# Qu'est-ce qu'un modèle IA open source ? Définition et bon réflexe vs mauvais réflexe > Un modèle open source IA est un modèle de fondation dont les poids et l'architecture sont librement téléchargeables et exploitables sous une licence plus ou moins permissive (Apache 2.0, MIT ou licence maison). Il s'oppose au modèle propriétaire (Claude, GPT, Gemini), accessible uniquement via API ou application. Le choix engage souveraineté, coût et flexibilité long terme. ## Définition Le paysage des modèles open source s'est transformé entre 2023 et 2026. Les modèles propriétaires (Claude d'Anthropic, GPT d'OpenAI, Gemini de Google) conservent une légère avance sur les benchmarks les plus difficiles, mais l'écart se resserre rapidement. Les principaux modèles à poids ouverts en octobre 2026 sont DeepSeek V4 Pro (MIT, Chine, version finale d'août 2026), Qwen 3.8 (Alibaba, août 2026 : licence Qwen3.8-Max pour le modèle phare, Apache 2.0 pour la version de 27 milliards de paramètres), Mistral Large 3 (Apache 2.0, France), Mistral Medium 3.5 (licence MIT modifiée, France), Gemma 4 (Apache 2.0, Google) et gpt-oss (Apache 2.0, OpenAI). Llama 4 Scout et Maverick (avril 2025) restent les derniers poids ouverts de Meta, qui a lancé en avril 2026 Muse Spark, un modèle dont les poids ne sont pas publiés. L'architecture dominante des modèles phares est le MoE sparse : de 675 milliards (Mistral Large 3) à 2 400 milliards (Qwen 3.8) de paramètres totaux, dont seulement 41 à 95 milliards actifs par token. Mistral Medium 3.5 fait exception : c'est un modèle dense de 128 milliards de paramètres. Apache 2.0 et MIT sont les licences les plus permissives ; la licence Llama 4 impose un seuil de 700 millions d'utilisateurs actifs mensuels et n'accorde pas les droits sur ses modèles multimodaux, dont Scout et Maverick, aux entreprises dont le siège principal est dans l'UE ; la licence Qwen3.8-Max impose une licence séparée aux fournisseurs de modèles en service ou d'assistants de travail IA qui dépassent 50 millions de dollars de chiffre d'affaires sur 12 mois ; la licence MIT modifiée de Mistral Medium 3.5 exclut les entreprises dont le chiffre d'affaires mensuel consolidé dépasse 20 millions de dollars. ## Exemple Cas illustratif. Un cabinet d'expertise comptable français de 180 salariés évalue en 2026 le déploiement d'un assistant IA interne sur documents sensibles (bilans clients, déclarations fiscales). Trois options. Option A : Claude Sonnet 5.5 via l'API Anthropic (2 $ par million de tokens en entrée, 10 $ en sortie), données traitées sur l'infrastructure d'Anthropic (l'API ne propose pas de traitement localisé en Europe, seulement « global » ou « États-Unis »). Option B : Mistral Large 3 auto-hébergé sur des GPU loués chez un hébergeur français, données 100 % en France ; avec 675 milliards de paramètres, il exige un serveur GPU haut de gamme. Option C : Mistral Medium 3.5 (modèle dense de 128 milliards de paramètres) sur un serveur de 8 GPU de classe H100 ou H200 installé dans le datacenter du cabinet, la configuration de référence publiée par Mistral. La licence MIT modifiée ne pose pas de problème : le cabinet est très loin du seuil de 20 M$ de chiffre d'affaires mensuel. Investissement matériel lourd, souveraineté complète. Le cabinet choisit l'option C pour la confidentialité fiscale, après avoir vérifié qu'il dispose des compétences pour exploiter ce serveur. ## Pour un dirigeant Choisir un modèle propriétaire par défaut, ou choisir un modèle open source par idéologie. Les deux postures sont des erreurs symétriques. La première laisse échapper des économies importantes (sur un volume élevé, un modèle ouvert self-hosté peut coûter nettement moins cher qu'une API propriétaire) et expose vos données métier aux serveurs du fournisseur. La seconde sous-estime les coûts cachés du self-hosting : équipe MLOps dédiée, GPU à amortir, mise à jour des modèles, monitoring. Sans volume suffisant, l'open source self-hosté coûte plus cher que l'API propriétaire. | Faire l'arbitrage sur trois axes opérationnels et un axe stratégique. Axes opérationnels : volume d'inférence attendu (chiffrez le point mort en comparant la facture API mensuelle au coût complet d'un serveur, GPU, énergie et équipe compris ; il se situe bien au-delà de quelques dizaines de millions de tokens par mois), sensibilité des données (RGPD, secret professionnel, propriété intellectuelle imposent souvent le self-hosting), criticité du service (un modèle propriétaire peut être déprécié sans préavis). Axe stratégique : indépendance long terme vis-à-vis d'un fournisseur unique. La règle WYP : commencer en API propriétaire pour apprendre rapidement, basculer en open source self-hosté sur les cas d'usage critiques une fois le volume et les besoins stabilisés. ## Questions fréquentes **Qu'est-ce qu'un modèle open source en IA ?