La rivalité entre Alibaba et Google s’intensifie à mesure que DeepSeek réduit les coûts de l’IA

Alibaba et DeepSeek ont de nouveau fait baisser les coûts des modèles, intensifiant une concurrence qui englobe désormais Google et tous les grands fournisseurs d’IA propriétaires. La dernière comparaison entre Alibaba et Google va donc bien au-delà des classements de benchmarks. Elle porte sur la capacité des modèles coûteux et étroitement contrôlés à préserver leurs marges alors que des alternatives performantes deviennent moins chères et plus faciles à adapter.

La pression immédiate vient de deux acteurs chinois distincts qui suivent une stratégie compatible. DeepSeek a attiré l’attention sur des modèles efficaces de raisonnement et de programmation. Alibaba a étendu Qwen à une vaste famille couvrant le raisonnement, le développement logiciel, la traduction, la vision, l’audio et les charges de travail d’entreprise.

Le défi qu’ils partagent est simple. Un modèle n’a pas besoin de dominer tous les benchmarks si les développeurs peuvent le déployer à faible coût, examiner ses poids et l’adapter localement. Cette proposition confronte Google, OpenAI et Anthropic à une question plus difficile que celle de savoir quel chatbot est le plus intelligent.

Les laboratoires américains établis conservent d’importants avantages. Ils exploitent des plateformes cloud matures, accompagnent de grands contrats d’entreprise et contrôlent des produits grand public largement utilisés. Google associe également Gemini à Search, Workspace, Android et Google Cloud.

Ces avantages de distribution ne règlent toutefois pas la question de l’économie des modèles. Les systèmes à poids ouverts permettent aux développeurs de télécharger les paramètres des modèles et de les exécuter via un autre fournisseur ou leur propre infrastructure. Cela affaiblit le lien entre le créateur du modèle et la facture informatique finale.

La concurrence devient un affrontement entre deux modèles opérationnels. L’un met l’accent sur les capacités de pointe, l’accès propriétaire et les services verticalement intégrés. L’autre s’appuie sur des architectures efficaces et des poids ouverts pour diffuser une IA performante sur des infrastructures concurrentes.

Les comparaisons entre Alibaba et Google commencent désormais par le coût

La dernière course aux modèles transforme la question d’achat : de « Quel système est le meilleur ? » à « De quel niveau de capacité cette charge de travail a-t-elle réellement besoin ? »

DeepSeek a contribué à imposer ce changement en publiant des modèles compétitifs en raisonnement et en programmation, tout en mettant l’accent sur l’efficacité computationnelle. Ses versions plus récentes prolongent cette tendance, notamment pour les tâches logicielles qui consomment de grands volumes de tokens.

Alibaba exerce une pression comparable avec Qwen, mais depuis une position différente. Il ne s’agit pas d’un laboratoire de recherche indépendant cherchant à produire un modèle phare unique. C’est un opérateur cloud qui construit un portefeuille destiné à de nombreuses charges de travail, régions de déploiement et catégories de clients.

Cette différence compte. Une entreprise envoie rarement toutes ses requêtes vers un seul système de pointe. Elle peut réserver un modèle de raisonnement avancé aux décisions difficiles tout en orientant la classification, l’extraction, la traduction et la génération courante vers d’autres systèmes.

Le catalogue en expansion d’Alibaba soutient cette stratégie de routage. Son catalogue de modèles distingue les modèles selon la tâche, la région de déploiement, la taille du contexte et le mode de raisonnement. L’offre inclut des modèles Qwen aux côtés de systèmes hébergés de DeepSeek, Moonshot AI, MiniMax et Zhipu AI.

Une place de marché cloud réunissant des modèles concurrents modifie le fonctionnement de la concurrence. Alibaba peut bénéficier de la demande pour une IA chinoise efficace même lorsqu’un client choisit DeepSeek plutôt que Qwen. Il se ménage ainsi un rôle dans le déploiement, l’orchestration et l’infrastructure.

Google suit une logique cloud comparable via Vertex AI, où les clients peuvent accéder à Gemini et à des modèles externes. Toutefois, Alibaba et DeepSeek exercent une pression baissière plus forte au niveau des modèles. Leurs options à poids ouverts offrent aussi aux acheteurs des voies de sortie plus crédibles.

