Les modèles d’IA chinois à poids ouverts dominent l’usage, mettant la stratégie américaine sous pression

Les modèles d’IA chinois à poids ouverts représentent désormais plus de 80 pour cent de l’utilisation des modèles sur une importante plateforme de modèles ouverts, malgré l’avance initiale des États-Unis. Le chercheur Nathan Lambert a récemment présenté ce renversement à un groupe de membres et de collaborateurs du Congrès. Son message était inconfortable : les laboratoires chinois ne se contentent pas de rattraper leur retard en copiant les systèmes américains. Ils ont mis en place un cycle de publication plus rapide, une distribution plus solide et une avance grandissante sur les modèles ouverts américains.

Ces chiffres ne signifient pas que les modèles chinois dominent toutes les formes d’utilisation mondiale de l’intelligence artificielle. OpenAI, Anthropic et Google exploitent toujours des systèmes propriétaires de premier plan, tandis qu’une grande partie du trafic des entreprises demeure privé. Les données disponibles montrent plutôt une domination au sein du marché de plus en plus important des modèles à poids ouverts, où les développeurs peuvent télécharger ou adapter les paramètres entraînés d’un modèle.

Cette distinction est importante, mais elle ne rend pas ce renversement moins lourd de conséquences. Llama de Meta définissait autrefois ce marché. Aujourd’hui, Qwen d’Alibaba, Kimi de Moonshot AI, GLM de Z.ai et DeepSeek concentrent une grande partie de son utilisation et de sa recherche. Le Congrès doit déterminer si cette évolution reflète une extraction déloyale, une meilleure exécution ou un échec structurel de la stratégie américaine en matière de modèles ouverts.

Les modèles d’IA chinois à poids ouverts ont pris la tête là où les développeurs peuvent changer de modèle

Le changement le plus clair n’est pas une victoire isolée sur un benchmark. C’est la concentration de l’activité des modèles ouverts autour de systèmes conçus par des laboratoires chinois.

Lambert, chercheur reconnu dans les modèles ouverts et coauteur du projet American Truly Open Models, a publié le 21 septembre une version enrichie de ses déclarations préparées pour le Congrès. Son évaluation des modèles ouverts indique que les entreprises chinoises dominent la catégorie des modèles à poids ouverts depuis environ avril 2025.

Un modèle à poids ouverts met ses paramètres entraînés à disposition pour téléchargement ou utilisation en aval. Cela permet aux développeurs d’inspecter, modifier, affiner et exploiter le modèle sur une infrastructure qu’ils contrôlent. Il n’est pas nécessairement open source, car le développeur peut retenir les données d’entraînement, le code d’entraînement ou d’autres éléments nécessaires à sa reproduction.

Les modèles fermés fonctionnent différemment. Des produits tels que les systèmes de pointe d’OpenAI et d’Anthropic offrent généralement un accès via des applications hébergées ou des interfaces de programmation applicative. Les clients peuvent utiliser ces capacités, mais ils ne peuvent ni télécharger le modèle sous-jacent ni l’exploiter de manière indépendante.

Les États-Unis ont établi le premier modèle commercial des poids ouverts avec la famille Llama de Meta. Google a ensuite lancé Gemma, tandis que Nvidia et plusieurs laboratoires plus modestes ont publié leurs propres alternatives. Cette position s’est affaiblie à mesure que les laboratoires chinois publient plus fréquemment des modèles plus performants.

L’instantané de benchmark de Lambert, daté du 14 septembre, plaçait GLM-5.3, GLM-5.3-Flash de Z.ai et Kimi K3 de Moonshot AI aux scores de 45, 42 et 44 sur l’Artificial Analysis Intelligence Index. Les principaux modèles ouverts américains de sa comparaison obtenaient entre 23 et 26.

Ces scores ne constituent pas des mesures universelles de la qualité des modèles. Ils combinent les performances obtenues dans des évaluations sélectionnées et peuvent favoriser les modèles optimisés pour des tâches populaires et mesurables. Toutefois, l’ampleur et la persistance de l’écart rendent difficile de l’écarter comme un simple artefact de test.

Les données de distribution vont dans le même sens. Lambert estime que les modèles développés en Chine ont cumulé 3,2 milliards de téléchargements sur Hugging Face, soit environ deux fois le total américain. Il affirme que l’avance de la Chine en téléchargements s’est accrue pour atteindre environ 1,6 milliard depuis qu’elle a dépassé les États-Unis pour la première fois en juillet 2025.

