Dernière revue : 25 mai 2026

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 licence permissive (Apache 2.0, MIT). Il s'oppose au modèle propriétaire (Claude, GPT, Gemini) accessible uniquement via API. Le choix engage souveraineté, coût et flexibilité long terme.

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 modèles open source dominants en mai 2026 sont DeepSeek V4 Pro (MIT, Chine), Llama 4 Scout et Maverick (Meta custom license, 10M tokens de contexte), Qwen 3.5 (Apache 2.0, Alibaba, 201 langues), Mistral Large 3 et Medium 3.5 (Apache 2.0, France), et Gemma 4 (Apache 2.0, Google). L'architecture dominante est le MoE sparse : tous les flagships ont entre 397 et 1 600 milliards de paramètres totaux, mais seuls 17 à 49 milliards sont actifs par token. Apache 2.0 et MIT sont les licences les plus permissives ; la Meta custom license impose une clause de seuil utilisateurs (700M MAU) et des restrictions UE.

Exemple concret

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 4.6 via API Anthropic, hébergement européen Frankfurt, 2 100 $/mois, données transitant par les serveurs Anthropic. Option B : Mistral Large 3 self-hosté sur cluster GPU loué chez Scaleway, 4 800 $/mois (4 GPUs H200 et stockage), données 100 % France. Option C : Mistral Medium 3.5 (24B) sur 2 GPUs A100 self-hostés dans le datacenter du cabinet, 1 200 $/mois après amortissement matériel sur 24 mois, souveraineté complète. Le cabinet choisit l'option C pour la confidentialité fiscale et un TCO inférieur aux deux autres.

Bon réflexe vs mauvais réflexe

MAUVAIS RÉFLEXE

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 (un modèle Mistral Medium 3.5 self-hosté coûte 3 à 5 fois moins qu'un Claude Sonnet 4.6 sur volume élevé) 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.

BON RÉFLEXE

Faire l'arbitrage sur trois axes opérationnels et un axe stratégique. Axes opérationnels : volume d'inférence attendu (au-dessus de 50 millions de tokens par mois, le self-hosting devient rentable), 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.

À voir aussi

Pour aller plus loin

Open-Source LLMs Landscape 2026, Codersera (ressource externe)

Sources

Open-Source LLMs Landscape 2026, Codersera, mise à jour 1er mai 2026 (benchmarks comparés DeepSeek V4 Pro, Llama 4, Qwen 3.5, Mistral Large 3, Gemma 4). https://codersera.com/blog/open-source-llms-landscape-2026/ (consulté le 2026-05-25)
Mistral AI documentation officielle, modèles Large 3 et Medium 3.5, Apache 2.0, 2026. https://mistral.ai/ (consulté le 2026-05-25)

← Retour au glossaire