Cela crée une concurrence Alibaba-Google plus exigeante. Google doit défendre la valeur de Gemini en tant que modèle tout en prouvant que sa plateforme élargie justifie une intégration plus poussée. Alibaba peut rivaliser grâce à Qwen, à l’hébergement cloud et à l’accès à un marché national des modèles plus vaste.

La comparaison n’est pas parfaitement symétrique. Google sert une clientèle mondiale façonnée par des exigences différentes en matière de confidentialité, de sécurité et de réglementation. Alibaba opère depuis la Chine tout en proposant des régions cloud internationales et des services de modèles accessibles à l’échelle mondiale.

Les acheteurs de modèles remarquent néanmoins lorsque des tâches similaires peuvent être exécutées par des systèmes moins coûteux. Les assistants de programmation, les pipelines d’extraction documentaire, les agents de support et les services de traduction génèrent des requêtes répétées. De faibles écarts pour chaque requête s’accumulent à mesure que l’adoption progresse.

La pression sur les prix transforme également la conception des produits. Les équipes peuvent se permettre davantage d’appels aux modèles, tester plusieurs candidats et utiliser des modèles distincts pour la planification et l’exécution. Elles peuvent réessayer des sorties défaillantes sans considérer chaque tentative comme un événement coûteux.

Cette flexibilité favorise les applications construites autour du routage des modèles. Une couche de routage évalue la requête et l’envoie vers un modèle adapté selon les exigences de qualité, de latence, de contexte ou de gouvernance. Aucun fournisseur ne reçoit automatiquement toutes les charges de travail.

Pour Google, le risque n’est pas que Qwen remplace Gemini partout. Le risque est la fragmentation des charges de travail. Chaque tâche transférée vers une alternative efficace réduit le volume qui soutient l’économie des modèles propriétaires haut de gamme.

Pour Alibaba, l’opportunité va au-delà d’une victoire dans un benchmark. L’entreprise peut faire de Qwen une option par défaut dans un environnement mixte. Cette place génère une familiarité chez les développeurs, de l’expérience de déploiement et une base croissante d’applications conçues autour de ses modèles.

DeepSeek ajoute un sentiment d’urgence, car l’entreprise a déjà montré avec quelle rapidité l’attention des développeurs peut se déplacer. Ses versions ont établi le raisonnement à faible coût comme une catégorie stratégique plutôt que comme une fonctionnalité secondaire. Alibaba élargit désormais ce défi à davantage de modalités et de tâches d’entreprise.

L’efficacité est devenue une fonctionnalité produit

Alibaba et DeepSeek ne réduisent pas les coûts uniquement par des remises ; leurs architectures visent à réduire la quantité de calcul nécessaire à chaque réponse utile.

Une méthode importante est le mélange d’experts, ou MoE. Cette architecture contient de nombreux groupes de paramètres spécialisés, mais n’en active qu’un sous-ensemble pour chaque token. Le modèle gagne en capacité globale sans utiliser tous ses paramètres à chaque requête.

DeepSeek affine cette approche depuis des années. Son article sur DeepSeek-V2 décrivait l’activation clairsemée d’experts ainsi que Multi-Head Latent Attention, qui compresse les informations stockées pendant la génération. Les chercheurs ont fait état de coûts d’entraînement plus faibles, d’un cache mémoire réduit et d’un débit de génération sensiblement supérieur à celui de leur référence précédente.

Ces résultats proviennent de l’évaluation de DeepSeek lui-même ; ils ne doivent donc pas être considérés comme des garanties universelles en production. Le matériel, la taille des lots, la configuration logicielle et la longueur des prompts peuvent modifier les performances réelles en déploiement. Le mécanisme sous-jacent explique néanmoins pourquoi l’efficacité reste au cœur de la conception des modèles de DeepSeek.

Alibaba a également adopté des architectures de mélange d’experts au sein de Qwen. Certaines variantes de Qwen n’activent qu’une partie de leur capacité totale pendant l’inférence. D’autres utilisent des architectures denses pour les environnements où un déploiement plus simple ou des besoins mémoire prévisibles comptent davantage.

Le raisonnement hybride offre un autre moyen de contrôler les coûts. Un modèle peut répondre à des prompts ordinaires sans générer une longue trace interne de raisonnement. Il peut ensuite basculer vers un mode plus intensif en calcul pour les mathématiques, la planification, la programmation ou l’analyse complexe.

