Le centre de gravité du déploiement de l’IA pourrait s’éloigner des modèles propriétaires les plus avancés au profit de systèmes moins coûteux et personnalisables que les entreprises peuvent exploiter avec davantage de contrôle. C’est l’argument avancé par Clem Delangue, PDG de Hugging Face, qui a déclaré à TechCrunch que les utilisateurs professionnels veulent de plus en plus des modèles ouverts et des déploiements privés plutôt que de s’en remettre entièrement à des API fermées issues des laboratoires de pointe.

Cette affirmation compte, car une grande partie du débat public sur l’IA se concentre encore sur les dernières sorties d’entreprises comme OpenAI et Anthropic, ainsi que sur les batailles réglementaires autour de l’accès à ces systèmes. Mais les éléments cités par TechCrunch suggèrent une réalité opérationnelle différente : de nombreuses équipes de développement et d’entreprise construisent des charges de travail de production sur des alternatives à poids ouverts, en particulier lorsque le coût, la personnalisation et le contrôle des données comptent davantage que l’accès au meilleur score unique de benchmark.

Ce qui a changé dans le débat

Selon TechCrunch, la dernière discussion a été déclenchée par un écart croissant entre l’endroit où se situe le prestige de l’IA et l’endroit où l’usage pourrait progresser. Les sorties de pointe dominent toujours les gros titres, mais Delangue a soutenu dans le podcast Equity de TechCrunch que la tendance à long terme pourrait être différente : les systèmes de pointe pourraient être réservés à l’expérimentation et à un ensemble plus restreint de tâches à forte valeur, tandis que les charges de travail quotidiennes de production s’exécuteraient de plus en plus sur des modèles open source ou des modèles contrôlés en interne au sein des entreprises.

Cette position correspond au rôle de Hugging Face sur le marché. L’entreprise est surtout connue comme dépôt et hub de déploiement pour les modèles ouverts, les jeux de données et les outils pour développeurs, ce qui donne à sa direction un intérêt évident à souligner la vigueur de l’écosystème ouvert. Malgré tout, l’argument reflète une inquiétude plus large des entreprises, devenue plus visible au cours de l’année écoulée : si l’IA devient une infrastructure essentielle, beaucoup d’acheteurs ne veulent pas que leurs capacités les plus importantes dépendent d’une API boîte noire qu’ils ne peuvent ni inspecter, ni modifier, ni négocier en position de force.

TechCrunch a rapporté que Delangue présentait cela autant comme une question de propriété que comme une question de coût. Selon lui, les entreprises se demandent s’il est logique de louer de l’intelligence à un petit nombre de fournisseurs externes une fois les vraies factures de production arrivées et l’intégration devenue critique pour la mission.

Les signaux d’usage derrière le changement

Les signaux concrets les plus solides dans l’histoire proviennent des données d’utilisation au niveau des plateformes, même si chacune a ses limites. TechCrunch a rapporté que les modèles chinois à poids ouverts représentaient 41 % des téléchargements sur Hugging Face au printemps, dépassant les modèles américains sur cette plateforme. Il a aussi indiqué que, sur OpenRouter, les six modèles les plus populaires étaient des modèles ouverts de Tencent, Xiaomi, DeepSeek, MiniMax et Z.ai, tandis que Anthropic Claude Opus 4.7 occupait la septième place au moment de la rédaction.

Par ailleurs, TechCrunch a cité des données de Vercel indiquant que les modèles à poids ouverts traitaient près d’un tiers des requêtes IA sur sa plateforme en juin. L’article a présenté cela comme la preuve que les modèles ouverts prennent une part croissante du travail d’infrastructure à fort volume, tandis que les modèles fermés continuent de servir de couche premium plus coûteuse.

Ce sont des indicateurs significatifs pour les développeurs, car ils captent le comportement réel sur des plateformes où les équipes testent, acheminent et déploient des modèles. Toutefois, ils ne donnent pas une image complète du marché de l’IA. TechCrunch lui-même a noté que ces plateformes n’incluent pas l’énorme volume d’usage hébergé directement par les plus grands laboratoires, où OpenAI et Anthropic représentent probablement une grande partie de la demande totale. Autrement dit, les données rapportées soutiennent l’idée que les modèles ouverts gagnent en pertinence en production, mais elles ne prouvent pas que les API de pointe ne sont plus centrales dans l’ensemble.

