Près de la moitié des modèles d’IA ouverts pourraient disparaître à mesure que les offres propriétaires captent l’usage et les investissements. Entre 2020 et 2025, leur part dans l’écosystème est passée de 56 % à 40 %, tandis que les modèles fermés conservent un avantage sur les performances de pointe et la distribution commerciale, selon une analyse publiée en septembre 2026 par OnPodé.
Cette évolution ne signifie pas la disparition immédiate des modèles ouverts. Llama 3 et DeepSeek-V3 ont réduit l’écart avec GPT-4o sur plusieurs benchmarks, et Mistral continue de publier des modèles sous des licences ouvertes. Mais la dynamique économique favorise les entreprises capables de financer les infrastructures, de vendre des API et de verrouiller l’accès aux meilleurs modèles.
L’enjeu dépasse la rivalité entre éditeurs. Si moins d’équipes peuvent entraîner, publier et maintenir des modèles accessibles, la diversité technique recule, la recherche dépend davantage de quelques fournisseurs et les entreprises perdent une partie de leur capacité à héberger l’IA sur leurs propres infrastructures.
De 56 % à 40 % en cinq ans : le recul mesuré des modèles ouverts
La contraction de l’IA ouverte est d’abord visible dans la composition du marché. Les modèles ouverts représentaient 56 % du secteur en 2020, contre 40 % en 2025, selon les données relayées par OnPodé.
Cette baisse intervient alors même que les modèles à poids ouverts ont progressé sur le plan technique. Llama 3 et DeepSeek-V3 ont réduit l’écart avec GPT-4o sur des évaluations de référence, ce qui confirme qu’un modèle accessible au téléchargement peut atteindre un niveau proche de solutions propriétaires sur certaines tâches.
Le problème se situe donc moins dans la seule qualité des modèles que dans leur capacité à s’imposer durablement. Un modèle ouvert doit être entraîné, évalué, documenté, distribué, mis à jour et accompagné d’outils d’inférence. Ces étapes nécessitent des moyens financiers et une infrastructure dont disposent surtout les grands groupes technologiques.
Une autre mesure souligne le déséquilibre économique. Les modèles ouverts représenteraient environ 30 % du trafic de tokens sur des plateformes telles qu’OpenRouter, contre 70 % pour les modèles propriétaires, selon une estimation publiée en octobre 2026 par What’s the Big Data.
À retenir : la performance des modèles ouverts se rapproche de celle des modèles fermés, mais leur usage et leur capacité de financement progressent moins vite.
Les modèles propriétaires contrôlent la distribution
L’avantage des modèles propriétaires ne repose pas uniquement sur les benchmarks. Il tient aussi à la manière dont les utilisateurs accèdent aux services, aux logiciels déjà installés et aux infrastructures cloud.
Un fournisseur propriétaire peut intégrer son modèle dans une interface grand public, une suite bureautique, un moteur de recherche ou une plateforme de développement. Il contrôle alors la distribution, la facturation, les données d’usage et les mises à jour. Cette intégration réduit le nombre d’étapes entre la sortie du modèle et son adoption par les entreprises.
À l’inverse, un modèle ouvert impose souvent plusieurs décisions techniques : choix du fournisseur de calcul, déploiement local ou cloud, sélection du moteur d’inférence, contrôle des versions et maintenance des garde-fous. Cette liberté constitue un avantage pour les organisations qui veulent maîtriser leurs données, mais elle augmente le coût initial du projet.
Les modèles propriétaires peuvent aussi financer plus facilement des entraînements continus. Le fournisseur facture l’accès par abonnement, par requête ou par volume de tokens, puis réinjecte ces revenus dans les centres de données, les puces et les équipes de recherche.
Les modèles ouverts disposent de modèles économiques moins uniformes. Certains éditeurs vendent une API hébergée, des prestations de déploiement ou des versions commerciales, tandis que la communauté prend en charge une partie de l’expérimentation. Cette combinaison peut accélérer l’innovation, mais elle rend le financement de long terme plus difficile.
Le coût total favorise parfois le propriétaire, malgré la gratuité des poids
Télécharger les poids d’un modèle ne signifie pas que son utilisation est gratuite. Il faut financer le stockage, les GPU, l’électricité, l’orchestration, la sécurité, la supervision et les mises à jour.
Cette distinction change la comparaison entre les deux approches. Un modèle ouvert peut réduire la dépendance à une API et permettre un hébergement privé, mais une entreprise doit alors assumer une partie de l’infrastructure. Un modèle propriétaire facture l’usage, tout en absorbant une grande partie de la complexité opérationnelle.
Les estimations disponibles indiquent toutefois que les modèles ouverts peuvent rester compétitifs. Selon What’s the Big Data, ils atteindraient environ 90 % des performances des solutions fermées pour un coût d’utilisation équivalent à 15,66 % de celui des modèles propriétaires.