Ce choix est important, car les tokens de raisonnement consomment du temps et des ressources informatiques. Un système qui raisonne en profondeur sur chaque salutation, résumé ou demande de mise en forme gaspille de la capacité. Le raisonnement sélectif permet aux applications de réserver les traitements plus lourds aux tâches qui en tirent profit.

L’efficacité des contextes longs revêt une importance comparable. Le contexte correspond au texte, au code, aux images ou aux autres informations fournis avec une requête. Le traitement d’un contexte volumineux peut accroître la latence et l’utilisation de mémoire, avant même que le modèle ne rédige une réponse.

Les mécanismes d’attention de DeepSeek cherchent à réduire cette charge mémoire. Le portefeuille de Qwen propose différentes limites de contexte et des modèles spécialisés par tâche. Ces deux stratégies encouragent les développeurs à faire correspondre la conception d’un modèle à une charge de travail plutôt que de choisir par défaut le plus grand système disponible.

Les poids ouverts amplifient ces gains architecturaux. Ils permettent à des hébergeurs indépendants d’optimiser les logiciels de serving, de quantifier les modèles et de choisir les configurations matérielles. La quantification réduit la précision numérique utilisée pour stocker les poids des modèles, diminuant les besoins en mémoire au prix d’un éventuel compromis sur la qualité.

La concurrence entre hébergeurs peut alors faire baisser davantage les coûts de déploiement. Une API propriétaire possède un opérateur principal et une structure commerciale unique. Un modèle à poids ouverts peut apparaître sur des plateformes cloud, des services d’inférence spécialisés et des clusters privés.

Cela ne rend pas l’inférence gratuite. Les centres de données ont toujours besoin d’accélérateurs, d’électricité, de réseau, de refroidissement et d’ingénierie. Les modèles efficaces modifient simplement la quantité de travail utile que ces ressources peuvent produire.

Ils modifient également l’endroit où l’optimisation intervient. Le développeur du modèle peut améliorer l’architecture, tandis que les fournisseurs d’infrastructure optimisent les noyaux et l’ordonnancement. Les équipes applicatives peuvent réduire le contexte, mettre en cache les entrées répétées ou orienter les requêtes selon leur difficulté.

Cette optimisation à plusieurs niveaux est le véritable mécanisme derrière la baisse des coûts. Aucune technique unique n’explique ce mouvement. Le calcul clairsemé, les caches compressés, le raisonnement sélectif, la quantification, le routage des modèles et la concurrence entre fournisseurs se renforcent mutuellement.

Ce mécanisme explique également pourquoi les seules victoires dans les benchmarks donnent une image incomplète. Un modèle propriétaire plus grand peut obtenir un meilleur score à un test difficile. Un modèle ouvert plus petit peut néanmoins représenter le meilleur choix en production pour une tâche circonscrite et répétitive.

Prenons l’exemple d’un assistant interne de connaissances. La plupart des requêtes consistent à trouver des documents pertinents, extraire des passages et produire une courte synthèse. L’application peut utiliser la recherche pour resserrer les éléments de preuve avant de demander une réponse à un modèle.

Cette conception réduit le besoin d’utiliser le modèle le plus performant pour chaque requête. Les équipes peuvent aussi préserver des sources utiles dans une base de connaissances personnelle, puis tester plusieurs modèles sur les mêmes éléments de preuve.

Alibaba et DeepSeek bénéficient de cette évolution lorsque les acheteurs commencent à raisonner ainsi. Leurs modèles deviennent des composants au sein d’un système plutôt que des remplaçants pour toute une pile logicielle. La concurrence entre composants récompense une qualité suffisante, une flexibilité opérationnelle et une utilisation prévisible des ressources.

Les poids ouverts mettent l’IA propriétaire sous pression

L’adversaire central n’est pas Alibaba contre DeepSeek ; c’est la distribution efficace de modèles à poids ouverts face au contrôle propriétaire coûteux.

Alibaba et DeepSeek se disputent directement les développeurs, les charges de travail d’entreprise et le prestige technique. Pourtant, leurs versions renforcent aussi la même alternative plus large aux systèmes fermés menés par Google, OpenAI et Anthropic.

Les modèles à poids ouverts publient des paramètres que d’autres peuvent télécharger et exécuter. Le terme ne signifie pas automatiquement qu’ils sont entièrement open source. Les données d’entraînement, les méthodes de préparation, les processus de sécurité ou le code complet de développement peuvent rester indisponibles.

