Les poids ouverts ne tueront pas les modèles fermés
Le débat est presque toujours présenté comme une course.
Les modèles à poids ouverts rattrapent leur retard. Les modèles fermés reprennent de l’avance. Une sortie arrive, un graphique de benchmark circule, et quelqu’un annonce que l’autre camp est fini.
C’est le mauvais modèle mental.
Il ne s’agit pas d’une course avec une ligne d’arrivée, mais d’un cycle. Les laboratoires fermés définissent une nouvelle frontière de capacités ; les équipes qui publient leurs poids en reproduisent assez pour rendre la frontière précédente accessible et maîtrisable ; puis les laboratoires fermés déplacent à nouveau la frontière.
Mon pari est simple : les poids ouverts continueront de réduire l’écart pour les capacités devenues lisibles. Les modèles fermés continueront d’en créer un nouveau pour les capacités encore coûteuses à découvrir, entraîner et transformer en produit. Aucun camp n’éliminera l’autre.
Ce n’est pas un match nul. Cela détermine qui contrôle quelles capacités.
L’écart existe, mais il est moins immense que la rhétorique
Chaque camp aime son récit rassurant.
Les défenseurs des modèles fermés disent que l’écart est permanent : plus de calcul, plus de chercheurs, plus de données propriétaires et davantage de moyens pour l’entraînement après pré-entraînement. Les défenseurs des poids ouverts affirment que l’écart a déjà disparu parce qu’un modèle téléchargeable peut produire du bon code, traiter des questions difficiles et être exécuté sous le contrôle de son utilisateur.
Les deux récits écrasent les nuances.
L’AI Index 2026 de Stanford indique que le meilleur modèle fermé devançait le meilleur modèle ouvert de 3,3 % en mars 2026, après un resserrement temporaire à 0,5 % en août 2024.[1] L’indice de capacités d’Epoch AI arrive à une conclusion moins spectaculaire mais significative : depuis janvier 2026, les meilleurs modèles à poids ouverts accusent en moyenne plusieurs mois de retard sur la frontière fermée.[2]
Ce n’est pas la parité. Ce n’est pas non plus une forteresse imprenable pour dix ans.
Un décalage de quelques mois est remarquable pour un système de raisonnement généraliste. Une capacité d’abord réservée à une interface distante peut devenir, dans un cycle de planification, quelque chose qu’une organisation examine, héberge, adapte et exploite selon ses propres règles.
Mais la frontière, elle, reste ailleurs.
Pourquoi l’écart se déplace sans cesse
Les benchmarks donnent l’illusion visuelle d’une convergence régulière. Un score monte, un autre monte, et les courbes semblent se rejoindre.
En réalité, la cible bouge.
Un benchmark est utile tant qu’il distingue les meilleurs systèmes. Quand assez d’équipes optimisent pour lui, il devient moins pertinent comme mesure de capacité générale. Stanford note que des évaluations censées rester difficiles pendant des années peuvent être saturées en quelques mois, et alerte sur des problèmes de qualité et de jeu avec certaines évaluations courantes.[1]
C’est pourquoi la dispute ouvert contre fermé revient sans cesse.
On a vu la compétence linguistique générale, puis le raisonnement sur des chaînes plus longues, puis l’usage fiable d’outils, le travail sur du code, l’interaction avec des environnements numériques et des agents capables de se remettre d’une erreur après de nombreuses étapes. Chaque déplacement crée un nouvel écart, car il faut plus qu’un meilleur modèle de base : une recette d’entraînement, un environnement d’évaluation, une stratégie d’inférence et une enveloppe produit.
SemiAnalysis décrit une succession d’ères de capacités : la frontière avance, les techniques se diffusent, et les modèles ouverts comblent plus vite l’écart de la génération précédente.[3] La forme générale me semble juste, même si aucun indicateur composite ne mérite d’être traité comme un texte sacré.
La frontière n’est pas un fichier de modèle. C’est un système mobile.
« Ouvert » ne veut pas dire « exploitable partout »
C’est là que la conversation devient imprécise.
Des poids ouverts peuvent être téléchargés. Cela ne signifie pas qu’ils peuvent être exécutés à faible coût dans des conditions que vous maîtrisez. Les modèles ouverts les plus solides peuvent encore demander du matériel conséquent, des compromis de quantification, un service distribué ou une latence inconfortable. Une licence peut être permissive, restrictive ou difficile à utiliser commercialement. Les poids peuvent être disponibles alors que les données, le pipeline d’amélioration, les modèles de récompense et la couche de déploiement restent opaques.
