Coûts, données, contrôle : IA open source propriétaire, le match

Le dilemme IA open source propriétaire structure désormais toutes les feuilles de route technologiques des directions numériques. Depuis que les modèles ouverts comme Llama, Mistral ou DeepSeek ont comblé une bonne partie de leur retard sur GPT ou Claude, la question n'est plus idéologique mais budgétaire : quel modèle pour quel usage, à quel coût, avec quel niveau de contrôle sur les données.

Définitions : ce qui distingue réellement les deux modèles

Une IA propriétaire, ou modèle fermé, est développée et contrôlée par une entreprise qui ne rend publics ni le code ni les poids nécessaires pour reproduire le système. L'accès se fait uniquement via une API payante ou un abonnement, selon le site spécialisé toki.com. À l'inverse, une IA open source est distribuée de façon à permettre à d'autres d'utiliser, étudier, modifier et partager le système.

Open weights, open source strict et source available

Dans l'usage courant de 2026, le terme « open source » désigne surtout des modèles dits open weights, selon le site NewsIA : les poids du modèle, c'est-à-dire les milliards de paramètres qui le définissent, sont publiés et téléchargeables, ce qui permet de les héberger soi-même. C'est le cas de Llama, Mistral 7B, DeepSeek V4 ou Qwen 3. L'open source strict, qui publie en plus le code d'entraînement et le jeu de données sous licence libre, reste rare : OLMo de l'Allen Institute ou Pythia d'EleutherAI en sont des exemples. Entre les deux existe le « source available », une licence restrictive qui interdit l'usage commercial au-delà d'un certain seuil, à l'image de Llama qui exclut les très grandes entreprises de son usage commercial.

Les ténors propriétaires

Côté fermé, GPT-5.5 d'OpenAI reste facturé 5 dollars par million de tokens en entrée, avec un abonnement ChatGPT Teams autour de 25 dollars par mois et par utilisateur, selon The Intelligence Academy. Claude d'Anthropic, Gemini de Google et Mistral Large (en version API propriétaire) complètent ce paysage, avec un support technique professionnel et des mises à jour régulières, mais une dépendance totale au fournisseur, rappelle le média suisse Bilan.

Performances, coûts et seuils de rentabilité

Le tableau comparatif

Le coût total de possession

D'après le cabinet Berger & Team, les modèles propriétaires transfèrent les coûts vers les dépenses d'exploitation (frais d'API, accords de niveau de service) avec une faible charge opérationnelle, tandis que l'open source déplace la facture vers l'investissement en GPU, stockage, réseau et personnel SRE ou MLOps. Avec un volume mensuel stable de plusieurs millions de jetons et une utilisation prévisible, l'open source s'avère souvent plus rentable, avec des coûts unitaires réduits de 30 à 70 % grâce à la quantification, au traitement par lots et à la mise en cache. The Intelligence Academy situe un autre repère utile : en dessous de 100 millions de tokens par mois, l'infrastructure open source dépasse souvent le coût d'une simple API propriétaire.

Le temps de mise en production

Le délai de valorisation reste l'argument massue du propriétaire : 1 à 7 jours pour passer en production, contre 3 à 8 semaines pour l'open source, le temps de sélectionner le modèle, de le quantifier, de le déployer, de l'autoscaler et de sécuriser l'ensemble, détaille Berger & Team. C'est pourquoi NewsIA recommande généralement de démarrer en propriétaire pour valider un cas d'usage en quelques semaines, puis de migrer vers l'open source une fois que le volume justifie l'investissement en infrastructure, ou que la souveraineté des données devient non négociable.

Les usages où l'un l'emporte sur l'autre

Le choix dépend surtout du contexte métier plus que d'une préférence de principe, résume le site Zoom-IA. Plusieurs situations penchent nettement d'un côté :

• Données sensibles (santé, finance, défense) : un modèle open source hébergé en interne élimine le risque d'exfiltration vers un fournisseur tiers.
• Volume très élevé, de l'ordre de plusieurs millions de requêtes par jour : l'auto-hébergement devient rentable rapidement.
• Fine-tuning sectoriel poussé sur un jargon métier (juridique, médical, technique) : l'accès aux poids du modèle permet un contrôle total.
• Déploiement en périphérie (edge), sur mobile ou on-premise, où l'open source s'adapte mieux aux contraintes matérielles.
• Prototypage rapide ou petit volume, inférieur à 10 000 requêtes par mois : l'API propriétaire évite toute gestion d'infrastructure.
• Time-to-market très court, typiquement pour une startup en phase de validation de concept, où l'open source demanderait un délai trop long.

Dans la pratique, note Zoom-IA, dans 80 % des cas la vraie réponse est hybride : propriétaire pour les tâches exigeantes de raisonnement, open source pour les volumes massifs et les usages sensibles, avec un routage intelligent entre les deux selon la complexité de la requête.

