Les modèles d'IA ouverts réduisent l'écart avec les modèles à frontière fermée à un rythme impressionnant : à chaque époque successive de grands modèles de langage, les modèles ouverts mettent deux fois moins de temps pour rattraper le premier modèle fermé de cette époque, selon une nouvelle analyse de la société de recherche sur les semi-conducteurs SemiAnalysis.

L'étude, intitulée « Les modèles ouverts rattrapent-ils leur retard ? » et publiée le 21 août par Evan Cloutier, Max Kan, Jordan Nanos et Dylan Patel, est l'une des tentatives les plus systématiques à ce jour pour quantifier une question qui plane sur l'ensemble de l'industrie de l'IA : si les modèles ouverts restent presque aussi performants que les modèles à frontière fermée à une fraction du coût, les laboratoires pionniers ont-ils une activité durable ? Pour une couverture approfondie des versions de modèles à l'origine de ce changement, suivez AI Buzz Wire.

Trois époques de Frontier AI

Les auteurs soutiennent que l’histoire des LLM se divise en trois époques distinctes – mise à l’échelle précoce, raisonnement et agent – chacune représentant une augmentation progressive de ce que les modèles peuvent faire utilement.

Leur point méthodologique principal est que comparer des modèles à travers les époques avec un seul point de référence est une erreur. Chaque référence est un produit de son époque : elle est créée pour discerner les différences de capacités qui existent à un moment donné, puis grimpée par les modélistes jusqu'à saturer, après quoi l'industrie cesse de s'en soucier et passe à autre chose. Au lieu de cela, l'équipe SemiAnalysis a exécuté des ensembles de références pour les modèles de chaque époque afin de produire un score de capacité composite.

Vu de cette façon, l’écart ouvert/fermé évolue par cycles. Au début de chaque ère, un laboratoire pionnier réalise des recherches prometteuses, forme un modèle impressionnant et passe de l’avant. D’autres laboratoires identifient ensuite les avancées clés, les effectuent par ingénierie inverse et comblent l’écart. "Rien ne reste secret pour toujours, surtout si l'on tient compte de la distillation", écrivent les auteurs. "C'est juste une question de combien de temps cela prendra."

Leur analyse de cette question a donné naissance à la principale conclusion de l'étude : à chaque génération, les modèles open source mettent deux fois moins de temps pour rattraper le premier modèle fermé de l'époque.

Pourquoi ce cycle semble différent

Le rapport est direct sur la différence entre les moments passés du modèle ouvert et l’actuel. Le « moment DeepSeek » de janvier 2025 a fait la une des journaux, mais « personne n’a réellement utilisé R1 pour effectuer un travail économiquement intéressant », notent les auteurs.

En revanche, ils désignent des modèles comme GLM 5.3 et Kimi K3 comme « véritablement capables d'effectuer bon nombre des mêmes tâches de codage et d'agent qui ont propulsé Anthropic à 65 milliards de dollars + ARR » – une référence à la trajectoire de revenus que les charges de travail de codage et d'agent ont entraînées pour le créateur de Claude. Cette affirmation a un poids particulier car ces modèles ouverts ne sont pas de simples logiciels de démonstration ; ils sont déployés en production pour les mêmes tâches qui génèrent de réels revenus pour les laboratoires fermés.

Les chiffres d’utilisation renforcent ce changement. Fireworks, un fournisseur d'inférence qui dessert de nombreux modèles ouverts, traite désormais plus de 40 000 milliards de jetons par jour, soit deux fois le volume de l'API d'OpenAI fin mars, selon SemiAnalysis. Comme le dit le rapport, il s’agit « d’une période passionnante pour être un consommateur de jetons », la bataille pour les jetons s’étendant désormais bien au-delà du duopole OpenAI-Anthropic.

La question de la marchandisation

L’étude répond directement à la crainte – qu’elle qualifie de FUD dans certains coins – selon laquelle des modèles ouverts performants et bon marché banaliseraient entièrement la couche modèle, un résultat qui serait désastreux pour les marges des laboratoires frontières.

La partie publique de l'analyse ne fournit pas de réponse complète, dirigeant les lecteurs vers le modèle Tokenomics payant de la société pour un traitement détaillé des données financières d'OpenAI et d'Anthropic. Mais la direction du voyage est claire : si les modèles ouverts de chaque époque arrivent deux fois moins longtemps que ceux de l’ère précédente, la fenêtre pendant laquelle les laboratoires fermés peuvent facturer des prix plus élevés pour des capacités de pointe continue de se réduire.

Les auteurs mettent également en garde contre le fait de considérer cette tendance comme une condamnation à mort pour la recherche exploratoire. Les benchmarks, écrivent-ils, « ne racontent pas toute l'histoire », et les conclusions du rapport sont décrites comme « moins pessimistes » sur les modèles frontières que les lecteurs pourraient initialement le penser – en partie parce que la parité brute des benchmarks n'est pas la même que la parité en matière de fiabilité, d'intégration de produits, de distribution d'entreprise ou de capital nécessaire pour servir les modèles à grande échelle.

Pourquoi c'est important

Pour les acheteurs, les résultats valident une stratégie que de nombreuses entreprises ont déjà adoptée : choisir par défaut des modèles ouverts ou moins chers pour la majeure partie du volume de jetons tout en réservant les modèles fermés haut de gamme aux tâches les plus difficiles. Pour les laboratoires, il quantifie la pression à laquelle ils sont confrontés sur deux fronts : les modèles ouverts en bas et les énormes coûts de calcul en haut.

Et pour l’écosystème open source, les données SemiAnalysis offrent quelque chose qui a souvent fait défaut : la preuve, plutôt que l’idéologie, que l’écart se réduit selon un calendrier prévisible. Si le modèle à mi-temps perdure dans la prochaine ère de l'IA de pointe, la question la plus importante pour l'industrie n'est pas de savoir si les modèles ouverts rattrapent leur retard, mais plutôt ce qui reste défendable une fois qu'ils l'ont fait.

Suivez la course Open-Weight AI Lire plus d'actualités sur l'IA →