà conclu un accord de 6 milliards avec Poolside, un constructeur de modèles ouverts. Deux semaines auparavant, Stripe a acheté OpenRouter, le principal fournisseur de modèles à poids ouvert aux entreprises, pour plus de 7 milliards. Ces opérations illustrent un afflux de capitaux dans un modèle économique basé sur la gratuité du code et des poids, mais qui génère des revenus indirects via l’infrastructure et les services associés.
Stratégie Nvidia et enjeux d'inférence
Nvidia cherche à réduire sa dépendance aux hyperscalers et aux laboratoires de pointe comme OpenAI ou Google, qui développent leurs propres puces d’inférence (ex. le jalapeño d’OpenAI). En contrôlant la plus grande communauté américaine de développeurs de modèles ouverts, Nvidia espère convertir ces utilisateurs en clients de ses GPU et de ses standards de compilation. Malgré le lancement de la famille Nemotron, l’adoption reste limitée, ce qui motive l’acquisition de plateformes à forte traction afin d’alimenter la demande de calcul et de sécuriser une part du marché du « model‑making ».
Adoption et performances des modèles à poids ouvert
Les données d’enquête montrent que seulement 6 % des entreprises utilisent des modèles à poids ouvert, et 2 % des ingénieurs les intègrent dans leurs pipelines, selon Ramp et Jellyfish. Ces modèles sont privilégiés pour des charges de travail à forte répétition, comme les chatbots de service client, où ils peuvent être affiné à moindre coût. Fireworks, un routeur de modèles ouvert, traite 40 trillions de tokens par jour, dépassant les volumes des API Gemini ou OpenAI. En parallèle, des acteurs chinois (Moonshot, DeepSeek, Alibaba) proposent des alternatives moins chères, accentuant la pression sur les prix d’inférence.
Perspectives et limites
Les entreprises adoptent les modèles ouverts principalement pour le contrôle et la configurabilité, pas uniquement pour réduire les dépenses. Selon Nik Albarran de Jellyfish, la maturité des flux de travail IA rendra l’auto‑hébergement plus attractif, surtout si les prix des modèles propriétaires continuent d’augmenter. Cependant, la pénétration reste faible et les modèles de pointe restent dominés par les laboratoires propriétaires, qui offrent des subventions de tokens et des performances supérieures sur des tâches complexes. La spécialisation des modèles, prônée par Fireworks, pourrait conduire chaque société à développer son propre modèle dédié, mais cela nécessite des investissements en recherche et en infrastructure que toutes les entreprises ne sont pas prêtes à assumer aujourd’hui.