Ces chiffres doivent être interprétés comme une moyenne et non comme une règle générale. Le coût dépend du modèle choisi, de la longueur des requêtes, du nombre d’utilisateurs, du niveau de quantification et du type de matériel disponible.
Une équation différente pour les entreprises
Pour une petite équipe, une API propriétaire peut être la solution la plus rapide. Elle évite l’achat de machines, limite le travail d’exploitation et offre un support commercial identifiable.
Pour une entreprise soumise à des contraintes de confidentialité, de souveraineté ou de latence, un modèle ouvert peut devenir plus intéressant. Le déploiement local permet de garder les données dans un environnement contrôlé et de personnaliser le modèle avec des données internes.
Le choix dépend donc du coût total, pas du seul prix affiché. L’abonnement ou la tarification à l’usage d’un modèle propriétaire doit être comparé au coût du calcul, des équipes et de la maintenance nécessaires pour exploiter un modèle ouvert.
L’écart de performance se réduit, mais l’avantage de pointe reste fermé
Les modèles ouverts ont gagné du terrain sur les capacités générales, le code et le raisonnement. Llama 3 et DeepSeek-V3 ont contribué à rapprocher les modèles à poids ouverts des systèmes propriétaires de premier plan.
L’écart n’a toutefois pas disparu. Une synthèse publiée en septembre 2026 indique que le meilleur modèle ouvert accuse six points de retard sur le meilleur modèle fermé dans un indice composite fondé sur neuf benchmarks. Un an plus tôt, l’écart atteignait 13 points.
La tendance est favorable à l’ouverture, mais le niveau de pointe reste dominé par les modèles propriétaires. Cette avance peut influencer les contrats d’entreprise, les classements et la perception de la fiabilité, même lorsque la différence pratique est faible pour des tâches courantes.
Les benchmarks ne mesurent pas tous les mêmes capacités. Un modèle peut être compétitif en génération de code, mais moins performant en raisonnement complexe, en multimodalité ou en utilisation d’outils. Les résultats dépendent également des versions, des paramètres d’évaluation et des conditions de test.
La conséquence commerciale est claire : les modèles ouverts doivent être suffisamment bons sur des usages précis, tandis que les fournisseurs propriétaires vendent une promesse plus large, combinant modèle, interface, outils, sécurité et support.
Mistral illustre la stratégie hybride de l’Europe
Mistral montre qu’un éditeur peut soutenir l’ouverture tout en développant des offres commerciales propriétaires. L’entreprise a publié certains modèles sous Apache 2.0, une licence permissive qui autorise leur utilisation, leur modification et leur redistribution sous conditions.
Mistral Small 4, lancé en mars 2026, a été présenté sous Apache 2.0. Ce modèle de 119 milliards de paramètres, dont 6,5 milliards actifs, combine instruction, raisonnement, code et fonctions d’agent, avec une fenêtre de contexte de 256 000 tokens, selon une chronologie publiée par ScriptByAI.
L’éditeur ne rend pas pour autant tous ses modèles accessibles de la même manière. Certaines versions utilisent une licence MIT modifiée, une licence de recherche ou des conditions commerciales spécifiques. D’autres sont proposées comme services hébergés.
Cette approche répond à une contrainte économique. Publier les poids favorise l’adoption, l’expérimentation et l’influence technique. Les offres hébergées et les licences commerciales créent les revenus nécessaires pour financer la recherche, les centres de données et les équipes.
Des partenariats pour financer l’ouverture
Mistral a également développé des partenariats avec des acteurs industriels et cloud. Un accord annoncé avec Microsoft a permis de rendre certains modèles accessibles aux clients Azure et d’étendre leur distribution dans l’écosystème d’entreprise.
L’entreprise a aussi engagé une stratégie d’infrastructure européenne. Une analyse publiée en septembre 2026 indique que Mistral vise 200 mégawatts de capacité propre d’ici la fin de 2027 et jusqu’à 1 gigawatt en 2030, avec le soutien d’engagements pluriannuels d’acteurs comme ASML, CMA CGM, Capgemini, Amadeus et la Caisse des Dépôts.
Ces partenariats montrent la limite d’une ouverture financée uniquement par la communauté. Pour rester compétitif, un éditeur doit sécuriser du calcul, des clients et des revenus récurrents. L’ouverture devient alors un élément de stratégie, plutôt qu’un modèle économique complet.
La régulation peut protéger l’ouverture, sans supprimer ses contraintes
La réglementation européenne introduit une distinction entre les modèles généralistes ouverts et les services commerciaux qui les exploitent. Les fournisseurs de modèles véritablement gratuits et open source peuvent bénéficier d’exemptions sur certaines obligations documentaires prévues par l’AI Act, selon une analyse publiée en septembre 2026.
Cette protection ne signifie pas qu’un modèle ouvert échappe à toutes les règles. Les obligations peuvent dépendre de la licence, du niveau de transparence, de l’usage du modèle et du rôle joué par l’organisation qui le distribue ou l’intègre dans un produit.