La même prudence s’applique aux propres mesures d’échelle de Hugging Face. Delangue a déclaré qu’un nouveau dépôt est créé toutes les sept secondes sur Hugging Face et que la plateforme héberge près de trois millions de modèles publics et un million de jeux de données publics. Il a également affirmé que la moitié des entreprises du Fortune 500 utilisent Hugging Face pour déployer des modèles privés et des modèles open source. Ces chiffres ont été présentés par le PDG de l’entreprise dans le reportage de TechCrunch et doivent être lus comme des affirmations d’adoption fournies par la société, et non comme des données de part de marché auditées indépendamment.

Pourquoi les modèles ouverts chinois sont centraux dans cette histoire

Une partie notable du changement observé est géographique. TechCrunch a relié la croissance de l’usage ouvert à un rythme soutenu de sorties de la part d’entreprises chinoises d’IA, qui publient des systèmes à poids ouverts moins coûteux à déployer et plus faciles à personnaliser que de nombreuses alternatives fermées.

L’article a notamment cité Z.ai et son modèle GLM-5.2, que TechCrunch a décrit comme performant en codage agentique et compétitif avec les systèmes d’Anthropic pour identifier des vulnérabilités de sécurité. Cela compte pour les équipes produit, car le codage, l’automatisation et la revue de sécurité figurent parmi les cas d’usage d’entreprise les plus clairs où le coût d’inférence et le contrôle du déploiement ont un impact direct sur les marges et la conformité.

Si les développeurs peuvent obtenir des performances acceptables d’un modèle qu’ils peuvent héberger, affiner, inspecter et router au sein de leur propre pile, l’économie change radicalement par rapport à celle des API premium fermées. Pour de nombreux outils internes, flux de support et assistants d’ingénierie logicielle, « suffisamment bon et contrôlable » peut l’emporter sur « le meilleur disponible mais coûteux et restrictif ».

Cela ne signifie pas que les laboratoires propriétaires de premier plan perdent en pertinence. Cela signifie que le terrain concurrentiel pourrait se fragmenter. La pointe reste importante pour les tâches les plus exigeantes, pour la visibilité de la recherche et pour les ventes d’entreprise premium. Mais les modèles ouverts, y compris les systèmes de DeepSeek et d’autres laboratoires chinois, semblent mettre sous pression l’idée que la plus grande valeur reviendra toujours aux entreprises disposant des modèles absolument les meilleurs.

Verrouillage, contrôle des données et calcul des entreprises

L’argument de marché ne vient pas seulement de Hugging Face. TechCrunch a aussi cité le PDG de Microsoft, Satya Nadella, avertissant les entreprises contre le verrouillage à un seul fournisseur et affirmant qu’elles devraient contrôler leurs propres données et leur « learning loop ». Ce cadre élargit l’histoire de l’idéologie open source à l’architecture d’entreprise.

Pour les acheteurs d’IA en entreprise, les questions pratiques sont simples. Le modèle peut-il fonctionner dans un environnement contrôlé ? Les équipes peuvent-elles empêcher que les données d’interaction client retournent vers le système plus large d’un fournisseur ? Peuvent-elles distiller, affiner ou changer de fournisseur sans réécrire leur pile applicative ? Et peuvent-elles prévoir les coûts à grande échelle sans être exposées aux règles de tarification et d’accès d’un seul fournisseur ?

Ces préoccupations sont particulièrement aiguës dans les déploiements d’IA d’entreprise qui touchent des données réglementées, des flux de travail propriétaires ou des expériences orientées client avec de gros volumes d’inférence. Dans ces contextes, les modèles open source et les modèles privés peuvent être attrayants non pas parce qu’ils sont philosophiquement ouverts, mais parce qu’ils soutiennent le levier d’achat, la flexibilité de déploiement et la prévisibilité opérationnelle.

Pour les bâtisseurs, l’implication est que l’orchestration des modèles devient plus importante que la loyauté envers un seul fournisseur. Les équipes doivent de plus en plus décider quelles charges de travail méritent les performances de pointe et lesquelles peuvent fonctionner sur un modèle ouvert moins coûteux. Cela pousse la conception produit vers des piles hybrides : modèles premium pour le raisonnement complexe ou les cas limites sensibles, et systèmes à poids ouverts pour la recherche d’information, la classification, l’assistance au codage, l’automatisation des workflows ou les tâches de fond permanentes.

