Comprendre les modèles d’IA ouverts en entreprise

Les modèles ouverts réduisent l’écart de performance

DeepSeek a changé l’économie du marché des modèles ouverts à la fin de 2024. L’entreprise chinoise a lancé son modèle V3 avec un coût d’entraînement annoncé bien inférieur aux dépenses habituellement engagées par les laboratoires américains d’IA de pointe. En janvier 2025, elle a poursuivi avec R1, un modèle de raisonnement qui s’est imposé comme un concurrent crédible des principaux systèmes propriétaires.

La tendance de fond compte davantage qu’une publication isolée. Llama de Meta et Mistral ont imposé les modèles ouverts comme des alternatives concrètes aux systèmes d’OpenAI, d’Anthropic et de Google. Depuis, Qwen d’Alibaba et Kimi de Moonshot ont gagné du terrain dans les applications d’entreprise, notamment pour le raisonnement, les agents IA et l’IA physique.

L’écart de performance se réduit également plus vite. SemiAnalysis a décrit la tendance ainsi : « À chaque génération, les modèles open source mettent deux fois moins de temps à rattraper le premier modèle closed source de leur époque. » Cela modifie le calcul stratégique des DSI et des CTO. Un avantage de performance détenu aujourd’hui par un modèle fermé peut avoir une durée d’utilité plus courte que prévu.

Les entreprises devraient donc évaluer les modèles au niveau de la charge de travail. Les systèmes de pointe offrent encore de solides capacités générales. Mais un modèle ouvert qui atteint un niveau de performance suffisant peut offrir des options supplémentaires en matière de personnalisation, de déploiement interne et de contrôle de l’infrastructure. La question clé est de savoir si le surcroît de performance d’un modèle de pointe crée assez de valeur métier pour justifier le coût et la dépendance qui l’accompagnent.

L’écosystème des modèles ouverts élargit aussi le nombre de fournisseurs d’IA crédibles. Les entreprises peuvent évaluer Meta, Mistral, DeepSeek, Alibaba, Moonshot et d’autres fournisseurs aux côtés d’OpenAI, Anthropic et Google. Cela donne aux responsables technologiques davantage de levier lorsqu’ils définissent leurs stratégies d’architecture, d’approvisionnement et de déploiement.

Il existe toutefois une réserve importante. Des appellations comme « open » et « open source » recouvrent des modèles présentant des niveaux de transparence différents. La performance seule donne donc aux dirigeants une base de sélection incomplète. Les droits de licence, l’accès aux composants du modèle, les exigences de sécurité, les options de déploiement et la capacité à modifier le système influencent tous sa valeur à long terme.

Les modèles à poids ouverts et les modèles open source offrent des niveaux de contrôle différents

Le mot « open » peut masquer une distinction technique et commerciale importante. Les modèles à poids ouverts et les modèles open source n’offrent pas aux entreprises le même niveau d’accès aux systèmes qu’elles déploient. Les dirigeants doivent comprendre cette différence avant de prendre des décisions d’architecture, de conformité ou d’approvisionnement.

Les poids sont les paramètres numériques appris pendant l’entraînement du modèle. Ils influencent fortement la manière dont un modèle traite une entrée et génère une sortie. Un modèle à poids ouverts rend ces paramètres disponibles, ce qui permet à une entreprise de télécharger le modèle, de l’exécuter sur l’infrastructure de son choix et de l’adapter à des exigences spécifiques. Les entreprises peuvent affiner les poids, intégrer des informations internes au moyen de techniques complémentaires, évaluer le comportement du modèle et garder le déploiement sous leur propre contrôle opérationnel.

Jensen Huang, PDG de Nvidia, a décrit directement le cas d’usage en entreprise : « Les modèles à poids ouverts contribuent à offrir cette assurance en permettant aux organisations de contrôler leurs propres données, d’évaluer et d’adapter les modèles à leurs besoins, et de les déployer partout où leurs exigences métier l’imposent. »

Des poids ouverts n’offrent pas automatiquement une visibilité complète sur la manière dont un modèle a été créé. Un fournisseur peut publier les poids du modèle tout en conservant privées les données d’entraînement, le code d’entraînement ou d’autres composants. Cela limite la profondeur avec laquelle une organisation externe peut reproduire, inspecter ou modifier le processus de développement.