Cette distinction est importante pour les affirmations de transparence. L’accès aux poids permet l’inspection et la personnalisation, mais ne révèle pas tout ce qui a façonné un modèle. Les conditions de licence peuvent également varier selon les versions.

Même avec ces limites, l’accès aux poids modifie le rapport de force des acheteurs. Une entreprise peut tester un déploiement privé, utiliser un hébergeur régional ou conserver un fournisseur de secours. Les développeurs peuvent modifier des modèles pour une langue, un secteur ou un flux de travail étroitement défini.

Les chercheurs de Stanford décrivent l’écosystème chinois comme plus vaste que la seule histoire de DeepSeek. Leur analyse des modèles à poids ouverts couvre les familles de modèles Qwen, DeepSeek, Kimi et GLM, qui présentent des origines organisationnelles et des priorités techniques différentes.

Cette diversité compte, car aucun laboratoire unique n’est tenu de répondre à tous les cas d’usage. Alibaba peut servir les développeurs qui utilisent déjà son cloud. DeepSeek peut se concentrer sur la recherche en modèles. Moonshot AI peut viser les charges de travail à long contexte et agentiques, tandis que d’autres laboratoires ciblent les systèmes multimodaux.

Le résultat ressemble à une compétition entre écosystèmes plutôt qu’à une course au modèle unique. Chaque nouvelle version apporte des techniques, des poids, des évaluations et une expérience de déploiement sur lesquels d’autres équipes peuvent s’appuyer. Les améliorations peuvent se diffuser sans attendre la feuille de route d’un seul fournisseur.

Google subit une pression sur plusieurs fronts. Gemini concurrence directement Qwen et DeepSeek pour les charges de travail via API. Google Cloud concurrence Alibaba Cloud et les fournisseurs indépendants d’inférence. Gemma, la famille de modèles ouverts de Google, doit également capter l’attention des développeurs.

Google conserve toutefois de solides défenses. Ses Tensor Processing Units personnalisées prennent en charge l’entraînement et l’inférence à grande échelle. Android et Workspace assurent la distribution. Search offre une immense surface côté grand public, tandis que Google Cloud prend en charge la gouvernance et les achats des grandes organisations.

Ces atouts rendent peu probable un scénario de remplacement total. Le défi le plus immédiat concerne le pouvoir de fixation des prix. Si les modèles ouverts prennent en charge une part croissante du codage, de la traduction, de l’extraction et de l’exécution d’agents, les API premium doivent justifier leur différence.

La qualité reste une justification. Les fournisseurs propriétaires peuvent offrir une fiabilité supérieure sur les tâches difficiles, une meilleure intégration multimodale ou une utilisation des outils plus cohérente. Ils peuvent également proposer des contrôles de sécurité, des engagements de service et un accompagnement pour les clients réglementés.

L’intégration constitue une autre défense. Un modèle connecté aux e-mails, documents, réunions, à la recherche et à l’identité d’entreprise peut apporter plus de valeur qu’une API isolée, même plus performante. Google peut utiliser Workspace et Cloud pour faire de Gemini un élément d’un environnement opérationnel plus vaste.

Alibaba peut défendre le même argument au sein de ses propres services. C’est pourquoi la rivalité entre Alibaba et Google ne peut pas se réduire à un seul benchmark. Les deux entreprises vendent de l’infrastructure et des applications autour de leurs modèles.

DeepSeek joue un rôle différent. Son importance tient en partie au fait qu’il prouve qu’un laboratoire indépendant peut rebattre les cartes. Il met la pression sur les grandes plateformes sans avoir à reproduire chaque élément de leur distribution.

Cette relation crée une tension productive sur le marché chinois. DeepSeek oblige Alibaba à améliorer son efficacité et sa crédibilité. Alibaba offre aux modèles efficaces une voie vers une infrastructure d’entreprise à grande échelle.

L’effet combiné atteint les fournisseurs américains. Des chercheurs de Brookings soulignent que les développeurs chinois ont mis l’accent sur la distribution de modèles à poids ouverts, l’efficacité et une moindre dépendance aux ressources de calcul soumises à des restrictions. Leur évaluation de la course à l’IA avertit également qu’une lecture simpliste en termes de compétition nationale masque les objectifs différents au sein de chaque marché.

Cette prudence est utile. Alibaba, DeepSeek et Google sont des acteurs commerciaux et techniques aux incitations distinctes. Les politiques nationales façonnent leurs contraintes, mais elles ne rendent pas leurs stratégies identiques.

