C'est quoi la différence entre open source et open-weight ?

Facebook Tweet LinkedIn Email Pin Print

Depuis l’arrivée de ChatGPT fin 2022, tout le monde a découvert ce que pouvait faire un grand modèle de langage. Mais très vite, une question a suivi : qu’y a-t-il réellement à l’intérieur de ces outils ? Personne, ou presque, ne pouvait répondre. Les modèles d’OpenAI, d’Anthropic ou de Google restaient des boîtes noires, aussi puissantes que fermées.

C’est dans ce contexte que des modèles dits « ouverts » ont commencé à s’imposer, à commencer par Llama de Meta ou ceux de Mistral. Depuis, le mouvement s’est accéléré. Fin 2024, la société chinoise DeepSeek a publié V3, un modèle entraîné pour un coût bien inférieur à celui des géants américains. Son successeur R1, sorti début 2025, a été perçu par beaucoup comme une vraie menace pour les modèles propriétaires. Plus récemment, Qwen (Alibaba) ou Kimi (Moonshot) ont eux aussi gagné du terrain, notamment pour les tâches de raisonnement et les usages agentiques. Selon le cabinet SemiAnalysis, chaque nouvelle génération de modèles open source met deux fois moins de temps à rattraper le niveau des modèles fermés du moment.

Open-weight et open source, deux réalités différentes

Le terme « ouvert » recouvre en fait plusieurs choses, et la confusion est fréquente. La plupart des modèles utilisés en entreprise sont dits « open-weight ». Cela signifie que les poids du modèle, c’est-à-dire les paramètres qui déterminent ses réponses, sont accessibles. Une organisation peut donc les ajuster, les affiner avec ses propres données et déployer le tout en interne.

Jensen Huang, patron de Nvidia, résumait récemment l’intérêt de l’approche : les modèles open-weight permettent aux entreprises de garder le contrôle sur leurs données et d’adapter les modèles à leurs besoins précis, tout en les déployant où elles le souhaitent.

La limite, c’est que ces modèles ne dévoilent pas tout. Le code d’entraînement et les données utilisées restent le plus souvent cachés, ce qui empêche de tout modifier. L’Open Source Initiative (OSI) est plus stricte sur la définition : pour elle, un modèle vraiment open source doit aussi publier les données d’entraînement, afin que chacun puisse l’étudier, le modifier et le redistribuer librement. Dans les faits, très peu de modèles remplissent ce critère complet.

Pourquoi les entreprises s’y intéressent

ChatGPT, Gemini ou Claude ne vont évidemment pas disparaître. Ces outils généralistes restent performants et couvrent un très large champ d’usages. Mais pour beaucoup d’entreprises, ils sont surdimensionnés, et souvent coûteux, par rapport à des besoins précis.

Deepak Seth, analyste chez Gartner, l’explique bien : les besoins réels d’une entreprise concernent des tâches spécifiques avec des données spécifiques, alors qu’un modèle généraliste entraîné sur l’ensemble d’internet dépasse largement ce qu’il faut pour la plupart des cas d’usage.

Des entreprises comme ServiceNow ou RWS ont ainsi intégré plusieurs dizaines de modèles open source à côté de leurs outils propriétaires, chacun dédié à une tâche précise. Max Goss, également chez Gartner, défend cette logique multi-fournisseurs, qui limite la dépendance à un seul éditeur.

L’argument technique compte aussi. Dans un véhicule ou sur un site industriel, les décisions doivent parfois se prendre en quelques millisecondes, directement sur l’appareil. Praveen Murugesan, de Samsara, souligne que les modèles ouverts permettent justement ce type de déploiement en couches, où l’entreprise choisit où chaque modèle tourne et quelles données il traite.

Gouvernance, sécurité et souveraineté

Le contrôle est devenu un argument central. Les modèles ouverts, exécutés en interne et coupés du cloud, offrent une sécurité supplémentaire, en particulier dans les secteurs régulés. Jinsook Han, de Spruce Peak Ventures, note un attrait croissant pour les déploiements sur site, où l’entreprise garde la main sur l’ensemble du système.

Craig LeClair, de Forrester, apporte une nuance intéressante. Selon lui, les entreprises voudront de plus en plus entraîner ces modèles sur leurs propres données, dans des environnements fermés et contrôlés, ce qui rend ces modèles open source un peu moins ouverts en pratique. Pour Max Goss, la logique reste simple : pouvoir inspecter les poids, auditer les données d’entraînement ou isoler un déploiement du réseau, c’est ce qui permet de gouverner un système. Sans cette visibilité, aucun contrôle réel n’est possible.

La question dépasse d’ailleurs le cadre de l’entreprise. Plusieurs pays, l’Allemagne, la France ou l’Inde par exemple, encouragent l’adoption de modèles ouverts pour des raisons de souveraineté numérique. Richard Morton, de l’Institut des modèles fondamentaux basé à Abou Dhabi, rappelle que ces modèles permettent aux nations de comprendre et d’adapter les systèmes qui font tourner leurs infrastructures numériques. Kari Briski, de Nvidia, va dans le même sens : s’appuyer sur des modèles et des données ouvertes évite de devoir reconstruire depuis zéro toute la connaissance déjà capturée par les modèles existants.

Les limites en terme de sécurité

Tout n’est pas simple pour autant. Jack Gold, de J. Gold Associates, rappelle que les technologies propriétaires offrent en général un niveau de sécurité plus élevé, même si elles freinent parfois l’innovation. Avec les modèles ouverts, la maintenance et les mises à jour reposent souvent entièrement sur l’entreprise elle-même, ce qui demande des ressources internes solides.

Autre point de vigilance, ces modèles ne sont pas toujours totalement vérifiés avant leur diffusion, ce qui peut introduire des risques, notamment de fuite de données sensibles. L’essor d’agents comme OpenClaw, capables de parcourir des systèmes de fichiers entiers et d’accéder à des informations personnelles, illustre bien ce type de préoccupation. C’est pour cette raison que de nombreuses équipes techniques testent ces outils avec prudence avant tout déploiement en production.

Samar Abbas, cofondateur de Temporal, reste malgré tout optimiste sur l’avenir de l’écosystème open source, qui devrait selon lui trouver sa place durablement. Il insiste néanmoins sur un point essentiel pour les entreprises : tenir un inventaire précis de tous les modèles et agents utilisés, qu’ils soient officiellement validés ou déployés de manière informelle, avec une vision claire des données que chacun manipule.

Conclusion

Le choix entre modèle fermé et modèle ouvert n’est pas une question de mode. Certains usages nécessitent un modèle généraliste de pointe. D’autres, souvent la majorité, gagnent à être confiés à un modèle ouvert, plus léger et ajusté aux données internes de l’entreprise. La distinction entre open-weight et open source reste toutefois trop souvent floue, alors qu’elle détermine concrètement ce qu’une organisation peut auditer, modifier et contrôler.