L’Open Source Initiative (OSI) définit une norme plus large pour l’IA open source. Sa définition exige l’accès aux informations nécessaires pour étudier, utiliser, modifier et distribuer le système, y compris les informations sur les données utilisées pour l’entraîner. Cette distinction est importante, car une entreprise peut disposer d’un contrôle substantiel sur le déploiement d’un modèle à poids ouverts sans recevoir tous les éléments nécessaires à une reproductibilité technique complète.

Pour les dirigeants de la direction générale, la question pratique est celle du contrôle. Des poids ouverts peuvent suffire lorsque l’objectif est le déploiement privé, la personnalisation, le choix de l’infrastructure ou une gouvernance plus étroite des données de l’entreprise. Un système plus complètement ouvert devient pertinent lorsque l’organisation a besoin d’une inspection plus approfondie, d’un accès pour la recherche, de modifications étendues ou d’une indépendance vis-à-vis du développeur d’origine.

La licence fait également partie de la décision. La possibilité de télécharger des poids ne garantit pas en soi un usage commercial, une modification ou une redistribution sans restriction. Les droits juridiques et l’accès technique sont deux questions distinctes. Les équipes achats devraient donc évaluer la licence en même temps que le modèle lui-même.

Cela fait de la question « Le modèle est-il ouvert ? » un mauvais critère d’approvisionnement. Les dirigeants devraient plutôt établir précisément à quels composants ils peuvent accéder, ce qu’ils sont autorisés à modifier, où le modèle peut s’exécuter, comment les données de l’entreprise sont traitées et si l’organisation pourra changer plus tard d’infrastructure ou de fournisseur. Ce sont ces détails qui déterminent le niveau réel de contrôle que l’entreprise obtient.

Les modèles ouverts spécialisés peuvent mieux correspondre aux charges de travail des entreprises

La plupart des travaux d’IA en entreprise sont ciblés. Une entreprise peut avoir besoin d’un modèle pour classer des documents, extraire des informations, soutenir un processus interne ou travailler avec un ensemble défini de données d’entreprise. Ces charges de travail ont des limites plus claires que les tâches grand public étendues prises en charge par ChatGPT, Google Gemini et Anthropic Claude.

Cette différence modifie l’économie du sujet. Les modèles généralistes de pointe sont conçus pour traiter un large éventail de questions et de tâches. Cette largeur peut entraîner un coût et des capacités supplémentaires dont un processus métier étroitement défini n’a pas besoin. Un petit modèle de langage (SLM) ou un LLM spécialisé peut concentrer les ressources de calcul sur la charge de travail qui crée de la valeur métier.

Deepak Seth, Senior Director Analyst chez Gartner, a bien résumé l’enjeu : « Les besoins réels d’une entreprise se situent dans des workflows spécifiques avec des données spécifiques, et un modèle fermé généraliste entraîné sur l’ensemble d’internet est excessif pour la plupart d’entre eux. »

Les modèles ouverts donnent aux entreprises davantage de marge pour spécialiser le système. Les équipes peuvent affiner les poids disponibles, connecter le modèle à des informations internes et le déployer dans une infrastructure choisie pour la charge de travail. Cela peut produire un système conçu autour de la terminologie, des processus, des politiques et de l’environnement de données d’une entreprise.

Pour les dirigeants, la sélection du modèle devrait donc commencer par le processus métier. Définissez le niveau de précision requis, la latence, la sécurité, les exigences d’intégration et le coût d’exploitation. Choisissez ensuite le modèle le plus petit et le plus simple capable de répondre de manière fiable à ces exigences. Les capacités de pointe méritent leur prime lorsque la charge de travail les exploite réellement.

Cette approche peut aussi améliorer la prévisibilité opérationnelle. Un modèle à périmètre étroit a une finalité définie et peut être testé sur un ensemble représentatif de tâches métier. Cela donne aux responsables technologiques une base plus claire pour mesurer la qualité, surveiller les défaillances et décider quand le modèle a besoin d’un ajustement supplémentaire.

