IA open source ou propriétaire : que choisir ?

Votre prestataire vous propose d'installer un modèle Mistral sur vos serveurs. Un collaborateur, lui, ne jure que par ChatGPT. Faut-il miser sur une IA open source, ouverte et modifiable, ou sur un outil propriétaire, prêt à l'emploi ? La question arrive tôt ou tard sur le bureau de tout dirigeant de PME.

Le débat n'est plus théorique. Mozilla, acteur historique de la tech ouverte, vient de publier son premier rapport sur l'état des modèles ouverts. Ils traitent déjà environ un tiers des requêtes d'intelligence artificielle dans le monde (OpenSourceForU). Mais ils ne captent que 4 % des revenus du secteur : beaucoup d'entreprises restent au stade de l'expérimentation, peu les mettent vraiment en production.

Ce guide vous aide à trancher sans jargon. Vous verrez ce que recouvre vraiment « open source » et ce qui change concrètement. Puis les idées reçues à écarter, et la grille de décision que nous utilisons avec nos clients. Une conviction, d'emblée : le modèle compte moins que vos données.

Qu'est-ce que l'open source, appliqué à l'intelligence artificielle ?

Un modèle ouvert est un modèle que chacun peut utiliser, étudier, modifier et redistribuer librement. En pratique, la plupart des modèles dits ouverts ne publient que leurs poids, c'est-à-dire leurs réglages internes. On parle alors plus justement de modèle « open weight ».

Le principe vient du logiciel libre, celui de Linux ou des bibliothèques JavaScript : un code publié sur un dépôt GitHub, que chacun peut reprendre et améliorer. L'Open Source Initiative, qui fait autorité dans ce domaine depuis 1998, a publié fin 2024 sa définition de l'IA ouverte. Elle exige quatre libertés (utiliser, étudier, modifier, partager) et la publication de trois éléments : des informations détaillées sur les données d'entraînement, le code complet et les paramètres du modèle.

Les paramètres, ou poids du modèle, sont les milliards de réglages appris pendant l'entraînement par machine learning. Les publier permet de déployer le modèle chez soi. Mais sans les données ni le code d'entraînement, impossible de savoir exactement comment il a été construit.

Ces modèles s'échangent sur des plateformes comme le hub Hugging Face, un véritable écosystème où l'on télécharge un modèle presque comme une app sur un store. Ils couvrent le texte, l'image et même la génération de vidéos. Pour les modèles de langage, ceux qui rédigent et répondent, on distingue trois familles :

• Les modèles ouverts au sens large. Mistral a publié en décembre 2025 sa famille Mistral 3 sous licence Apache 2.0, qui autorise l'exploitation commerciale et la modification. Qwen (Alibaba), DeepSeek V3, Kimi ou MiniMax jouent dans la même catégorie. Même OpenAI a publié en 2025 des modèles ouverts, baptisés gpt-oss.
• Les modèles ouverts sous conditions. Meta Llama, Gemma de Google ou Nemotron de Nvidia publient leurs poids, avec une licence maison qui encadre leur exploitation.
• Les modèles propriétaires. Les modèles phares d'OpenAI, Gemini ou Claude Sonnet (Anthropic) ne publient rien. Vous les utilisez comme un service : par un abonnement, par une API (une interface de programmation) ou par un kit de développement, le SDK (software development kit).

Open source ou propriétaire : quelles différences concrètes ?

Un outil propriétaire s'utilise comme un service prêt à l'emploi, mis à jour par son éditeur. Un modèle ouvert s'héberge et se pilote vous-même, ou chez un prestataire, sur vos serveurs ou dans le cloud. L'écart de qualité s'est fortement réduit, sauf sur les tâches les plus complexes.

Les chiffres confirment ce rattrapage. Selon le même rapport, les modèles d'IA ouverts font jeu égal sur le code, le suivi de consignes et la culture générale (UC Today). Sur les benchmarks d'agent les plus exigeants, l'écart persiste : 83,4 % de réussite pour le meilleur modèle fermé, 67,9 % pour le meilleur ouvert. À performance comparable, le modèle fermé coûte environ six fois plus cher par token (l'unité de texte facturée).

Un point commun, enfin. Ouvert ou fermé, un modèle peut produire des hallucinations, des réponses fausses mais plausibles. Le choix de licence n'y change rien. Pour les repérer, rien ne remplace la vérification humaine et le feedback que font remonter les utilisateurs.

Deux idées reçues qui faussent le choix

Ces deux idées reviennent dans presque tous nos échanges avec des dirigeants sur l'IA. Elles ne sont pas fausses, mais incomplètes.