La ligne de concurrence la plus claire reste l’économie de la distribution. Les fournisseurs propriétaires cherchent à préserver le contrôle sur les couches de modèles et de services. Les développeurs de modèles à poids ouverts recherchent l’adoption grâce à la portabilité, à la modification et à un hébergement plus large.

À mesure que ces modèles s’améliorent, la charge de la preuve se déplace. Les acheteurs n’ont plus besoin d’expliquer pourquoi ils envisagent une alternative ouverte. Les fournisseurs propriétaires doivent expliquer pourquoi une charge de travail donnée devrait rester dans un système contrôlé et plus coûteux.

Des coûts plus faibles n’éliminent pas les risques de déploiement

Un accès peu coûteux aux modèles peut améliorer l’économie d’une application, mais il ne résout pas les enjeux de sécurité, de gouvernance, de fiabilité ou de géopolitique.

Les résultats des benchmarks constituent la première source d’incertitude. Les créateurs de modèles choisissent les tests, les méthodes de prompting, les paramètres d’inférence et les systèmes de comparaison. De petits changements méthodologiques peuvent produire des classements différents.

Les benchmarks de codage exigent une prudence particulière. Un modèle peut résoudre des tâches autonomes dans un dépôt, mais peiner face à des systèmes non documentés, des dépendances internes ou des exigences évolutives. Le code généré peut aussi réussir les tests tout en introduisant des faiblesses de sécurité.

Les évaluations agentiques créent une ambiguïté supplémentaire. Un agent est un système fondé sur un modèle qui choisit des outils et réalise plusieurs étapes vers un objectif. Son succès dépend du logiciel environnant, des descriptions d’outils, des autorisations et de la logique de récupération.

Un modèle performant peut échouer dans une conception d’agent médiocre. Un modèle modeste peut bien fonctionner lorsque la tâche est étroitement contrainte. Les acheteurs devraient donc tester des flux de travail complets plutôt que de supposer qu’un score public prédit les résultats en production.

La fiabilité affecte également les coûts réels. Une requête moins chère ne permet pas d’économiser si elle nécessite des tentatives répétées, une validation poussée ou une correction humaine. La latence et la disponibilité comptent lorsque le modèle est intégré à un logiciel destiné aux clients.

Les poids ouverts introduisent une responsabilité opérationnelle. Exécuter un modèle en privé offre du contrôle, mais l’acheteur doit gérer l’infrastructure, les mises à jour, la surveillance et les accès. Les compétences spécialisées peuvent devenir une contrainte plus importante que la licence du modèle.

La gouvernance devient particulièrement importante pour les organisations multinationales. Les règles de résidence des données peuvent déterminer où les prompts et les sorties peuvent circuler. Les exigences sectorielles peuvent restreindre les fournisseurs autorisés à traiter des informations financières, médicales, juridiques ou gouvernementales.

Le pays d’origine d’un modèle ne répond pas à toutes les questions de gouvernance. Les acheteurs doivent examiner le fournisseur de service, la région de déploiement, la politique de journalisation, les sous-traitants, la licence du modèle et les contrôles de sécurité. Un modèle Qwen hébergé en privé présente des risques différents du même modèle accessible via un service distant.

L’examen politique peut toujours influencer l’adoption. Les systèmes d’IA chinois suscitent des préoccupations concernant la censure, le traitement des données, les chaînes d’approvisionnement et une éventuelle influence gouvernementale. Les fournisseurs américains font face à leurs propres interrogations sur la surveillance, le droit d’auteur, la concentration et des décisions de sûreté opaques.

La disponibilité des poids ouverts crée un autre compromis. Un accès large soutient la recherche, la personnalisation et le contrôle local. Il peut aussi rendre des systèmes capables plus faciles à adapter à l’automatisation nuisible, aux opérations cybernétiques ou aux contenus trompeurs.

Le débat politique se situe donc entre la diffusion des capacités et la limitation des risques. Des règles restrictives peuvent protéger les applications sensibles, mais aussi concentrer le contrôle entre les mains de quelques fournisseurs fortunés. Des politiques de diffusion large élargissent l’accès tout en rendant les abus plus difficiles à gouverner.

L’incertitude matérielle complique les affirmations sur l’efficacité. Un laboratoire peut déclarer les ressources utilisées pour un entraînement final sans comptabiliser les expérimentations antérieures, la préparation des données ou le temps du personnel. Les comparaisons dépendent aussi du type de puce, du taux d’utilisation et des périmètres comptables.

