Pourquoi les géants de l’IA ouvrent-ils leurs modèles ?

Depuis le début de la vague d’IA générative, on regarde surtout la compétition comme une course au meilleur modèle : GPT contre Claude contre Gemini, avec régulièrement de nouveaux entrants qui tentent de se faire une place.

Mais une autre course devient particulièrement intéressante : celle des modèles que l’on peut télécharger, héberger soi-même et parfois modifier. Qwen chez Alibaba, DeepSeek, Kimi chez Moonshot, GLM chez Z.ai, les modèles de Mistral, Llama chez Meta ou encore gpt-oss chez OpenAI occupent désormais une place importante dans l’écosystème.

Une question m’interpelle derrière cette évolution : pourquoi investir autant d’argent dans l’entraînement d’un modèle pour ensuite permettre à d’autres de le télécharger et parfois de l’exécuter sans rien payer à son créateur ?

La réponse est probablement que le modèle n’est pas toujours le produit final. Selon les acteurs, la valeur peut se trouver dans le cloud, les API, le déploiement en entreprise, le matériel, les applications ou simplement dans la capacité à imposer son modèle comme un standard.

Open source et open weights : une petite précision

J’utilise volontairement ici l’expression « modèles ouverts », car toutes les situations ne sont pas équivalentes. Un modèle open-weight rend publics ses paramètres entraînés : on peut généralement le télécharger, l’exécuter sur sa propre infrastructure et souvent l’adapter. L’open source au sens strict va plus loin et suppose notamment de disposer de suffisamment d’éléments pour étudier, modifier et reproduire le système.

Meta utilise par exemple une licence spécifique pour Llama, tandis qu’OpenAI qualifie explicitement gpt-oss de modèle open-weight. La distinction est importante, mais ce n’est pas le sujet principal ici. Ce qui m’intéresse surtout est ce qui se passe économiquement lorsqu’un modèle performant peut fonctionner ailleurs que chez son créateur.

Une grande partie de cette dynamique vient aujourd’hui de Chine

Les acteurs chinois reviennent constamment lorsqu’on regarde les modèles ouverts récents, mais ils ont des profils très différents.

Alibaba, derrière Qwen, est d’abord le géant du e-commerce que l’on connaît pour Taobao et Tmall. C’est aussi un acteur majeur du cloud avec Alibaba Cloud, et le groupe développe désormais ses propres accélérateurs IA avec T-Head.

DeepSeek vient d’un univers complètement différent. La société est issue de High-Flyer, un hedge fund chinois spécialisé dans le trading quantitatif et le machine learning. Son fondateur Liang Wenfeng avait investi depuis plusieurs années dans des capacités de calcul avant de créer DeepSeek comme laboratoire consacré aux modèles fondamentaux.

Moonshot AI, qui développe Kimi, ressemble davantage à une startup spécialisée dans l’IA. Fondée en 2023 et soutenue notamment par Alibaba, elle développe à la fois ses modèles, l’application Kimi et une API destinée aux développeurs.

Z.ai, anciennement Zhipu AI, vient quant à elle du monde académique. Créée en 2019 à partir de travaux issus de l’université Tsinghua, l’entreprise développe la famille GLM mais commercialise également des API, des agents et des solutions destinées aux entreprises.

On pourrait également ajouter MiniMax, fondé par Yan Junjie, ancien dirigeant de la recherche chez SenseTime. La société développe des modèles de texte, audio, vidéo et musique, ainsi que plusieurs produits grand public et des services destinés aux développeurs.

Il n’existe donc pas un modèle économique chinois unique derrière les modèles ouverts. Alibaba permet néanmoins de comprendre la logique la plus évidente.

Alibaba : ouvrir le modèle pour vendre ce qu’il y a autour

Alibaba possède aujourd’hui presque toute la chaîne nécessaire pour construire et exploiter une IA : Qwen pour les modèles, Model Studio pour les API et services IA, Alibaba Cloud pour l’infrastructure et T-Head pour une partie du matériel de calcul.

En mai 2026, Alibaba indiquait que les produits liés à l’IA représentaient déjà 30 % des revenus externes de son activité cloud sur son dernier trimestre fiscal. Le groupe explique également concentrer cette activité sur les modèles proposés comme service (Model-as-a-Service), dont la demande augmente rapidement, avec des modèles, des forfaits de tokens et des agents commercialisés via Model Studio.

Dans ce contexte, publier Qwen devient beaucoup plus logique. Une entreprise peut télécharger gratuitement le modèle, mais elle doit toujours disposer des machines nécessaires pour le faire fonctionner. Elle peut acheter et administrer ses propres GPU, mais elle peut aussi utiliser Alibaba Cloud, consommer Qwen par API, louer une capacité dédiée ou demander à Alibaba de gérer le déploiement.

Rendre le modèle accessible peut donc contribuer à agrandir le marché des services payants qui l’entourent.

C’est probablement le cas le plus évident de cette stratégie, mais cette explication ne fonctionne pas aussi directement pour DeepSeek ou Moonshot.