Le débat porte également sur la concentration du marché. Lorsque quelques fournisseurs contrôlent le calcul, les interfaces et les meilleurs modèles, les développeurs deviennent dépendants de leurs conditions commerciales. Des appels à la régulation émergent pour préserver la concurrence, l’interopérabilité et l’accès à des modèles inspectables.
La régulation peut cependant augmenter les coûts de conformité. Une petite équipe qui publie un modèle ouvert doit comprendre ses obligations, documenter les données, évaluer les risques et préciser les conditions d’utilisation. Sans accompagnement, ces exigences peuvent favoriser les acteurs déjà capables de financer des services juridiques et techniques.
À retenir : une régulation favorable à l’ouverture doit limiter la concentration sans transformer la publication d’un modèle en processus inaccessible aux petites équipes.
Pourquoi la disparition de certains modèles menace la diversité
La diversité des modèles ne se réduit pas au nombre de dépôts disponibles. Elle concerne les architectures, les jeux de données, les langues couvertes, les méthodes d’entraînement, les licences et les conditions de déploiement.
Un écosystème dominé par quelques modèles propriétaires présente plusieurs risques. Les utilisateurs peuvent dépendre d’une seule politique tarifaire, d’une seule infrastructure et d’une seule conception de la sécurité. Une modification de licence ou une hausse des prix peut alors affecter de nombreux projets en même temps.
Les modèles ouverts permettent au contraire de comparer les résultats, d’auditer certains composants et d’adapter le système à un domaine particulier. Ils donnent aussi aux chercheurs la possibilité de reproduire des expériences sans dépendre entièrement d’une API distante.
Cette ouverture reste imparfaite. Les poids ne garantissent pas l’accès aux données d’entraînement, aux méthodes complètes ni à l’infrastructure utilisée pour créer le modèle. Le terme open source est donc employé dans des situations très différentes, depuis un modèle réellement reproductible jusqu’à un modèle dont seuls les poids sont téléchargeables.
La disparition de modèles ouverts réduirait malgré tout le nombre d’options disponibles. Pour les administrations, les chercheurs et les entreprises européennes, cette réduction pourrait affaiblir la capacité à développer des solutions adaptées aux contraintes locales.
Trois scénarios pour les six prochains mois
L’évolution du marché peut suivre plusieurs trajectoires, mais les signaux actuels favorisent une coexistence inégale entre modèles ouverts et propriétaires.
- La spécialisation ouverte : les modèles accessibles se concentrent sur des usages ciblés, comme le code, l’extraction documentaire, les langues européennes ou le déploiement sur des appareils disposant de ressources limitées.
- La consolidation commerciale : les éditeurs ouverts les plus solides associent publication de poids, API payante, partenariats cloud et services d’intégration.
- La concentration de pointe : les modèles propriétaires conservent l’avantage sur les capacités générales les plus avancées et captent la majorité du trafic de tokens.
Le premier scénario peut préserver la diversité sans exiger que chaque modèle ouvert rivalise avec le meilleur système fermé sur toutes les tâches. Le deuxième donne aux éditeurs les revenus nécessaires pour maintenir leurs modèles. Le troisième reste le principal risque pour l’autonomie des utilisateurs.
La trajectoire de Mistral résume cette tension. L’entreprise continue de publier certains modèles sous des licences ouvertes, mais elle développe aussi des modèles soumis à des conditions différentes, des services hébergés et des partenariats d’infrastructure. Cette combinaison pourrait devenir la norme pour les acteurs qui veulent survivre face aux budgets des grands fournisseurs.
Notre avis : l’ouverture survivra par les usages, pas par la gratuité
L’IA ouverte est menacée, mais sa disparition complète n’est pas le scénario le plus crédible. Les modèles ouverts ont démontré leur capacité à réduire l’écart technique, à diminuer les coûts d’usage et à répondre aux besoins de souveraineté ou de personnalisation.
En revanche, l’idée qu’un modèle performant puisse rester durablement gratuit, universel et entièrement financé par la communauté paraît difficile à maintenir. Les acteurs qui publieront leurs poids devront probablement monétiser l’hébergement, le support, les licences commerciales ou l’accès à des capacités avancées.
Le recul de 56 % à 40 % entre 2020 et 2025 montre la pression exercée par les modèles propriétaires. La part d’environ 30 % du trafic de tokens attribuée aux modèles ouverts confirme que l’ouverture conserve une place réelle, mais minoritaire.
Dans six mois, la question décisive ne sera probablement pas de savoir si l’open source a gagné ou perdu. Elle sera de déterminer quels modèles ouverts auront trouvé un financement, une communauté et un usage suffisamment fort pour continuer d’exister face aux plateformes intégrées. La diversité de l’écosystème dépendra de cette capacité à transformer l’ouverture en avantage durable, plutôt qu’en simple mode de distribution.