** C'est un modèle de fondation dont les poids et l'architecture sont librement téléchargeables et exploitables sous licence permissive, comme Apache 2.0 ou MIT. Il s'oppose au modèle propriétaire (Claude, GPT, Gemini), accessible uniquement via une API. Le choix engage la souveraineté, le coût et la flexibilité à long terme. **Les modèles open source sont-ils aussi performants que les propriétaires ?** Les modèles propriétaires conservent une légère avance sur les benchmarks les plus difficiles, mais l'écart se resserre rapidement. Le paysage s'est transformé entre 2023 et 2026 : en octobre 2026, les principaux modèles à poids ouverts sont DeepSeek V4 Pro, Qwen 3.8, Mistral Large 3, Gemma 4 et gpt-oss. **Open source ou propriétaire : comment arbitrer ?** En évitant les deux erreurs symétriques, choisir le propriétaire par défaut ou l'open source par idéologie. L'arbitrage repose sur trois axes opérationnels (volume d'inférence attendu, sensibilité des données, criticité du service) et un axe stratégique (l'indépendance long terme vis-à-vis d'un fournisseur unique). La règle WYP : commencer en API propriétaire pour apprendre vite, puis basculer en open source self-hosté sur les cas critiques une fois le volume et les besoins stabilisés. **À partir de quand l'auto-hébergement devient-il rentable ?** Il n'existe pas de seuil universel. Chiffrez le point mort en comparant la facture API mensuelle au coût complet d'un serveur : GPU à amortir, énergie, équipe MLOps, mises à jour des modèles et supervision. Aux tarifs d'API actuels (2 $ par million de tokens en entrée pour Claude Sonnet 5.5), il se situe bien au-delà de quelques dizaines de millions de tokens par mois. L'auto-hébergement se justifie d'abord par la confidentialité ou la souveraineté, rarement par le coût. **Faut-il se méfier des licences dites open source ?** Oui, toutes ne sont pas également permissives. Apache 2.0 et MIT le sont largement, mais la licence Meta pour Llama 4 impose un seuil de 700 millions d'utilisateurs actifs mensuels et des restrictions dans l'UE, et la licence MIT modifiée de Mistral Medium 3.5 exclut les entreprises dont le chiffre d'affaires mensuel consolidé dépasse 20 millions de dollars. La licence se vérifie avant tout déploiement. ## À lire aussi - [LLM (Large Language Model)](https://wyp.agency/glossaire/llm/) - [Modèle de fondation](https://wyp.agency/glossaire/modele-de-fondation/) - [Souveraineté numérique](https://wyp.agency/glossaire/souverainete-numerique/) - [TCO IA](https://wyp.agency/glossaire/tco-ia/) - [Fine-tuning](https://wyp.agency/glossaire/fine-tuning/) - [SLM (Small Language Model)](https://wyp.agency/glossaire/slm/) ## Sources - Mistral Medium 3.5 128B, fiche du modèle, Mistral AI, Hugging Face (modèle dense de 128 milliards de paramètres, licence MIT modifiée : exclusion au-delà de 20 M$ de chiffre d'affaires mensuel, déploiement vLLM sur 8 GPU) (https://huggingface.co/mistralai/Mistral-Medium-3.5-128B) - Mistral Medium 3.5, documentation officielle Mistral AI (sortie le 28 avril 2026, poids ouverts, licence MIT modifiée) (https://docs.mistral.ai/models/mistral-medium-3-5-26-04) - Mistral Large 3, fiche du modèle, Mistral AI, Hugging Face (MoE, 675 milliards de paramètres dont 41 milliards actifs, Apache 2.0) (https://huggingface.co/mistralai/Mistral-Large-3-675B-Instruct-2512) - DeepSeek-V4-Pro, fiche du modèle, DeepSeek-AI, Hugging Face (MoE, 1 600 milliards de paramètres dont 49 milliards actifs, licence MIT) (https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro) - Qwen3.5-397B-A17B, fiche du modèle, Alibaba Qwen, Hugging Face (397 milliards de paramètres dont 17 milliards actifs, 201 langues, Apache 2.0) (https://huggingface.co/Qwen/Qwen3.5-397B-A17B) - Gemma 4 31B, fiche du modèle, Google DeepMind, Hugging Face (Apache 2.0) (https://huggingface.co/google/gemma-4-31B-it) - The Llama 4 herd, Meta AI, avril 2025 (Scout : contexte de 10 millions de tokens ; Maverick : 400 milliards de paramètres dont 17 milliards actifs) (https://ai.meta.com/blog/llama-4-multimodal-intelligence/) - Llama 4 Community License et politique d'usage, Meta (seuil de 700 millions d'utilisateurs actifs mensuels, restriction UE sur les modèles multimodaux) (https://github.com/meta-llama/llama-models/tree/main/models/llama4) - Data residency, documentation de la plateforme Claude, Anthropic (inference_geo : « global » ou « us ») (https://platform.claude.com/docs/en/manage-claude/data-residency) - Qwen3.8-2.4T-A95B, fiche du modèle et licence Qwen3.8-Max, Alibaba Qwen, Hugging Face (https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B) - DeepSeek-V4-Pro-0813, fiche du modèle (licence MIT), DeepSeek-AI, Hugging Face (https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro-0813) - gpt-oss-120b, fiche du modèle (Apache 2.0), OpenAI, Hugging Face (https://huggingface.co/openai/gpt-oss-120b) - Introducing Muse Spark, Meta AI, 8 avril 2026 (https://ai.meta.com/blog/introducing-muse-spark-msl/) --- Fiche du glossaire IA de WYP.agency · https://wyp.agency/glossaire/modele-open-source/ · Dernière mise à jour : 2026-10-14