OpenRouter offre une autre perspective. Le service achemine les requêtes entre de nombreux modèles hébergés, ce qui le rend utile aux développeurs souhaitant comparer ou changer de systèmes. Selon Lambert, le trafic hebdomadaire de modèles ouverts sur la plateforme est passé d’environ 1 000 milliards de tokens en septembre 2025 à quelque 80 000 milliards.

Les modèles chinois ont fait progresser leur part de ce trafic de modèles ouverts d’environ 70 pour cent à plus de 80 pour cent. Mozilla a constaté séparément que sept des dix modèles les plus utilisés sur OpenRouter, en volume de tokens en août, étaient chinois et à poids ouverts. Son rapport sur l’IA open source a également relevé qu’un modèle ouvert avait, pour la première fois ce mois-là, pris la tête du nombre hebdomadaire de requêtes sur la plateforme.

OpenRouter ne représente pas l’ensemble de l’économie de l’IA. Ses utilisateurs sont particulièrement disposés à tester des alternatives, et de nombreux clients accèdent aux modèles fermés américains via des contrats directs qu’OpenRouter ne peut pas observer. Les déploiements privés restent eux aussi largement invisibles.

Qualifier ces chiffres d’« utilisation mondiale » sans cette réserve surestime les éléments disponibles. Une conclusion plus défendable reste néanmoins significative : les modèles d’IA chinois à poids ouverts dominent les marchés les plus visibles de l’expérimentation sur les modèles ouverts et de l’inférence acheminée.

C’est précisément là que les développeurs peuvent comparer les modèles avec moins d’obstacles contractuels. Les choix qui en résultent montrent ce qui se produit lorsque la fidélité aux marques, les logiciels intégrés et les accords directs avec les entreprises exercent moins d’influence.

Le déficit américain en modèles ouverts est désormais un problème commercial

L’adoption des modèles chinois exerce une pression sur les développeurs américains de modèles ouverts, mais elle crée également un conflit politique pour les entreprises américaines qui s’appuient déjà sur ces systèmes.

Le problème concurrentiel dépasse les classements de modèles. Lambert a cité Harvey, Cursor, DoorDash, Airbnb et Perplexity parmi les entreprises qui utilisent ou développent des produits avec des familles de modèles chinois. Leurs applications vont du travail juridique et du développement logiciel au service client et à la recherche.

Ces entreprises présentent des architectures et des profils de risque différents. Utiliser un modèle via une interface hébergée n’est pas la même chose que le télécharger dans un environnement contrôlé. Aucune de ces options ne signifie automatiquement que des informations sensibles de clients parviennent à un fournisseur chinois.

La tendance générale reste importante. Les développeurs choisissent Qwen, Kimi, DeepSeek et GLM parce que ces familles offrent une combinaison pratique de capacités, de flexibilité, de rapidité et de coûts d’exploitation réduits. Ces avantages deviennent particulièrement importants dans les agents d’IA qui sollicitent à plusieurs reprises un modèle pour accomplir des tâches en plusieurs étapes.

Une faible différence de coût d’inférence s’accumule lorsqu’un agent planifie, écrit du code, vérifie les résultats et réessaie des étapes ayant échoué. Un modèle à poids ouverts peut également être affiné pour un flux de travail particulier ou déployé sur l’infrastructure choisie par le client.

Ce contrôle séduit les entreprises préoccupées par leur dépendance envers les fournisseurs. Un fournisseur de modèles fermés peut modifier ses politiques d’utilisation, retirer un modèle, ajuster l’accès ou limiter certaines requêtes. Les poids téléchargés ne peuvent pas être retirés à distance des machines qui les détiennent déjà.

Le compromis apparaît dans l’enquête de Mozilla auprès des développeurs. Les modèles ouverts ont atteint davantage de développeurs que les modèles fermés dans son échantillon, mais ils sont moins souvent passés en production. Les répondants ont cité comme obstacles récurrents le coût de l’infrastructure, la sécurité, la conformité, la maintenance, la complexité du déploiement et le soutien limité.

Les fournisseurs fermés regroupent davantage de ces exigences opérationnelles. Ils fournissent couramment de la documentation sur la conformité, une sécurité gérée, des garanties de service et une contrepartie que les clients peuvent tenir responsable. L’exploitation d’un modèle ouvert transfère davantage de responsabilités à l’adoptant.

Les modèles d’IA chinois à poids ouverts ne remportent donc pas chaque décision d’achat. Ils deviennent attractifs lorsque la portabilité, la personnalisation, le débit ou l’indépendance vis-à-vis du fournisseur comptent davantage que la gouvernance intégrée.