La valeur stratégique vient de l’alignement entre capacité et besoin. Les modèles fermés de pointe restent importants pour les charges de travail complexes qui exigent un raisonnement étendu et des capacités avancées. Les modèles ouverts spécialisés élargissent l’ensemble des cas où les entreprises peuvent optimiser la performance, l’infrastructure, le contrôle des données et les coûts autour d’une exigence métier précise.

L’IA multi-modèles réduit la dépendance à un fournisseur unique

L’IA d’entreprise évolue vers un marché multi-modèles. ServiceNow et RWS ont déjà déployé des dizaines de modèles open source aux côtés de systèmes propriétaires, chaque modèle se spécialisant dans certaines tâches. Cette approche permet aux organisations de choisir la technologie en fonction de chaque charge de travail.

Max Goss, Research Director chez Gartner, soutient cette stratégie. « Nous ne devrions pas avoir peur d’adopter une approche multi-fournisseurs si nous pensons pouvoir tirer de la valeur de différents outils d’IA plutôt que de risquer l’enfermement lié à un outil d’IA unique », a-t-il déclaré.

L’enfermement fournisseur constitue un risque métier concret. Une entreprise qui conçoit ses workflows d’IA autour d’un seul fournisseur peut devenir dépendante de la tarification de cette entreprise, de sa feuille de route produit, de la disponibilité du service, de ses politiques d’usage et de son infrastructure. Changer plus tard peut nécessiter des modifications des applications, des pipelines de données, des contrôles de gouvernance et des workflows des employés.

Une architecture multi-modèles donne plus d’options aux DSI. Un modèle propriétaire de pointe peut prendre en charge les charges de travail qui exigent ses capacités avancées. Un modèle ouvert peut soutenir un processus interne spécialisé. D’autres modèles peuvent s’exécuter plus près des données de l’entreprise ou sur une infrastructure contrôlée par l’entreprise. Le placement des modèles devient alors une décision d’architecture fondée sur les exigences de la charge de travail.

Il existe aussi une dimension géopolitique. La Chine est devenue un soutien majeur de l’IA open source et à poids ouverts à mesure qu’elle renforce sa position face aux États-Unis. L’Allemagne, la France et l’Inde encouragent également l’adoption de modèles ouverts. Cela élargit l’écosystème disponible et rend le choix des modèles de plus en plus pertinent pour la politique technologique nationale, la gouvernance des données et la souveraineté numérique.

Les stratégies multi-fournisseurs ajoutent toutefois du travail de gestion. Chaque modèle supplémentaire introduit un système de plus qu’il faut évaluer, sécuriser, surveiller, mettre à jour et gouverner. Le business case dépend donc d’une architecture rigoureuse. Ajouter des modèles sans exigence claire liée à la charge de travail crée de la complexité sans valeur correspondante.

Les dirigeants devraient considérer la portabilité des modèles comme une capacité stratégique. Les applications, l’accès aux données et les contrôles de gouvernance devraient être conçus de manière à permettre à l’organisation de changer de modèles lorsque l’économie ou la performance évolue. À mesure que les modèles ouverts progressent plus vite, préserver ce choix devient de plus en plus précieux.

L’objectif est un portefeuille maîtrisé. Chaque modèle devrait avoir une charge de travail définie, des exigences de performance mesurables, un accès aux données approuvé et un responsable opérationnel clairement identifié. Cette structure permet aux entreprises de capter les avantages d’un marché de l’IA concurrentiel tout en gardant les dépendances techniques et fournisseurs à un niveau gérable.

Les modèles ouverts donnent aux entreprises davantage de contrôle sur l’edge et l’IA physique

L’IA physique a une contrainte forte : la latence. Les véhicules, les équipements industriels et les systèmes sur site peuvent devoir prendre des décisions en quelques millisecondes. Envoyer chaque requête à un modèle cloud distant peut introduire un délai réseau, un risque de connectivité et des mouvements de données inutiles.