Moonshot et DeepSeek cherchent surtout à diffuser leurs modèles

Contrairement à Alibaba, Moonshot et DeepSeek ne disposent pas d’un immense business cloud sur lequel faire tourner les modèles qu’ils développent. Ils doivent eux-mêmes acheter ou louer une quantité importante de calcul pour entraîner et servir leurs modèles. Leur intérêt à publier leurs poids repose donc davantage sur la distribution : plus Kimi ou DeepSeek sont utilisés, plus leurs technologies deviennent visibles et intégrées dans l’écosystème.

Moonshot monétise déjà Kimi par des abonnements et par son API. Mais son modèle pourrait également être distribué directement par les grands fournisseurs de cloud. Reuters rapportait par exemple en août 2026 que Moonshot discutait avec Microsoft, Amazon et Google pour proposer Kimi K3 sur leurs plateformes, avec un partage des revenus générés par son utilisation.

Le raisonnement est intéressant : une entreprise peut télécharger gratuitement Kimi si elle souhaite gérer elle-même son infrastructure, tandis qu’une autre peut préférer utiliser exactement le même modèle comme service managé chez son fournisseur de cloud. Moonshot transforme alors une diffusion gratuite du modèle en opportunités de revenus sur les usages qui demandent davantage de simplicité et de service.

DeepSeek suit en partie la même logique en proposant sa propre API alors que ses modèles peuvent également être installés ailleurs. Mais l’ouverture produit aussi un bénéfice plus difficile à mesurer directement : elle permet au modèle de devenir une référence.

Lorsqu’un modèle est largement utilisé, les frameworks l’intègrent, les hébergeurs le proposent, les moteurs d’inférence sont optimisés pour lui et les entreprises construisent progressivement leurs applications autour de lui. Son créateur ne gagne pas nécessairement de l’argent à chaque exécution, mais il gagne une place dans l’infrastructure technologique du marché.

Z.ai et Mistral peuvent vendre le déploiement plutôt que le modèle

Une entreprise peut techniquement télécharger un modèle et le faire fonctionner elle-même. En production, le sujet devient rapidement plus complexe : il faut dimensionner les machines, optimiser l’inférence, gérer la sécurité, surveiller la disponibilité, effectuer les mises à jour et parfois garantir que les données ne quittent jamais une infrastructure déterminée.

C’est précisément une partie du business de Z.ai. L’ouverture de GLM permet aux développeurs et entreprises de tester et déployer le modèle librement, mais Z.ai commercialise parallèlement ses API et des déploiements privés. Ses résultats du premier semestre 2026 montrent toutefois que les API représentent désormais l’essentiel de son chiffre d’affaires (86,5 %), tandis que les déploiements privés reculent et restent une activité secondaire.

Mistral suit une logique assez proche. Ses modèles peuvent être consommés par API, mais l’entreprise propose également des déploiements dans le cloud privé du client ou directement dans son infrastructure, avec du support et des engagements de service.

Avec Mistral Compute, la société va même plus loin en proposant désormais de la capacité GPU dédiée en Europe pour l’entraînement et l’inférence. Le parallèle avec Alibaba est intéressant parce que les deux acteurs arrivent vers un modèle relativement proche en partant de directions opposées : Alibaba était déjà un géant du cloud lorsqu’il a développé Qwen, alors que Mistral a commencé par construire des modèles avant de remonter progressivement vers l’infrastructure.

Dans les deux cas, le modèle n’est donc qu’une partie de ce qui peut être vendu.

Ouvrir un modèle peut aussi renforcer un autre business

La logique du cloud n’explique cependant pas des acteurs comme Meta ou Apple.

Le business de Meta repose principalement sur Facebook, Instagram, WhatsApp et la publicité. L’entreprise n’a donc pas besoin de vendre directement Llama pour bénéficier de son succès. Elle a en revanche intérêt à éviter que la couche fondamentale de l’IA soit entièrement contrôlée par quelques entreprises comme OpenAI, Google ou Anthropic.

Favoriser un vaste écosystème autour de modèles accessibles permet de réduire cette dépendance. C’est une logique assez classique dans la technologie : une entreprise peut avoir intérêt à rendre une couche moins rare lorsque sa valeur économique se trouve dans une autre couche.

Apple offre un autre exemple. Les modèles utilisés au cœur d’Apple Intelligence ne sont pas ouverts, mais l’entreprise publie de nombreux travaux de recherche et développe MLX, son framework open source optimisé pour Apple Silicon. Avec OpenELM, Apple a également publié des modèles, des checkpoints et une partie importante de leur chaîne d’entraînement.

L’intérêt est cohérent avec son business : Apple ne cherche pas principalement à vendre des tokens d’IA, mais des appareils et un écosystème. Plus il est facile d’exécuter des modèles localement sur un Mac, plus le Mac devient intéressant comme machine de développement et d’utilisation de l’IA.