Preuves, risques et affirmations contestées

Le reportage met aussi en lumière un débat politique et de sécurité bien réel. Delangue a soutenu auprès de TechCrunch que la concentration des capacités d’IA chez quelques fournisseurs fermés crée son propre risque, et que la transparence peut aider les défenseurs à comprendre et corriger les vulnérabilités. Il a suggéré que garder des modèles puissants fermés n’élimine pas le danger et peut aggraver les asymétries de pouvoir.

Cette vision est contestée. TechCrunch a noté que le PDG d’Anthropic, Dario Amodei, a fait valoir qu’une diffusion large de poids de modèles de plus en plus capables pourrait être dangereuse, car les systèmes deviennent plus difficiles à contrôler une fois distribués. Les critiques de la publication ouverte ont également averti que des poids accessibles pourraient faciliter les usages abusifs dans des domaines comme les cyberattaques, la désinformation ou le risque biologique.

Le cadre de sécurité global d’aucune des deux parties n’est tranché dans ce reportage, et l’article n’apporte pas de nouvelle preuve indépendante qui règle la question. Ce qu’il montre, en revanche, c’est que l’élan du déploiement et la philosophie politique sont désormais imbriqués. Plus les entreprises adoptent des modèles open source pour des raisons pratiques, plus il devient difficile de traiter l’ouverture comme une question marginale ou purement idéologique.

Ce qu’il faut surveiller ensuite

Le signal de suivi le plus clair serait que davantage de plateformes d’entreprise publient des données d’usage concrètes similaires à celles de Hugging Face, OpenRouter et Vercel. Si les modèles ouverts continuent d’absorber un trafic applicatif à fort volume, l’idée que les systèmes de pointe deviennent une couche premium plutôt que la norme pourrait gagner en crédibilité.

Un autre signal est la vitesse à laquelle des fournisseurs chinois comme Z.ai et DeepSeek continuent de réduire les écarts de capacités en codage, sécurité et workflows agentiques. Si les sorties à poids ouverts restent compétitives dans ces domaines, la pression sur les prix et le packaging propriétaires devrait augmenter.

Il vaut aussi la peine de surveiller si Microsoft et d’autres grandes entreprises d’infrastructure traduisent la rhétorique anti-verrouillage en paramètres produits qui facilitent l’acheminement multi-modèles et le déploiement privé. Si les outils d’entreprise simplifient le passage entre Anthropic, les modèles open source et les options auto-hébergées, l’adoption pourrait encore s’accélérer.

Enfin, les régulateurs et les laboratoires de pointe pourraient durcir le débat sur la question de savoir si les poids des modèles devraient faire l’objet de contrôles plus stricts. Cette trajectoire politique pourrait déterminer directement quelle part de la prochaine génération de modèles capables atteindra l’écosystème ouvert.

Perspective Creati.ai

Cette histoire compte parce qu’elle déplace la concurrence en IA du théâtre des classements vers l’économie du déploiement. Pour beaucoup d’équipes, la question clé n’est plus de savoir quel modèle est le meilleur en théorie, mais quelle combinaison de modèles offre une qualité acceptable, un risque maîtrisable et un coût soutenable en production. C’est là que Hugging Face, OpenRouter et Vercel deviennent des baromètres utiles : ils montrent ce que les développeurs routent réellement dans les applications, pas seulement ce qui gagne les benchmarks.

Le résultat le plus probable à court terme n’est pas la fin des laboratoires de pointe. C’est une segmentation. Anthropic et d’autres fournisseurs premium pourraient conserver le haut du panier pour le raisonnement et les cas d’usage critiques, tandis que les modèles ouverts prendraient une plus grande part du travail répétitif, à fort volume et personnalisable. Pour les fondateurs et les acheteurs d’entreprise, cela signifie que l’avantage concurrentiel viendra peut-être moins de l’accès à une seule API de pointe que de la construction de systèmes capables de mêler Claude Opus 4.7, GLM-5.2 et d’autres modèles ouverts sans se retrouver captifs d’un seul fournisseur.