Le marché en 2026 : chiffres clés et mouvements financiers

Le rapport The State of Open Source AI, publié courant 2026, chiffre à environ 33 % la part des tokens traités par des modèles à poids ouverts sur l'ensemble du marché, avec 89 % des entreprises qui utilisent déjà des composants open source et 79 % des développeurs qui emploient des modèles ouverts. Mais seuls 51 % de ces modèles ouverts atteignent réellement la production, contre 63 % pour les modèles fermés, selon le même rapport. Autre donnée frappante de cette étude : parmi les neuf modèles les plus utilisés, les modèles construits en Chine et ouverts traitent environ 82 000 milliards de tokens mensuels, contre environ 23 000 milliards pour les modèles américains fermés.

Sur la plateforme Vercel, un seuil symbolique a été franchi juste avant l'été 2026 : la moitié des tokens routés via son API provenaient de modèles open source.

« ils ont vu un seuil de 50 % franchi juste avant l'été, où 50 % des tokens étaient open source », Wolf.

L'analyste cité, surnommé Wolf par le média Tikr, reste toutefois prudent sur la tendance de fond du marché global, qu'il estime encore largement favorable au propriétaire.

« J'espère que dans deux à trois ans nous atteindrons la parité », Wolf.

À l'inverse, l'indice IA publié par la fintech Ramp montre que les dépenses réelles des entreprises restent très concentrées sur le propriétaire.

« Les modèles open source représentent toujours <5 % des dépenses des entreprises », Ara Kharazian, indice IA de Ramp.

Côté financement, le secteur open source attire des montants comparables aux laboratoires fermés : DeepSeek a levé à lui seul 7,4 milliards de dollars de financements déclarés, selon The State of Open Source AI. Databricks affiche de son côté un chiffre d'affaires annualisé de 5,4 milliards de dollars, en hausse de plus de 65 % sur un an, et négocierait une levée valorisant l'entreprise à plus de 165 milliards de dollars. Le marché a aussi connu deux rachats marquants début octobre 2026 : Nvidia a annoncé en septembre le rachat de Hugging Face, la principale plateforme de partage de modèles open source, pour 12,9 milliards de dollars, tandis que Stripe a racheté OpenRouter pour environ 7,5 milliards de dollars, selon le média Tikr. Nvidia affirme désormais héberger plus de 3 millions de modèles via cette plateforme.

Malgré cette dynamique, les modèles open source ne représentaient encore que moins de 5 % des dépenses des entreprises en IA d'après l'indice Ramp cité par Tikr début octobre 2026, un écart qui illustre le décalage entre volume de tokens traités et budgets réellement alloués par les directions informatiques.

Une convergence déjà entamée depuis 2023

Cette dynamique de rattrapage n'est pas nouvelle. Dès décembre 2023, Numerama relevait que des modèles comme LLaMA ou Mixtral réduisaient l'écart avec leurs homologues fermés, même si les modèles propriétaires de l'époque, GPT, Gemini, Claude ou Chinchilla, restaient globalement supérieurs sur les benchmarks. Trois ans plus tard, l'écart de performance s'est réduit à quelques points sur la majorité des tâches, selon Zoom-IA, sans toutefois disparaître sur le raisonnement complexe ou le multimodal vidéo natif, où des modèles comme Gemini 3 Ultra restent en tête.

Questions fréquentes

Une IA open source est-elle toujours gratuite ?

Non. Les poids du modèle sont librement téléchargeables, mais l'infrastructure GPU, la maintenance et les compétences DevOps représentent un coût réel qui dépasse souvent celui d'une API propriétaire pour les petits volumes, en dessous de 100 millions de tokens par mois, selon The Intelligence Academy.

Quelle est la différence entre open weights et open source strict ?

L'open weights consiste à publier uniquement les poids du modèle, téléchargeables et auto-hébergeables, comme Llama ou Mistral 7B. L'open source strict publie en plus le code d'entraînement et le jeu de données sous licence libre, une pratique très rare incarnée par des projets comme OLMo ou Pythia, selon NewsIA.

À partir de quel volume l'open source devient-il rentable ?

Avec un volume mensuel stable de plusieurs millions de tokens et une utilisation prévisible, l'open source s'avère souvent plus rentable grâce à la quantification, au traitement par lots et à la mise en cache, qui réduisent les coûts unitaires de 30 à 70 %, selon Berger & Team.

Les modèles open source ont-ils rattrapé les modèles propriétaires ?

L'écart s'est fortement réduit : les meilleurs modèles ouverts tiennent désormais à 5-10 % des performances des modèles fermés sur la plupart des benchmarks en 2026, selon NewsIA. Les modèles propriétaires conservent toutefois une avance sur le raisonnement complexe et le multimodal vidéo natif.

Peut-on combiner les deux approches ?

Oui, et c'est même l'approche majoritaire en 2026 : les entreprises matures utilisent l'open source auto-hébergé pour les volumes massifs et les usages sensibles, et une API propriétaire pour les tâches exigeant la qualité maximale, avec un routage intelligent entre les deux selon la complexité de chaque requête, selon Zoom-IA.