Fin juillet 2026, une coalition de sociétés technologiques américaines a publié une lettre ouverte avertissant que le fait de restreindre les modèles d’IA à poids ouverts étoufferait la concurrence et pousserait l’innovation à l’étranger. La pétition est arrivée au moment où des laboratoires chinois présentaient Kimi K3, un système d’IA de 2,8 billions de paramètres de Moonshot AI, tandis que Washington examinait des sanctions contre des modèles d’IA étrangers. Le secrétaire au Trésor, Scott Bessent, a évoqué d’éventuelles sanctions pour des motifs liés à la propriété intellectuelle, après des accusations selon lesquelles des laboratoires chinois auraient eu recours à des techniques de distillation pour combler à moindre coût l’écart de capacités avec les systèmes « frontier » occidentaux. Cet épisode a mis en évidence un changement dans le paysage mondial de l’IA, où les modèles à poids ouverts — des systèmes d’IA dont les paramètres entraînés sont publiés publiquement — sont devenus le point central d’un bras de fer autour de la souveraineté technologique, de la compétitivité et de l’avenir de l’intelligence artificielle. Le débat porte désormais sur la question de savoir si les États-Unis doivent réglementer l’ouverture ou plutôt faire concurrence au sein d’un écosystème dominé de plus en plus par les sorties chinoises.
Les laboratoires chinois dominent l’écosystème de l’IA à poids ouverts
Un modèle à poids ouverts est un système d’IA dont les paramètres entraînés sont publiés publiquement pour être téléchargés, inspectés, modifiés et déployés en privé. Contrairement aux logiciels open source traditionnels, les données d’entraînement sous-jacentes et l’ensemble des recettes pour reproduire le modèle restent généralement des informations propriétaires. Les grands modèles de langage à poids ouverts modernes s’appuient sur des architectures de type Mixture-of-Experts, qui n’activent qu’une partie des paramètres par requête, permettant aux systèmes de passer à l’échelle jusqu’aux billions de paramètres tout en maintenant des coûts d’inférence maîtrisables.
Les laboratoires chinois produisent désormais les modèles à poids ouverts les plus performants. Le V4 de DeepSeek offre un raisonnement proche de la « frontier » sous licence MIT. La Qwen 3.6 d’Alibaba, disponible sous Apache 2.0, a dépassé un milliard de téléchargements cumulés sur Hugging Face et a donné naissance à plus de 180 000 modèles dérivés. Le Kimi K3 de Moonshot AI, dévoilé à la mi-juillet 2026, revendique 2,8 billions de paramètres et doit faire l’objet d’une libération complète à poids ouverts. Les GLM 5.2 de Zhipu AI et le M3 de MiniMax complètent un écosystème qui représente la majorité des téléchargements mondiaux de modèles à poids ouverts.
Les solutions occidentales occupent une part plus faible. La famille Llama de Meta reste la plus largement déployée à l’échelle mondiale, mais sa licence personnalisée limite l’usage par les grandes entreprises. La Gemma de Google, la Phi-4 de Microsoft et Mistral Large 3, en provenance de France, proposent des alternatives solides, mais aucune ne rivalise avec le volume de distribution de leurs homologues chinois.
La coalition US publie une lettre de politique sur les poids ouverts le 24 juillet
Le 24 juillet, Nvidia, Microsoft et Meta ont mené une coalition d’environ deux douzaines d’entreprises dans la publication de la lettre intitulée « Open Weights and American AI Leadership ». Les signataires comprenaient AMD, Cisco, Hugging Face, Y Combinator et la Linux Foundation. Alphabet, Anthropic et OpenAI étaient notablement absents. La lettre a appelé les décideurs à élargir l’accès au calcul pour les startups, à investir dans des actifs d’entraînement partagés et à éviter des restrictions prématurées sur les modèles à poids ouverts.