Cela rend l’inférence locale importante. L’inférence est le processus qui consiste à exécuter un modèle d’IA entraîné pour générer une prédiction ou une réponse. Un modèle conçu pour un usage précis peut s’exécuter sur un appareil, un serveur edge ou une autre infrastructure située à proximité de l’endroit où les données sont générées. Les modèles plus petits et plus efficaces sont particulièrement utiles lorsque la puissance de calcul, la mémoire, l’énergie ou la connectivité sont limitées.

Les modèles ouverts donnent aux entreprises un plus grand contrôle sur cette architecture de déploiement. Praveen Murugesan, Vice President of Engineering chez Samsara, l’a expliqué ainsi : « Les modèles ouverts rendent possible ce déploiement en couches parce que l’entreprise contrôle l’endroit où chaque modèle s’exécute et les données auxquelles il accède. »

Ce contrôle permet aux équipes technologiques d’affecter les modèles selon les exigences opérationnelles. Les traitements sensibles au temps peuvent avoir lieu localement. D’autres charges de travail peuvent s’exécuter dans un centre de données ou un environnement cloud lorsqu’elles nécessitent une capacité de calcul plus importante. Les entreprises peuvent aussi décider quelles informations restent sur un appareil et lesquelles peuvent être transférées vers d’autres infrastructures.

Les avantages vont au-delà du temps de réponse. Le traitement local peut réduire le volume d’informations opérationnelles sensibles transférées sur les réseaux. Il peut aussi préserver les fonctionnalités d’IA lorsque la connectivité internet est limitée ou peu fiable. Ces propriétés comptent dans l’industrie manufacturière, le transport, les opérations terrain et d’autres environnements où la disponibilité du système affecte les opérations physiques.

Les dirigeants devraient évaluer l’IA edge à partir de contraintes mesurables. Le temps de réponse requis, le matériel disponible, la consommation électrique, la taille du modèle, la sensibilité des données, la connectivité et la fiabilité devraient déterminer les choix de déploiement. Un modèle affichant de meilleures performances de benchmark peut offrir peu de valeur supplémentaire si le matériel disponible ne peut pas l’exécuter dans le délai requis.

Les modèles ouverts élargissent les choix d’architecture à la disposition des entreprises. Pour l’IA physique, cette flexibilité peut devenir une exigence opérationnelle centrale, car l’emplacement du calcul et du traitement des données affecte directement la performance du système.

Les modèles ouverts renforcent la gouvernance grâce à la visibilité et au contrôle du déploiement

La gouvernance de l’IA commence par la connaissance de ce à quoi un système peut accéder, de l’endroit où il fonctionne et de la manière dont l’organisation peut le contrôler. Les modèles ouverts peuvent donner aux entreprises une plus grande maîtrise de chacun de ces domaines. Cela devient de plus en plus important à mesure que l’IA passe du stade de l’expérimentation à des workflows critiques pour l’activité, où la disponibilité, la sécurité, la propriété intellectuelle et la conformité réglementaire comptent.

Les organisations peuvent déployer des modèles ouverts adaptés dans leur propre infrastructure et les isoler des services de cloud public lorsque cela est nécessaire. Cela peut donner aux entreprises réglementées un contrôle plus strict sur les informations sensibles et réduire le nombre de systèmes externes auxquels les données de l’entreprise doivent être transmises.

Jinsook Han, Founder and Partner chez Spruce Peak Ventures, a directement relié ce niveau de contrôle à une IA responsable : « Vous construisez réellement les limites autour du système. Ainsi, l’IA responsable est intégrée dès le départ. » Elle a également décrit l’intérêt croissant des entreprises pour le maintien de l’IA on-premises et au sein des systèmes de travail existants.

La propriété intellectuelle constitue une autre contrainte. Les entreprises veulent de plus en plus que les modèles et les applications d’IA travaillent avec des documents propriétaires, des enregistrements opérationnels et des connaissances internes. Chaque connexion entre ces actifs et un service externe crée une décision de gouvernance des données.