« Les modèles open source sont gratuits. » Le modèle l'est. Le faire tourner, non. Il faut des serveurs équipés de cartes graphiques, qui se paient qu'elles travaillent ou non. Il faut aussi un développeur ou un prestataire pour installer, sécuriser, mettre à jour et surveiller le modèle dans la durée : c'est tout l'enjeu du MLOps, l'art de maintenir un modèle en production. Tant que votre volume de requêtes reste modeste, payer à la consommation revient généralement moins cher qu'une machine qui tourne à vide.

« Le propriétaire fait fuir mes données. » Pas forcément. En matière de confidentialité, les offres professionnelles des grands éditeurs s'engagent en général à ne pas entraîner leurs modèles sur vos données. Certaines proposent aussi un hébergement en Europe ou l'absence de conservation. Le vrai risque vient surtout des pratiques non encadrées : un collaborateur qui colle un fichier clients dans la version grand public d'un chatbot.

La troisième voie. Entre les deux, une option gagne du terrain : utiliser un modèle ouvert et performant, comme Mistral, hébergé dans un cloud européen et facturé à la consommation. Vous gardez la transparence et la réversibilité de l'open-source, sans gérer de serveurs.

Que disent l'AI Act et le RGPD ?

Pour une PME qui utilise un modèle sans le fabriquer, le choix entre ouvert et fermé change peu d'obligations. Les règles les plus lourdes de l'AI Act visent les éditeurs de modèles. Les vôtres portent sur ce que vous faites de l'outil et sur les données personnelles que vous lui confiez.

Depuis le 2 août 2025, l'AI Act impose de nouvelles obligations aux éditeurs de modèles à usage général. Ils doivent documenter leurs modèles, respecter le droit d'auteur et publier un résumé des données d'entraînement. Les modèles publiés en licence libre sont dispensés d'une partie de cette documentation. Ils restent soumis aux règles sur le droit d'auteur, et perdent toute dispense s'ils présentent un risque systémique (article 53 de l'AI Act).

Côté RGPD, la question décisive est simple : où partent vos données, et qui peut les lire ? Un modèle ouvert hébergé hors d'Europe n'est pas plus protecteur qu'un modèle fermé hébergé en France. La CNIL recommande de partir d'un besoin précis et d'écrire la liste de ce qui est autorisé ou interdit. Elle conseille aussi de choisir un système dont vous maîtrisez le traitement des données.

Comment choisir le bon modèle d'IA pour votre PME ?

Posez-vous quatre questions : vos données sont-elles sensibles, combien de requêtes prévoyez-vous, avez-vous des compétences techniques en interne, quelle performance vous faut-il ? Pour la plupart des PME, la meilleure réponse est une solution qui ne vous enferme pas dans un seul modèle.

Trois profils reviennent souvent :

• Vous débutez, avec des besoins variés (rédaction, résumés, recherche) : un outil propriétaire en offre professionnelle suffit, avec une charte claire pour chaque utilisateur.
• Vous traitez des données sensibles (santé, défense, données clients détaillées) : un modèle ouvert hébergé en France ou chez vous, avec un prestataire qui en assure l'exploitation.
• Vous industrialisez un workflow précis à fort volume : un modèle ouvert spécialisé devient rentable, à condition d'avoir l'équipe pour le maintenir.

Dans tous les cas, gardez la possibilité de changer de modèle. Les classements bougent tous les trois mois, et chaque géant de l'IA annonce une nouvelle fonctionnalité presque chaque semaine. Une couche d'orchestration, qui assure le routage de chaque demande vers le moteur le plus adapté, vous protège d'une hausse de prix ou d'un modèle retiré. Elle relie aussi le modèle à vos outils externes et à vos flux de travail, sans tout reconstruire.

Chez nos clients industriels, la question posée est d'ailleurs rarement « quel modèle ? ». C'est plutôt « où vont nos données ? ». Leurs exigences : un hébergement en France, aucune conservation des données par la plateforme, et la liberté de choisir son moteur (Mistral, Claude, Copilot…).

Surtout, la valeur ne se joue pas dans le modèle. Les réalisations concrètes le montrent : chez un distributeur de matériel électrique sous Sage 100, il a fallu 52 étapes de préparation des données avant d'automatiser une seule tâche. Le plus innovant des modèles n'aurait rien pu faire sans ce travail. Pour une vue d'ensemble, consultez notre guide de l'IA dans les PME et ETI.

Conclusion : le meilleur modèle est celui que vous pouvez remplacer

Ouvert ou propriétaire : il n'y a pas de bon camp, seulement un bon choix pour votre situation. Retenez trois idées :

• un modèle dit ouvert publie souvent ses poids, pas tout, et il n'est pas gratuit à exploiter ;
• l'écart de qualité se resserre, sauf sur les tâches les plus complexes ;
• la confidentialité dépend de l'hébergement et du contrat, pas de la licence.

Les modèles changeront encore, et vite. Choisissez une organisation qui vous permet d'en changer sans tout reconstruire. Le meilleur modèle est celui que vous pourrez remplacer demain. Vos données, elles, restent votre avantage.

‍