La coalition a renversé les arguments de sécurité conventionnels, affirmant que le fait de concentrer des capacités avancées derrière un petit nombre de modèles fermés créait un risque systémique. Elle a fait valoir que les poids ouverts permettaient une surveillance externe que les systèmes propriétaires refusaient. La lettre est arrivée dans un contexte d’accusations selon lesquelles des laboratoires chinois auraient utilisé la distillation — l’entraînement de modèles sur les sorties de systèmes « frontier » occidentaux — pour combler l’écart de capacités à moindre coût.
Le plaidoyer en faveur de l’ouverture a été renforcé par des incidents de sécurité récents, notamment des brèches touchant l’infrastructure de distribution des modèles fermés, qui ont mis en évidence l’incapacité des chercheurs indépendants à investiguer des systèmes propriétaires sans accès aux poids sous-jacents.
Enjeux géopolitiques et économiques des modèles d’IA à poids ouverts
Le débat autour des poids ouverts va au-delà des licences et touche des questions de souveraineté technologique et de structure de marché. La domination chinoise sur les poids ouverts a déclenché ce que des chercheurs décrivent comme une spirale de la mort des politiques publiques. Pékin a effectivement transformé l’ouverture en stratégie de distribution, inondant le marché de modèles capables, tandis que Washington débat des contrôles à l’exportation et des cadres de sécurité.
Les critiques de la restriction accusent les acteurs installés des modèles fermés de captation réglementaire — en plaidant pour des règles qui élimineraient les concurrents open source sous couvert de sécurité. Les partisans de l’ouverture répliquent que la diffusion économique compte autant que la capacité « frontier » : un pays peut dominer les tableaux de référence, tout en voyant ses hôpitaux, ses écoles et ses petites entreprises exclus des API fermées en raison des prix.
Pour l’Europe, la question revêt une urgence supplémentaire. Les principales obligations de l’AI Act de l’UE s’activent le 2 août, ce qui alimente la demande de déploiement souverain. La startup française Mistral et la société allemande Aleph Alpha se positionnent comme des alternatives stratégiques, mais l’Europe n’abrite qu’une fraction du calcul mondial dédié à l’IA.
Les organisations gagnent la souveraineté des données grâce aux modèles à poids ouverts — les informations sensibles ne quittent jamais une infrastructure contrôlée — en plus d’une prévisibilité des coûts, de la liberté de personnalisation et d’une protection contre le verrouillage fournisseur. Pour les hôpitaux soumis à la HIPAA, les cabinets d’avocats qui protègent le secret professionnel des clients, les agences de défense évoluant dans des environnements « air-gapped », et les startups cherchant des économies unitaires prévisibles, ces avantages sont décisifs. Un modèle hébergé sur une infrastructure privée ne peut pas être désactivé par des contrôles à l’exportation, des révocations de licence ou des ajouts à des listes d’entités.
FAQ
Quels sont les modèles d’IA à poids ouverts ?
Un modèle à poids ouverts est un système d’IA dont les paramètres entraînés sont publiés publiquement, afin que quiconque puisse le télécharger, l’inspecter, le modifier et le lancer sur une infrastructure privée. Contrairement aux logiciels open source traditionnels, les données d’entraînement sous-jacentes et l’ensemble des recettes pour reproduire le modèle restent généralement des informations propriétaires. Les grands modèles de langage à poids ouverts modernes s’appuient sur des architectures de type Mixture-of-Experts, qui n’activent qu’une partie des paramètres par requête.
Pourquoi les entreprises technologiques américaines ont-elles publié une lettre ouverte le 24 juillet ?
Le 24 juillet, Nvidia, Microsoft, Meta et environ deux douzaines d’autres entreprises ont publié la lettre « Open Weights and American AI Leadership ». La coalition a demandé aux décideurs d’élargir l’accès au calcul pour les startups, d’investir dans des actifs d’entraînement partagés et d’éviter des restrictions prématurées sur les modèles à poids ouverts. La lettre soutenait que le fait de concentrer des capacités avancées derrière des modèles fermés créait un risque systémique, et que les poids ouverts permettaient une surveillance externe que les systèmes propriétaires refusaient.