Craig LeClair, Vice President and Principal Analyst chez Forrester Research, s’attend à ce que cette préoccupation pousse les systèmes ouverts vers des environnements étroitement contrôlés. « Les modèles open source seront exécutés dans des environnements on-premise contrôlés, ce qui les rend tout simplement beaucoup moins open source très rapidement », a-t-il déclaré. Le point pratique est que les entreprises peuvent utiliser une technologie disponible ouvertement tout en appliquant des contrôles stricts à son déploiement en production.

La visibilité influe aussi sur l’auditabilité. Max Goss, Research Director chez Gartner, a déclaré que les modèles ouverts permettent aux entreprises d’« inspecter les poids, auditer les données d’entraînement ou isoler le déploiement par air gap ». Il a résumé clairement l’enjeu de gouvernance : « On ne peut pas gouverner ce qu’on ne voit pas. »

Le degré de visibilité dépend du modèle. Une publication à poids ouverts peut exposer les paramètres du modèle tout en gardant privées les données d’entraînement ou d’autres composants de développement. Un modèle plus complètement ouvert peut offrir davantage de droits d’inspection et d’informations. Les dirigeants devraient donc définir le niveau de transparence exigé par leur framework de gouvernance avant de sélectionner un modèle.

Le déploiement en air gap offre une autre option pour les charges de travail très sensibles. Un système en air gap fonctionne dans un environnement isolé des réseaux externes. Cela peut restreindre fortement les voies par lesquelles des données confidentielles quittent l’environnement contrôlé, même si l’organisation doit alors assumer la responsabilité de la maintenance, de la sécurisation, de la surveillance et de la mise à jour du modèle et de l’infrastructure qui le soutient.

Cette responsabilité est au cœur de la décision des dirigeants. Un contrôle accru transfère davantage de tâches opérationnelles à l’entreprise. Les équipes de sécurité doivent gérer les accès. Les équipes technologiques doivent maintenir l’infrastructure et les modèles. Les équipes de gouvernance doivent surveiller la manière dont les systèmes utilisent les informations de l’entreprise. Les responsables métier doivent définir les comportements acceptables et les exigences de performance.

Le résultat est un arbitrage clair. Les modèles ouverts peuvent offrir un contrôle plus fort sur le déploiement, l’emplacement des données, la personnalisation et l’inspection. Les entreprises doivent développer la capacité opérationnelle nécessaire pour exercer ce contrôle efficacement. Pour les entreprises réglementées ou fortement dépendantes de la propriété intellectuelle, cette capacité peut devenir une composante stratégique de l’architecture IA.

Les modèles ouverts donnent aux pays davantage de contrôle sur leur infrastructure IA

La souveraineté numérique devient un élément de la stratégie nationale en matière d’IA. Les gouvernements veulent un plus grand contrôle sur la technologie qui traite les données publiques, soutient les services critiques et influence l’infrastructure numérique nationale. Les modèles ouverts donnent aux pays davantage de liberté pour inspecter, adapter, héberger et gouverner ces systèmes.

La localisation constitue une part importante de cette exigence. Les systèmes d’IA peuvent devoir fonctionner dans différentes langues locales, cadres juridiques, pratiques culturelles, politiques publiques et normes régionales. L’accès aux composants du modèle donne aux gouvernements, aux universités et aux entreprises technologiques nationales davantage de marge pour adapter l’IA à ces exigences.

Richard Morton, Vice President and Managing Director à l’Institute of Foundation Models de la Mohamed bin Zayed University of Artificial Intelligence à Abu Dhabi, a expliqué l’argument stratégique : « Les modèles ouverts sont importants pour une IA souveraine afin que les nations puissent comprendre, adapter et contrôler les systèmes qui alimentent l’infrastructure numérique. »

Plusieurs grandes économies évoluent dans cette direction. La Chine est devenue un fervent défenseur des modèles open source et à poids ouverts alors que son industrie de l’IA rivalise avec les États-Unis. L’Allemagne, la France et l’Inde encouragent également l’adoption de modèles ouverts. Ces initiatives rendent l’ouverture des modèles pertinente pour la politique industrielle autant que pour la stratégie technologique des entreprises.

