Modèles ouverts contre propriétaires : GLM-5.2, DeepSeek et MiniMax rapprochent l'écart et forcent les entreprises à choisir

Pendant longtemps, choisir entre un modèle d’IA fermé et un modèle ouvert ne posait pas vraiment de question. Les modèles propriétaires, comme ChatGPT, Claude ou Gemini, étaient nettement devant. Les modèles ouverts existaient, mais avec un niveau inférieur qui réglait le débat d’avance. Cette évidence vient de tomber. Plusieurs modèles ouverts sortis ces derniers mois ont rapproché l’écart au point d’obliger les entreprises, américaines en particulier, à se reposer la question.

Fermé, ouvert : de quoi parle-t-on

Un mot sur le vocabulaire, parce qu’il porte tout le débat. Un modèle dit open-weight, ou à poids ouverts, est publié librement et téléchargeable par tous. Vous pouvez l’héberger sur vos propres serveurs, l’adapter à vos besoins, et garder vos données chez vous, sur vos machines. Un modèle propriétaire fonctionne autrement. Il reste fermé, et vous n’y accédez qu’à travers l’entreprise qui le détient, le plus souvent via une interface de discussion ou une connexion logicielle, ce qu’on appelle une API. La série GPT-5.6 d’OpenAI, Claude ou Gemini relèvent de ce second modèle.

Le poids ouvert change la nature de la relation. Avec un modèle fermé, vous louez un service et dépendez de son propriétaire pour le prix, les conditions et la disponibilité. Avec un modèle ouvert, vous récupérez un fichier que personne ne peut vous retirer, et vous décidez où et comment il tourne.

Pourquoi un modèle ouvert peut séduire

Les modèles ouverts offrent trois atouts. Un contrôle accru, puisque le modèle tourne chez vous et non chez un tiers. Une meilleure confidentialité, car les données traitées ne quittent pas votre infrastructure, un point qui compte beaucoup dans les secteurs régulés, la santé, la banque, le secteur public. Et souvent un coût plus bas sur la durée, une fois passé l’investissement de départ. Pendant des années, ces avantages restaient théoriques, parce que les modèles ouverts accusaient un retard de performance qui les rendait peu attractifs pour les usages exigeants. Ce n’est plus le cas.

Les classements indépendants le montrent. Sur l’Intelligence Index v4.1 d’Artificial Analysis, une maison d’évaluation reconnue, GLM-5.2 du laboratoire chinois Z.ai (Zhipu AI) arrive en tête des modèles ouverts avec un indice de 51. Juste derrière suivent MiniMax-M3 et DeepSeek V4 Pro, à 44 chacun. Ce niveau place GLM-5.2 non seulement au sommet des modèles ouverts, mais dans le peloton de tête tous modèles confondus, devant certaines références propriétaires sur plusieurs épreuves. Le modèle est publié sous licence permissive, sans restriction d’usage ni verrou régional, ce qui autorise un déploiement privé complet.

Le prix change le calcul

La performance se rattrape, le prix devient le vrai terrain de compétition. Là où DeepSeek a percé en cassant les tarifs, GLM-5.2 marque des points sur la qualité de planification et le code au long cours. MiniMax s’est taillé une place sur le multimodal à bas coût, avec des tarifs si bas qu’ils se comptent en fractions de centime par million de mots traités, loin sous ceux des modèles propriétaires de pointe.

Ce mouvement n’est pas marginal. Les modèles d’origine chinoise, signés Z.ai, Alibaba, MiniMax, DeepSeek ou Moonshot, représentent désormais plus de 45 pour cent du trafic mesuré sur OpenRouter, une place de marché qui agrège l’accès à de nombreux modèles. Il y a un an, cette part était sous les 2 pour cent. Le basculement s’est fait en quelques mois.

La décision que doivent prendre les entreprises

Ce contexte arrive au pire moment pour les budgets. Plusieurs grands groupes ont vu leurs dépenses d’IA déraper plus vite que prévu. Selon la presse, des entreprises comme Uber, mais aussi Amazon, Walmart, Cisco ou Meta, ont commencé à plafonner en interne la consommation d’IA, le temps de reprendre la main sur la facture. Certaines, à l’image d’Uber, auraient même épuisé leur enveloppe dès les premiers mois de 2026.

Devant ce mur, une piste s’impose. Faire migrer une partie des charges de travail vers des modèles ouverts, plus économiques et plus souples, qui offrent un niveau proche pour un coût bien moindre. La logique rejoint celle d’autres secteurs où l’IA force à repenser ce qu’on facture et ce qu’on paie. L’arbitrage n’est pourtant pas simple. Héberger et maintenir un modèle ouvert suppose des compétences d’ingénierie, une infrastructure et une vigilance sur la sécurité que toutes les équipes n’ont pas. Le compromis entre performance, sûreté et charge de travail technique fait que cette solution convient à certaines organisations et pas à d’autres.

Le clivage se lit déjà selon les profils d’organisation. Une grande structure dotée d’une équipe technique solide a tout intérêt à tester un modèle ouvert sur ses cas les plus coûteux, quitte à conserver un modèle fermé pour le reste. Une PME sans ingénieurs dédiés gagnera souvent à rester sur un service clé en main, le temps que des offres d’hébergement simplifié se développent et abaissent la barrière d’entrée. Entre les deux, une voie hybride se dessine, où l’on répartit les usages selon leur sensibilité, leur volume et leur exigence de performance. Cette logique de portefeuille déborde le seul cadre des serveurs d’entreprise. Les assistants et agents IA qui débarquent désormais sur mobile reposent eux aussi sur des modèles dont le choix, ouvert ou fermé, décide du coût, de la confidentialité et du degré de dépendance à un fournisseur unique.

Ce qu’il faut surveiller

Plusieurs inconnues restent ouvertes. La tenue dans le temps de l’avance des modèles ouverts, d’abord, car les laboratoires fermés gardent des moyens considérables et peuvent reprendre du terrain. La question de la confiance ensuite, puisque utiliser l’API d’un modèle chinois soulève des interrogations sur le traitement des données, là où l’auto-hébergement, lui, les garde chez soi. Et le cadre réglementaire enfin, qui pourrait encadrer l’usage de certains modèles selon leur origine, comme on l’a vu avec le resserrement de l’accès aux modèles de pointe. Ce qui est acquis, c’est que le choix du moteur d’IA n’est plus une formalité. Il devient une décision de stratégie, avec un poids sur les coûts, la sécurité et l’autonomie de chaque organisation.