Les précédentes affirmations de DeepSeek sur l’efficacité ont changé les attentes, mais les observateurs externes n’ont pas pu reconstituer indépendamment chaque partie de son processus de développement. Le même scepticisme devrait s’appliquer à Alibaba, Google, OpenAI, Anthropic et aux autres créateurs de modèles.

Les coûts d’accès aux modèles ne représentent également qu’une partie d’un système. Les bases de données de récupération, l’observabilité, l’évaluation, l’examen de sécurité, la supervision humaine et l’ingénierie produit restent nécessaires. Ces dépenses ne disparaissent pas lorsque les tokens deviennent moins chers.

La baisse des coûts d’inférence peut même accroître la consommation totale. Lorsque chaque requête devient plus abordable, les développeurs ajoutent davantage d’appels, des contextes plus longs, des validations supplémentaires et des agents additionnels. Des coûts unitaires plus bas peuvent donc produire une empreinte informatique globale plus importante.

Cet effet rebond n’annule pas le changement économique. Il en modifie l’interprétation. Une intelligence bon marché encourage les logiciels à utiliser davantage d’intelligence, de la même manière que le stockage moins cher a encouragé les applications à conserver davantage de données.

Les acheteurs d’entreprise devraient se concentrer sur le coût par tâche achevée. Cette mesure inclut les nouvelles tentatives, les appels d’outils, la revue humaine, la latence et la gestion des échecs. Elle offre une comparaison plus utile que le coût annoncé des entrées ou sorties du modèle.

Une évaluation équitable d’Alibaba et Google exige aussi des tests propres à chaque charge de travail. Les équipes devraient utiliser des prompts représentatifs, des documents privés, les appels d’outils attendus et des cas d’échec connus. Elles devraient évaluer l’exactitude factuelle, le taux d’achèvement, la latence et l’effort des réviseurs.

Le vainqueur peut varier selon la tâche. Gemini pourrait dominer un flux de travail multimodal connecté aux services Google. Qwen pourrait convenir à un déploiement multilingue personnalisable. DeepSeek pourrait offrir une économie attrayante pour le codage ou le raisonnement.

Cette variabilité affaiblit les déclarations simplistes selon lesquelles un modèle en remplace un autre. Elle renforce la conclusion plus large selon laquelle les fournisseurs feront l’objet de comparaisons continues. Les acheteurs disposent désormais de suffisamment d’options crédibles pour négocier, répartir les charges de travail et changer de fournisseur.

Trois signaux détermineront la suite

La prochaine étape sera déterminée par des résultats indépendants sur les charges de travail, l’adoption en entreprise et la réponse des fournisseurs propriétaires.

Le premier signal concerne les preuves en production pour les nouveaux systèmes Qwen et DeepSeek. Les benchmarks publics attirent l’attention, mais les déploiements durables révèlent la fiabilité, la latence, l’utilisation des outils et les coûts opérationnels.

Les développeurs devraient surveiller les évaluations qui publient les prompts, les paramètres et les catégories d’échec. Le codage au niveau du dépôt, le support client multilingue, l’analyse documentaire et les agents exécutés sur de longues périodes fourniront des preuves plus utiles qu’un score agrégé unique.

Si Qwen et DeepSeek maintiennent de forts taux d’achèvement sur ces charges de travail, la thèse des modèles à bas coût se renforcera. Des tentatives fréquentes ou une utilisation instable des outils l’affaibliraient, même si les résultats phares des benchmarks restent impressionnants.

Le deuxième signal est l’adoption en entreprise hors de Chine. Les téléchargements et les expérimentations des développeurs comptent, mais ils ne prouvent pas que les organisations réglementées intégreront des modèles chinois ouverts dans des systèmes importants.

Les preuves viendront de l’utilisation du cloud, de la demande récurrente d’API, des déploiements régionaux et de cas de production nommés. L’adoption via des hébergeurs tiers comptera, car la distribution de poids ouverts sépare le modèle de son développeur d’origine.

Une croissance internationale montrerait que le coût et la flexibilité peuvent surmonter les préoccupations liées aux achats. Une adoption limitée aux expérimentations ou aux applications sensibles aux prix révélerait une opportunité plus restreinte.