Les modèles ouverts peuvent aussi abaisser la barrière technique au développement d’une IA pertinente localement. Le pré-entraînement d’un modèle de fondation exige des volumes importants de données, de capacité de calcul, d’expertise en ingénierie et de temps. Partir d’un modèle ouvert existant permet à une organisation de concentrer davantage de ressources sur l’adaptation de ce système aux besoins locaux.

Kari Briski, Vice President of Generative AI Software chez Nvidia, a décrit cet avantage : « Les modèles ouverts et les données ouvertes constituent ce bootstrap : vous n’avez pas à recréer la capture des connaissances d’internet sous la forme d’un modèle de pré-entraînement. »

Pour les dirigeants, l’IA souveraine a des implications concrètes. Les règles de localisation des données, les politiques d’achats du secteur public, la réglementation régionale et les stratégies technologiques nationales peuvent influencer les modèles qu’une entreprise peut utiliser et les lieux où ces modèles peuvent fonctionner. Les entreprises multinationales peuvent donc avoir besoin de schémas de déploiement de l’IA différents selon les marchés.

Les modèles ouverts offrent davantage d’options pour répondre à ces exigences. Les entreprises peuvent déployer des modèles dans une juridiction donnée, les adapter aux besoins métier régionaux et garder un plus grand contrôle sur l’infrastructure qui traite les informations sensibles. Cette flexibilité peut réduire la dépendance à un petit groupe de fournisseurs étrangers d’IA.

L’ouverture d’un modèle ne crée pas à elle seule la souveraineté. Un pays peut encore dépendre de puces étrangères, d’infrastructures cloud, de développeurs de modèles, de frameworks logiciels ou de données externes. Une IA souveraine efficace dépend donc d’un contrôle sur l’ensemble plus large de la stack technologique. Les modèles ouverts traitent une couche importante en donnant aux pays et aux entreprises davantage de contrôle sur le système d’IA lui-même.

Les modèles ouverts transfèrent davantage de responsabilité opérationnelle et de sécurité à l’entreprise

Un contrôle accru s’accompagne d’une responsabilité accrue. Les organisations qui déploient et personnalisent des modèles ouverts peuvent devoir gérer elles-mêmes l’infrastructure, les tests de sécurité, les mises à jour des modèles, la surveillance et la maintenance. Ces exigences peuvent devenir importantes à mesure que l’IA entre dans les workflows de production.

Jack Gold, Principal Analyst chez J. Gold Associates, a identifié l’arbitrage central. Les technologies propriétaires peuvent limiter l’innovation tout en offrant un niveau de sécurité plus élevé que les technologies ouvertes. Il a également averti que des modèles ouverts peuvent parvenir aux entreprises sans validation complète, créant un risque de voir des informations propriétaires sortir des frontières de l’organisation.

Le problème de sécurité devient plus complexe lorsque les modèles d’IA se connectent à des agents. Les agents peuvent interagir avec des logiciels, des fichiers, des données et des services externes pour exécuter des tâches. Chaque autorisation élargit l’ensemble des actions que le système peut entreprendre et exige donc des contrôles de sécurité explicites.

OpenClaw illustre bien ce point. Il peut analyser des systèmes de fichiers, accéder à des informations personnelles et communiquer avec des LLM. Ces autorisations créent des surfaces d’attaque supplémentaires. Les responsables technologiques expérimentent donc avec prudence avant d’intégrer de tels agents dans des environnements de production en entreprise.

L’unité de sécurité clé est le système d’IA dans son ensemble. Un modèle fonctionne aux côtés d’applications, de connecteurs, de contrôles d’identité, de bases de données, de prompts, d’agents et d’infrastructure. Les dirigeants ont besoin d’une gouvernance qui couvre ces interactions, car des informations sensibles peuvent être exposées par n’importe quelle connexion autorisée.

Les entreprises devraient appliquer aux déploiements d’IA des principes de sécurité éprouvés. Accordez aux modèles et aux agents le minimum de données et d’autorisations système nécessaires à leurs tâches. Séparez les environnements de développement et de production. Enregistrez l’activité des modèles et des agents. Contrôlez les mises à jour. Testez les changements avant le déploiement. Maintenez une responsabilité claire pour les vulnérabilités, les incidents et la maintenance des modèles.

