Dernière revue :
Qu'est-ce qu'un modèle de fondation ? Définition et enjeux pour l'entreprise
Un modèle de fondation est un modèle d'IA généraliste entraîné sur des données massives et diversifiées, qui sert de base réutilisable pour des dizaines voire des centaines d'applications métier différentes, par adaptation (fine-tuning, RAG, prompt) plutôt que par entraînement spécifique.
Le terme modèle de fondation (foundation model en anglais) a été introduit par le Stanford CRFM en 2021 (Bommasani et al., On the Opportunities and Risks of Foundation Models) pour désigner une nouvelle classe de modèles caractérisée par deux propriétés. La première, l'entraînement à grande échelle sur des corpus généralistes : ces modèles ne sont pas conçus pour une tâche précise mais pour saisir les régularités statistiques d'un domaine vaste (langage, image, code). La seconde, leur adaptabilité descendante : le même modèle peut être spécialisé après coup pour la traduction, le résumé, la classification, le code, l'analyse d'image, par des techniques d'adaptation (fine-tuning, RAG, prompt engineering) bien moins coûteuses que l'entraînement initial. GPT, Claude, Gemini, Llama et Mistral sont des modèles de fondation textuels. Stable Diffusion et GPT Image (OpenAI) sont des modèles de fondation visuels. La quasi-totalité des applications IA d'entreprise actuelles s'appuient sur un modèle de fondation, sans le savoir nécessairement.
Exemple concret
Le rapport Stanford CRFM 2021 a identifié les modèles de fondation comme un changement de paradigme : avant 2018, chaque tâche d'IA (traduction, résumé, classification, vision) nécessitait son propre modèle entraîné spécifiquement, sur des données dédiées. Après 2018 et l'émergence des grands transformers, un seul modèle généraliste peut adresser des dizaines de tâches par adaptation légère. Cas illustratif pour une ETI : au lieu de financer cinq projets d'IA spécialisée, chacun avec ses données et son modèle, elle adapte cinq fois le même modèle de fondation, par prompt, RAG ou fine-tuning léger. Le coût d'entrée baisse fortement, car le fournisseur a déjà payé l'entraînement initial.
Questions fréquentes
Qu'est-ce qu'un modèle de fondation ?
C'est un modèle d'IA généraliste entraîné sur des données massives et diversifiées, qui sert de base réutilisable pour des dizaines, voire des centaines d'applications métier différentes. On l'adapte (fine-tuning, RAG, prompt) plutôt que de l'entraîner spécifiquement pour chaque tâche. Le terme a été introduit par le Stanford CRFM en 2021.
En quoi un modèle de fondation change-t-il l'équation économique ?
Avant 2018, chaque tâche d'IA (traduction, résumé, classification, vision) exigeait son propre modèle entraîné spécifiquement. Depuis, un seul modèle généraliste adresse des dizaines de tâches par adaptation légère. Pour une ETI, cela revient à adapter cinq fois un modèle existant, à 10 000 à 30 000 euros par adaptation, au lieu de financer cinq développements spécialisés à 200 000 euros chacun : la barrière d'entrée s'écroule d'un ordre de grandeur.
Faut-il construire son propre modèle de fondation ?
Non. Son coût (dizaines à centaines de millions de dollars) le place hors de portée des entreprises. Vous ne construirez pas un modèle, vous en choisirez un. La compétence stratégique se déplace vers la sélection, l'adaptation et l'orchestration de modèles existants.
Le choix d'un modèle de fondation est-il réversible ?
Difficilement. En changer après mise en production demande de réécrire les prompts, de refaire le fine-tuning, parfois de réindexer les bases RAG. C'est une décision pluriannuelle, à arbitrer en fonction de la trajectoire du fournisseur, pas du seul prix à court terme.
Quel risque de gouvernance faut-il anticiper ?
L'homogénéisation. Comme la quasi-totalité des applications s'appuient sur quelques modèles de fondation, une faille ou un biais de l'un d'eux se propage à toutes les applications adaptées en aval. L'audit d'amont devient donc un enjeu de gouvernance, pas un détail technique.
À voir aussi
Pour aller plus loin
On the Opportunities and Risks of Foundation Models, Stanford CRFM, Bommasani et al., 2021
Sources
- On the Opportunities and Risks of Foundation Models, Bommasani et al., Stanford CRFM, arXiv:2108.07258, 2021. https://arxiv.org/abs/2108.07258
- Center for Research on Foundation Models, Stanford HAI. https://crfm.stanford.edu/
- How much does it cost to train frontier AI models?, Epoch AI, juin 2024. https://epoch.ai/blog/how-much-does-it-cost-to-train-frontier-ai-models
- Deprecations, OpenAI (DALL·E retiré de l'API le 12 mai 2026). https://developers.openai.com/docs/deprecations