Alibaba dispose ici d’un avantage, car il peut regrouper les modèles avec des outils de déploiement et des services cloud. DeepSeek bénéficie de sa disponibilité sur plusieurs plateformes. Tous deux ont encore besoin de voies d’assistance fiables pour les organisations opérant dans plusieurs juridictions.

Le troisième signal est la réponse de Google et des autres laboratoires propriétaires. Ils peuvent réduire les coûts des modèles, publier des systèmes plus petits, améliorer leurs familles ouvertes ou intégrer plus profondément l’IA aux abonnements existants et aux contrats cloud.

Une réponse propriétaire de grande ampleur confirmerait que la pression chinoise sur l’efficacité a modifié les attentes du marché. Elle rendrait aussi plus difficile à préserver l’avantage des premiers challengers.

La réponse de Google mérite une attention particulière. L’entreprise peut optimiser Gemini sur ses propres puces, utiliser Gemma pour rivaliser auprès des développeurs de modèles ouverts et distribuer l’IA via des produits que les gens utilisent déjà. Peu de concurrents peuvent combiner ces trois approches.

OpenAI et Anthropic sont confrontés à des choix similaires, sans l’empreinte de Google dans le grand public et le matériel. Ils peuvent défendre des positions haut de gamme grâce aux capacités, à la fiabilité et aux plateformes d’agents. Ils peuvent également lancer des modèles plus petits pour les charges de travail courantes.

La question centrale est de savoir si les avancées de pointe continuent de générer une valeur haut de gamme durable. Si des systèmes coûteux résolvent des tâches que des modèles moins chers ne peuvent pas accomplir, un marché segmenté perdurera. Si l’écart de capacités se réduit rapidement, l’accès aux modèles se comportera davantage comme une commodité.

Une commodité n’est pas dénuée de valeur. C’est un produit dont les fournisseurs peinent à préserver une différenciation au niveau de base. La valeur se déplace alors vers la distribution, l’intégration, les données propriétaires, la conception des flux de travail et une exploitation de confiance.

Ce déplacement favoriserait les entreprises qui contrôlent l’infrastructure cloud ou des logiciels largement utilisés. Il pourrait profiter à la fois à Alibaba et à Google, tout en comprimant les marges sur les appels de modèles individuels. DeepSeek resterait influent en fixant les attentes techniques.

Les travailleurs du savoir ressentiront ce changement à travers les applications plutôt qu’à travers les fiches de modèles. Des coûts plus faibles peuvent permettre davantage de recherche en arrière-plan, de revue de code, de traduction, d’analyse de réunions et de traitement de documents. Les utilisateurs pourront recevoir plusieurs résultats de modèles sans avoir à choisir eux-mêmes un fournisseur.

Les développeurs auront besoin de pratiques d’évaluation et de routage plus solides. Le seul nom d’un modèle ne déterminera pas la qualité d’une application. Les données, outils, autorisations et étapes de vérification qui l’entourent compteront tout autant.

Les acheteurs en entreprise devraient éviter les engagements permanents fondés sur un seul cycle de lancement. Ils peuvent conserver des prompts portables, séparer la logique métier des interfaces propres à chaque fournisseur et maintenir des jeux d’évaluation représentatifs.

Cette approche n’exige pas de changer constamment. Elle préserve leur marge de manœuvre lorsqu’un modèle Qwen, DeepSeek, Gemini ou autre modifie la frontière entre coût et qualité. La portabilité devient une assurance contre le renouvellement rapide des modèles.

La rivalité entre Alibaba et Google se jouera donc au-delà des classements de recherche. Elle concernera l’adoption du cloud, le routage des modèles, l’intégration applicative et la confiance. Le rôle de DeepSeek consiste à faire évoluer continuellement la référence en matière d’efficacité.

Pour les lecteurs, l’action concrète est claire : identifiez un flux de travail d’IA coûteux ou à fort volume et testez-le avec plusieurs catégories de modèles. Mesurez le travail réellement accompli, et non les promesses marketing.

Demandez-vous si un modèle open-weight moins cher peut gérer l’exécution courante tandis qu’un système haut de gamme traite les cas difficiles. Suivez ensuite les échecs, le temps de révision, la latence et les exigences de gouvernance pour l’ensemble du processus.

Cette expérience révélera davantage qu’un simple classement. Elle montrera si la course aux coûts réduits transforme déjà votre économie, ou si l’intégration propriétaire justifie encore son prix premium.