Les modèles ouverts modifient aussi la répartition du travail opérationnel. Un service d’IA propriétaire peut confier davantage de responsabilité au fournisseur pour l’hébergement et les mises à jour du modèle. Les modèles ouverts auto-hébergés transfèrent une plus grande part de ces tâches aux équipes internes ou aux partenaires de services managés. Le coût pertinent inclut donc l’infrastructure de calcul, l’ingénierie, la sécurité, la surveillance, la maintenance et la gouvernance.

Cela fait de la capacité organisationnelle un facteur décisif. Les entreprises dotées d’équipes matures en platform engineering, cybersécurité et gouvernance de l’IA peuvent utiliser plus efficacement le contrôle supplémentaire offert par les modèles ouverts. Les organisations disposant d’une capacité technique limitée peuvent tirer parti d’options de déploiement managé même lorsque le modèle sous-jacent est ouvert.

Samar Abbas, Co-founder and PDG de Temporal, reste optimiste quant à l’évolution de l’écosystème : « Nous croyons fortement à l’open source et nous sommes extrêmement enthousiastes de voir l’écosystème autour de ces modèles open source se construire et prospérer. Avec le temps, ces modèles open source auront leur propre place. »

La décision des dirigeants devrait donc se concentrer sur la responsabilité opérationnelle totale. Les modèles ouverts peuvent offrir flexibilité, personnalisation et contrôle du déploiement. Ces avantages créent de la valeur lorsque l’organisation dispose des personnes, des processus et de l’infrastructure nécessaires pour les exploiter en toute sécurité à grande échelle.

L’IA d’entreprise a besoin d’un portefeuille gouverné de modèles ouverts et fermés

La stratégie d’IA d’entreprise la plus solide utilise différents modèles pour différentes charges de travail. Les modèles fermés de pointe, comme ceux d’OpenAI, d’Anthropic et de Google, peuvent servir les tâches qui exigent un raisonnement étendu et des capacités générales avancées. Les modèles ouverts peuvent servir des workflows spécialisés où la personnalisation, le contrôle du déploiement, la gouvernance des données ou l’efficacité économique comptent davantage.

La contrainte clé est l’adéquation à la charge de travail. Une entreprise gagne peu à utiliser son modèle le plus puissant pour chaque requête lorsque de nombreux processus ont des exigences étroites et prévisibles. Les entreprises devraient définir le niveau de précision requis, la capacité de raisonnement, la latence, la sécurité, l’accès aux données et le coût d’exploitation pour chaque cas d’usage. La sélection du modèle devrait découler de ces exigences.

Samar Abbas, Co-founder and PDG de Temporal, a décrit clairement cette répartition : « Certains workflows ont besoin d’un modèle fermé de classe frontier. Beaucoup n’en ont pas besoin, et un modèle ouvert ajusté aux données internes surpassera un modèle fermé horizontal. »

Cette approche donne aussi aux entreprises de la flexibilité à mesure que le marché évolue. Les modèles ouverts continuent de progresser, et de nouveaux modèles propriétaires arrivent régulièrement sur le marché. Une charge de travail qui exige aujourd’hui un modèle de pointe peut devenir viable plus tard sur un modèle plus petit ou plus spécialisé. Les entreprises capables de remplacer des modèles sans reconcevoir des applications entières sont mieux placées pour capter ces améliorations.

Cette flexibilité exige une architecture qui sépare, lorsque c’est possible, les workflows métier des fournisseurs de modèles individuels. Les applications devraient utiliser des interfaces claires pour l’accès aux modèles, la récupération des données, les autorisations, la surveillance et l’évaluation. Cela facilite les tests de modèles alternatifs et le déplacement des charges de travail lorsque les exigences de performance, de coût, de sécurité ou de réglementation changent.

La gouvernance devient le principal défi à mesure que le portefeuille s’élargit. Chaque modèle et chaque agent crée une voie supplémentaire par laquelle les informations de l’entreprise peuvent être traitées. Les entreprises doivent savoir quels systèmes existent, qui en est responsable, à quelles données ils peuvent accéder, où ils s’exécutent et quelles actions ils sont autorisés à effectuer.