Il y a donc trois questions, pas une :
- Puis-je accéder à ce modèle ?
- Puis-je l’héberger sous mon contrôle ?
- Puis-je l’exploiter avec la qualité, la vitesse, le contexte et la fiabilité exigés par mon usage ?
Les interfaces fermées répondent immédiatement à la première. Les poids ouverts répondent mieux à la deuxième. La troisième dépend de l’architecture, du budget et des compétences nécessaires pour l’exploiter.
Pour beaucoup d’équipes, le meilleur modèle ouvert n’est pas celui qu’elles peuvent réellement déployer. Pour d’autres, le meilleur modèle fermé n’est pas celui auquel elles peuvent confier leurs données.
La bonne question n’est donc pas « qui gagne ? », mais « quelle contrainte est réelle pour cette tâche ? »
L’écart important : la fiabilité agentique
La qualité d’une conversation devient rapidement abordable. La difficulté consiste à mener une tâche longue sans dériver discrètement.
Un agent doit choisir des outils, conserver l’intention, repérer une erreur, éviter de la répéter, gérer un état ambigu et produire un résultat qui résiste à la vérification. Un seul tour faible peut ruiner une exécution par ailleurs compétente.
Les systèmes fermés disposent encore d’avantages structurels : leurs créateurs peuvent entraîner sur des évaluations privées, recueillir des retours à grande échelle, ajuster ensemble modèle et environnement, et garder leurs meilleures méthodes confidentielles. Epoch souligne que les comparaisons publiques peuvent sous-estimer l’écart, notamment parce que les modèles ouverts peuvent être optimisés plus directement pour des tests publics.[2]
Cela ne condamne pas les agents ouverts. Cela signifie que les poids ne constituent pas tout le produit.
Le camp ouvert ne gagnera pas le travail agentique en publiant seulement un point de contrôle plus grand. Il gagnera avec de meilleurs environnements, des boucles de retour plus solides, des politiques d’outils plus nettes, des évaluations locales rigoureuses et des systèmes fiables autour des poids.
Le marché se divisera au lieu de converger
Je m’attends à trois niveaux durables.
Les modèles fermés de frontière resteront adaptés aux tâches les plus difficiles et les moins tolérantes à l’erreur : recherche nouvelle, jugement à fort enjeu et travail de longue durée où éviter un échec vaut plus qu’une facture élevée.
Les systèmes à poids ouverts domineront là où la maîtrise compte : données sensibles, déploiements réglementés, adaptation sur mesure et volumes importants où une infrastructure dédiée l’emporte sur un accès facturé à l’usage.
Les modèles plus petits deviendront la norme invisible pour le travail routinier : classification, extraction, routage, résumé, recherche et appels d’outils contraints.
Ce n’est pas un compromis. C’est de la maturité.
Nous n’utilisons pas une seule base de données, un seul langage de programmation ou une seule forme de calcul pour tout. Nous n’utiliserons pas non plus une seule catégorie de modèles.
Mon pari réel
Je ne pense pas que les poids ouverts égaleront durablement le meilleur modèle fermé à chaque instant. Les laboratoires fermés ont trop intérêt à déplacer la frontière, et les éléments les plus précieux de leurs systèmes ne sont pas toujours exposés dans un point de contrôle.
Je pense en revanche que l’écart utile continuera de diminuer.
Chaque fois qu’un laboratoire fermé montre qu’une nouvelle capacité a une valeur économique, le reste de l’écosystème obtient une cible. Des chercheurs reproduisent l’idée. Des équipes ouvertes rivalisent en efficacité. Les couches d’exécution s’améliorent. Des modèles plus petits héritent de techniques autrefois réservées à des modèles gigantesques. Ce qui était impossible à maîtriser devient difficile, puis banal.
La victoire importante des poids ouverts n’est pas de gagner un classement le jour de la sortie.
C’est de rendre l’intelligence négociable : quelque chose que l’on peut exécuter, examiner, modifier, budgéter et conserver quand un fournisseur change ses prix, ses règles ou ses priorités.
Les modèles fermés resteront en avance.
Les poids ouverts continueront de rendre accessible l’avance d’hier.
C’est une course bien plus intéressante.
Sources
[1] Stanford HAI, 2026 AI Index Report: Technical Performance
[2] Epoch AI, Open models lag state-of-the-art closed models by 4 months