Tout le monde se dispute sur la même question : quel est le meilleur modèle ? GPT contre Claude contre Gemini, un classement qui change tous les mois. Pendant ce temps, un basculement bien plus profond se produit sans bruit, surtout dans les grandes entreprises : le passage aux modèles ouverts.
Ce n'est pas une affaire d'idéologie ni de logiciel libre militant. C'est une affaire d'économie et de contrôle. Et c'est en train de redessiner la façon dont une entreprise sérieuse déploie l'IA.
Modèle fermé, modèle ouvert : la différence en une minute
Un modèle fermé, vous le louez. Il tourne sur l'infrastructure du fournisseur, vous y accédez à distance, et vous ne pouvez ni regarder à l'intérieur ni le modifier. Ce sont les grands modèles par API : GPT (OpenAI), Claude (Anthropic), Gemini (Google).
Un modèle ouvert (on dit aussi open weights), le fournisseur le publie. Vous pouvez le télécharger, le faire tourner sur vos propres machines ou sur le cloud de votre choix, l'inspecter, et l'adapter à votre métier. Les plus connus : Llama (Meta), Mistral, DeepSeek, Qwen, Gemma.
L'image la plus simple : le modèle fermé, c'est le taxi - confortable, immédiat, mais le compteur tourne et la voiture n'est pas à vous. Le modèle ouvert, c'est acheter la voiture - un coût au départ, mais elle est à vous, et vous allez où vous voulez.
L'économie bascule - mais pas comme on croit
Le chiffre qui frappe vient d'Ollama, l'outil par lequel transitent aujourd'hui les modèles ouverts de 85 % du Fortune 500. Leur lecture : bientôt 80 à 90 % des tokens d'une entreprise passeront par des modèles ouverts - mais ils ne pèseront que 10 à 20 % du budget. Autrement dit, l'open effondre le coût ; les modèles fermés de pointe restent réservés aux tâches les plus dures.
Mais le coût n'est que la porte d'entrée, pas la maison. Une entreprise qui bascule vers l'open ne cherche pas seulement à payer moins cher. Elle cherche le contrôle et la personnalisation : un modèle qu'on peut héberger, adapter à son métier, gouverner. Le coût amorce l'adoption ; le contrôle la fixe. (AT&T aurait déjà basculé 40 % de sa consommation de tokens vers des modèles ouverts.)
Le secret : ce n'est pas UN modèle, c'est une équipe
Le schéma qui gagne, ce n'est pas un modèle unique : c'est l'orchestration. Des modèles rapides et bon marché - la nouvelle génération de « flash models » - abattent l'essentiel du travail de fond ; un routeur ne fait remonter vers le modèle de pointe (cher) que les 10 % les plus difficiles. L'analogie parle d'elle-même : un cabinet d'avocats, où l'associé principal délègue aux collaborateurs et ne traite lui-même que l'arbitrage délicat.
La conséquence sur votre facture est directe : arrêtez de raisonner en coût par token, raisonnez en coût par tâche. Bien orchestré, le coût d'un cas d'usage entier peut s'effondrer.
Local, cloud, ou les deux
Parce qu'ils sont ouverts, ces modèles peuvent tourner sur vos propres machines. Les traitements documentaires, par exemple, tournent très bien en local : peu coûteux, réactifs, et vos données ne sortent jamais de chez vous. Le raisonnement dur et le code, eux, restent meilleurs sur les gros modèles cloud.
Le matériel récent fait tourner sans peine des modèles de 20 à 40 milliards de paramètres (parfois jusqu'à ~128) - et certains modèles ouverts de code rivalisent désormais, sur les benchmarks, avec les meilleurs modèles fermés. Un routeur arbitre entre local et cloud selon la tâche.
Le levier est concret : un cas d'usage « traitez mes documents » peut voir son coût marginal tendre vers zéro s'il tourne sur des postes que votre entreprise a déjà achetés.
Le vrai frein n'est pas la capacité - c'est la gouvernance
Le blocage n°1 à l'adoption des modèles ouverts en entreprise n'est pas « sont-ils assez bons ? » - pour la grande majorité des tâches, ils le sont. C'est la sécurité et la gouvernance : d'où vient le modèle, où tourne-t-il, qui accède à quoi, est-il sûr.
La bonne nouvelle, c'est que ce problème est méthodique, pas magique : un cadre de sélection, un choix assumé entre origine et hébergement, des garde-fous. C'est exactement le genre de fondation qu'on pose une fois et qu'on réutilise ensuite sur tous les cas d'usage.
Ce que cela change vraiment pour vous : l'indépendance
Voici l'argument de fond, et il est stratégique. Le modèle d'IA devient une commodité : tout le monde peut louer ou télécharger le même. Ce qui reste à vous et ne se copie pas, c'est votre contexte, vos données, vos façons de travailler.
Les modèles ouverts transforment un principe en levier concret. « Ne pas dépendre d'un fournisseur unique » cesse d'être un slogan : vous pouvez héberger, adapter, et changer de modèle du jour au lendemain sans rien reconstruire. Quand le moteur de tout le monde fait mille chevaux, la course ne se gagne plus sur le moteur - elle se gagne sur la carte. Le modèle, c'est le moteur ; votre carte, c'est votre company brain - le contexte propre de votre entreprise. C'est lui qui vous rend, ou non, difficile à rattraper. C'est aussi le cœur d'une entreprise AI-native.
On vous aide à trancher
Chez Elephant in the Room, on ne vend pas une religion - ni « tout ouvert », ni « tout fermé ». Le point de départ est simple : toutes vos tâches n'ont pas à tourner sur le même modèle. On part de vos cas d'usage réels et de votre contexte d'entreprise. Là où des modèles open source sont pertinents - pour le coût, pour le contrôle, ou pour des données qui ne doivent pas sortir de chez vous - on vous accompagne dans cette transition : quels modèles, en local ou en cloud, pour quelles tâches. Et surtout, on construit tout le harnais autour - routeur, couche de règles, gouvernance - pour que l'ensemble tienne vraiment en production.
Et c'est comme ça qu'on fonctionne nous-mêmes : notre propre entreprise tourne sur une architecture multi-modèle, sans dépendre d'aucun fournisseur en particulier. On ne vend pas une théorie qu'on n'applique pas.
Le meilleur modèle, c'est celui que vous pouvez changer demain sans rien casser.
