Les modèles à poids ouverts ont rattrapé, en l’espace d’environ quatre mois, les meilleurs modèles fermés de pointe évalués publiquement, et l’écart entre eux ne fait que se montrer plus volatil.
Cela transforme la course entre l’IA ouverte et l’IA fermée en une question commerciale de plus en plus cruciale. Si les modèles ouverts peuvent approcher les performances de pointe tout en offrant aux entreprises un meilleur contrôle sur leurs données, leur infrastructure et leur personnalisation, pourquoi les entreprises continuent-elles de payer les laboratoires de pointe ? Et où la valeur finit-elle par s’accumuler ?
Pour comprendre le paysage actuel, il est utile de commencer par clarifier ce que nous entendons par modèles ouverts et fermés. L’ouverture existe sur un spectre, allant des modèles entièrement ouverts que les utilisateurs peuvent télécharger et modifier librement, aux modèles à poids ouverts soumis à diverses restrictions. Les modèles fermés gardent leurs poids privés et contrôlent l’accès.
Pour les entreprises qui décident sur quels modèles construire, les différences vont au-delà des performances et du prix.
Alex Karp, PDG de Palantir, a averti que les entreprises risquent de céder leur « alpha », c’est-à-dire les connaissances et processus propriétaires qui distinguent leurs activités, aux fournisseurs de modèles de pointe.
Satya Nadella a formulé un point similaire dans un essai publié sur X : « Vous payez essentiellement pour l’intelligence deux fois : une fois avec de l’argent, et une autre fois avec quelque chose d’encore plus précieux : les connaissances propriétaires que vous devez révéler pour rendre cette intelligence utile. Plus vous voulez que le modèle soit performant, plus vous devez lui fournir de ces connaissances ! »
Tous deux mettent en garde contre la dépendance stratégique et aident à expliquer pourquoi davantage d’entreprises explorent les modèles ouverts.
Mais malgré les craintes liées à la divulgation de connaissances propriétaires, les preuves montrent que les entreprises sont toujours disposées à payer pour des performances de pointe, même lorsque les meilleurs modèles à poids ouverts ne restent qu’à quelques mois derrière. Les revenus des laboratoires de pointe continuent d’accélérer, même si les dépenses en tokens se répartissent sur une gamme beaucoup plus large de modèles.
Les entreprises leaders utilisent les deux types, choisissant les modèles ouverts pour la personnalisation et le contrôle, et les modèles fermés de pointe lorsqu’elles ont besoin de la capacité maximale disponible. Certaines ont rapporté des gains d’efficacité plusieurs fois supérieurs et des économies de coûts spectaculaires en associant différents modèles aux workflows auxquels ils conviennent le mieux. Nous couvrons quelques-uns de ces exemples dans l’analyse approfondie ci-dessous.
Certains créateurs de modèles adoptent également les deux approches. Google propose Gemini et Gemma, tandis que Meta dispose de Muse Spark et de Llama. Pourquoi garder un modèle fermé et offrir l’autre gratuitement ? Et si les modèles ouverts sont gratuits à télécharger, quelles conditions y sont attachées ? Comment leurs développeurs rivalisent-ils financièrement avec les laboratoires fermés ?
Notre analyse approfondie de 99 pages examine l’économie derrière ces choix et comment ils pourraient déterminer qui capte les profits de l’IA et quelles entreprises peuvent préserver leur pouvoir de tarification à mesure que l’utilisation de l’IA devient de moins en moins coûteuse.
Le rapport complet inclut également :
- La capacité des laboratoires de pointe à soutenir le coût de leur avance alors que les concurrents chinois font baisser les prix.
- Les cinq facteurs sur lesquels les modèles rivalisent, et les compromis que chacun implique.
- Les trois endroits où un modèle peut s’exécuter, et comment l’industrie se répartit entre eux.
- Une étude de cas faisant état d’une efficacité d’ingénierie jusqu’à 12 fois supérieure et d’économies de coûts de plus de 20 fois.
- Pourquoi NVIDIA et Samsung investissent dans les poids ouverts, et d’où pourraient provenir les retours sur investissement.
J’espère que vous apprécierez la lecture et n’hésitez pas à partager vos réflexions dans notre groupe :