Abbas estime que les organisations ont besoin d’un inventaire couvrant chaque modèle et chaque agent, y compris les systèmes approuvés et les déploiements de shadow AI. Chaque système devrait disposer d’un enregistrement clair des données auxquelles il peut accéder. Cette visibilité devient particulièrement importante à mesure que les employés et les unités métier accèdent plus facilement à des modèles externes et à des agents IA en dehors des circuits d’approvisionnement IT centraux.

L’inventaire devrait soutenir des contrôles actifs. Les entreprises peuvent attribuer un responsable à chaque système d’IA, définir des cas d’usage approuvés, restreindre l’accès aux données sensibles, surveiller le comportement, suivre les versions des modèles et établir des procédures pour les mises à jour et les incidents. Les systèmes à haut risque peuvent faire l’objet d’un examen plus strict en fonction de la sensibilité de leurs données et des conséquences d’une action incorrecte.

Les dirigeants devraient aussi évaluer l’économie totale au niveau de la charge de travail. Les frais liés aux modèles ne représentent qu’un composant. L’infrastructure, l’intégration, la sécurité, la surveillance, la maintenance et l’ingénierie interne contribuent au coût d’exploitation complet. Les modèles ouverts peuvent réduire la dépendance aux services externes tout en augmentant les responsabilités opérationnelles internes. Les services fermés peuvent transférer le travail d’infrastructure aux fournisseurs tout en créant d’autres considérations de coût et de dépendance.

L’objectif est un portefeuille de modèles maîtrisé avec des résultats métier mesurables. Chaque modèle devrait justifier sa place par sa performance, son économie, sa sécurité et son adéquation opérationnelle. Une gouvernance centrale apporte ensuite de la visibilité sur l’ensemble du portefeuille tout en permettant aux équipes technologiques de choisir le modèle le mieux adapté à chaque charge de travail approuvée.

Cette structure évite aussi que la stratégie de modèles ne devienne liée à la fidélité à un fournisseur. Le marché de l’IA évolue trop vite pour cette approche. Les entreprises qui préservent le choix des modèles, gouvernent l’accès aux données et évaluent les systèmes à l’aune des charges de travail réelles pourront adopter de meilleurs modèles à mesure qu’ils émergent tout en gardant les risques et les coûts sous contrôle.

Réflexions finales

Les modèles d’IA ouverts sont devenus une option sérieuse pour les entreprises. L’écart de performance avec les modèles fermés de pointe se réduit, tandis que les modèles ouverts donnent aux entreprises davantage de contrôle sur le déploiement, la personnalisation, l’infrastructure et les données sensibles.

La décision devrait commencer par la charge de travail. Utilisez des modèles de pointe lorsque leurs capacités avancées créent une valeur mesurable. Utilisez des modèles ouverts spécialisés lorsqu’ils atteignent le niveau de performance requis avec un meilleur contrôle, une meilleure économie ou une plus grande flexibilité de déploiement. Il y a peu de raisons de standardiser toutes les charges de travail d’IA sur un seul modèle ou un seul fournisseur.

La question la plus difficile est celle de la gouvernance. Chaque modèle et chaque agent ont besoin d’un responsable défini, d’un accès aux données approuvé, de contrôles de sécurité, d’objectifs de performance et d’un environnement d’exploitation clairement établi. Les modèles ouverts accroissent le contrôle de l’entreprise, mais ils augmentent aussi la responsabilité en matière de maintenance, de sécurité et de supervision.

Pour les dirigeants de la direction générale, la priorité est de préserver le choix des modèles sans complexité incontrôlée. Construisez une architecture IA capable de prendre en charge plusieurs fournisseurs, de maintenir les données critiques sous des contrôles appropriés et de remplacer les modèles à mesure que l’économie et les capacités évoluent. Les entreprises qui préserveront cette flexibilité seront mieux positionnées à mesure que l’IA ouverte et fermée continuera d’évoluer.