Même OpenAI a fini par entrer sur ce terrain avec gpt-oss. Ces modèles peuvent être téléchargés et exécutés sur l’infrastructure de l’utilisateur, et OpenAI ne les propose même pas via sa propre API. Là encore, l’objectif ne peut donc pas simplement être de facturer directement chaque utilisation du modèle.

Ce n’est pas uniquement une course entre la Chine et les États-Unis

L’émergence des modèles ouverts révèle aussi une autre motivation : plusieurs pays ne veulent pas dépendre entièrement de technologies développées aux États-Unis ou en Chine.

L’Inde en est un bon exemple. La startup Sarvam AI a publié en 2026 Sarvam 30B et Sarvam 105B, deux modèles entraînés en Inde avec des ressources de calcul fournies dans le cadre de la mission publique IndiaAI. L’entreprise commercialise parallèlement des API et des produits adaptés notamment aux langues et usages indiens.

Des initiatives comparables existent au Japon, en Corée du Sud, à Singapour ou aux Émirats arabes unis. Leur logique est à la fois économique et stratégique : conserver localement les compétences nécessaires à la création de modèles, mieux couvrir leurs langues et leurs données, et éviter une dépendance totale à quelques fournisseurs étrangers.

Le modèle ouvert devient alors aussi un outil de souveraineté technologique.

Et si le modèle devenait progressivement une commodité ?

Pendant longtemps, la discussion autour de l’IA a surtout consisté à chercher le « meilleur modèle ». GPT, Claude ou Gemini sont régulièrement comparés sur leurs performances, et chaque nouvelle version relance la course.

Pour beaucoup d’applications d’entreprise, la question pourrait progressivement devenir différente : quel modèle est suffisamment bon pour mon besoin, combien me coûte-t-il et où puis-je le faire fonctionner ?

Si Qwen, DeepSeek, Kimi, GLM, Mistral, Llama, Gemma ou gpt-oss atteignent tous un niveau suffisant sur une partie des usages, le modèle devient progressivement une brique que l’on peut choisir en fonction du contexte plutôt qu’une dépendance définitive.

Cela ne signifie évidemment pas que tous les modèles sont équivalents. Ils n’ont pas les mêmes performances, les mêmes coûts, les mêmes licences ni les mêmes capacités, et les meilleurs modèles propriétaires restent en avance sur certains usages.

Mais une entreprise peut déjà commencer à séparer trois choix qui étaient auparavant beaucoup plus liés : le modèle utilisé, l’infrastructure sur laquelle il fonctionne et les données propres à son métier.

Cette séparation peut profondément changer la manière de construire des applications IA.

La connaissance de l’entreprise ne se trouve pas dans le modèle

Même un excellent modèle généraliste ne connaît pas automatiquement les contrats d’une entreprise, ses procédures, son catalogue produit, ses dossiers clients ou les milliers de documents accumulés sur ses serveurs.

Il n’est pourtant pas nécessaire d’intégrer toute cette connaissance directement dans le modèle. On peut conserver les données séparément et rechercher les informations pertinentes au moment où le modèle en a besoin.

C’est, très simplement, le principe du RAG - Retrieval Augmented Generation : lorsqu’un utilisateur pose une question, le système recherche d’abord les informations utiles dans les données de l’entreprise, puis les fournit au modèle afin qu’il puisse construire sa réponse à partir de ce contexte.

J’y reviendrai dans un article dédié, car le fonctionnement réel mérite d’être expliqué plus précisément. Mais ce principe est important ici : si la connaissance de l’entreprise reste indépendante du modèle, changer de modèle devient beaucoup plus envisageable.

On peut utiliser Mistral aujourd’hui et décider demain que Qwen, DeepSeek ou un autre modèle est mieux adapté, sans nécessairement reconstruire tout le système documentaire et métier autour.

La course ne concerne donc plus seulement les modèles

Alibaba peut ouvrir Qwen tout en vendant le cloud et le calcul nécessaires pour l’exécuter. Moonshot peut utiliser Kimi pour gagner de la distribution, puis monétiser ses API, ses abonnements ou les usages managés proposés par les grands clouds. Z.ai et Mistral peuvent laisser leurs modèles circuler tout en vendant aux entreprises la partie plus complexe : intégration, infrastructure, sécurité, exploitation et support. Meta peut favoriser des modèles accessibles parce que son business se trouve ailleurs, tandis que certains États y voient une infrastructure stratégique qu’ils ne veulent pas entièrement importer.

Les motivations sont différentes, mais elles montrent toutes une chose : la valeur de l’IA ne se trouve pas nécessairement uniquement dans le modèle.

Elle se répartit entre le calcul qui permet de le faire fonctionner, l’infrastructure qui le déploie, les outils qui l’entourent, les données auxquelles il accède et surtout les applications que l’on construit avec.

Pour une entreprise, la question intéressante n’est donc peut-être déjà plus seulement « quel modèle choisir ? », mais plutôt comment construire son système pour pouvoir choisir - et éventuellement changer - de modèle sans perdre ce qui fait réellement sa valeur ?