Leur influence sur la recherche pourrait s’avérer encore plus difficile à inverser. Lambert a examiné des articles relevant de cinq catégories très utilisées d’apprentissage automatique sur arXiv. Son analyse a révélé que Qwen apparaissait dans environ 30 pour cent des articles récents, contre approximativement 21 pour cent pour Llama.

Plus de 40 pour cent des articles mentionnaient au moins un modèle chinois à poids ouverts, tandis qu’environ 30 pour cent mentionnaient une famille américaine. Les parts exactes peuvent évoluer selon les définitions de modèles et les choix d’échantillonnage. La tendance suggère néanmoins que Qwen est devenu une infrastructure de recherche essentielle.

L’adoption par la recherche crée une boucle de renforcement. Les étudiants et les laboratoires développent des outils autour des modèles auxquels ils peuvent accéder. Ces outils réduisent le coût des expériences futures, ce qui encourage davantage d’articles, d’intégrations et de praticiens formés.

Les entreprises recrutent ensuite ces praticiens. Les produits héritent de bibliothèques et de méthodes d’évaluation familières. Une famille de modèles peut devenir une référence du secteur sans contrôler le chatbot propriétaire le plus performant.

C’est pourquoi le Congrès fait face à davantage qu’un différend conventionnel sur les parts de marché. Restreindre les modèles chinois pourrait perturber les entreprises et les chercheurs américains. Laisser le marché intact pourrait approfondir la dépendance envers une technologie développée dans l’environnement juridique et stratégique d’un autre pays.

La pression s’exerce le plus directement sur les entreprises américaines qui affirment que les États-Unis peuvent diriger l’IA tout en gardant leurs meilleurs systèmes fermés. Les laboratoires propriétaires peuvent rester commercialement prospères même si la couche ouverte migre ailleurs. Le résultat national est différent, car la couche ouverte diffuse les compétences, les normes et l’influence au-delà d’une poignée de fournisseurs.

La Chine a dépassé les modèles ouverts américains par sa cadence de publication, pas grâce à une seule astuce

Le renversement central est que le leadership américain à la frontière technologique ne produit plus un leadership américain dans les modèles que tous peuvent inspecter et déployer.

Washington s’est fortement concentré sur la distillation des modèles. La distillation entraîne un système à partir des sorties d’un autre système, généralement plus performant. Cette technique est courante dans l’ensemble du secteur, bien que l’obtention de ces sorties au moyen de faux comptes ou du contournement des contrôles d’accès soulève des questions juridiques et de sécurité distinctes.

La House Homeland Security Committee et la House Select Committee on China ont ouvert une enquête conjointe sur l’IA en avril. Leur enquête a cité DeepSeek, Alibaba, Moonshot AI et MiniMax tout en examinant la provenance des modèles, la cybersécurité, la sécurité des données et l’exposition de la chaîne d’approvisionnement.

Les commissions ont également interrogé Anysphere et Airbnb sur leurs liens avec des modèles chinois. Une lettre s’est concentrée sur des informations selon lesquelles Composer 2 de Cursor s’appuyait sur un modèle Moonshot. Une autre a soulevé des préoccupations concernant le choix de Qwen par Airbnb pour son service client.

Les législateurs soutiennent qu’une extraction non autorisée pourrait permettre à des laboratoires étrangers de reproduire des capacités précieuses sans égaler les investissements américains dans la recherche ou les garanties. Ils avertissent également qu’une dépendance envers des modèles étrangers pourrait exposer les utilisateurs américains à la censure, à la surveillance ou à des risques de sécurité.

Ces préoccupations méritent une enquête. Elles n’expliquent pas encore l’ensemble du basculement du marché.

Lambert estime qu’empêcher totalement la distillation ne creuserait l’écart entre la Chine et la frontière américaine des modèles fermés que d’un ou deux mois. Son estimation n’est pas démontrée de manière indépendante, et les registres d’entraînement des grands laboratoires restent privés. Elle remet néanmoins en cause l’idée que des sorties volées fournissent une explication complète.

Les laboratoires chinois publient aussi plus fréquemment. Une évaluation de modèle saisit les performances à un instant donné ; un rythme de publication plus rapide donne donc à un laboratoire davantage d’occasions d’intégrer de nouvelles méthodes et de répondre à la demande des utilisateurs. Les modèles ouverts américains restent souvent inchangés tandis que leurs homologues fermés continuent de progresser.

La sélection des tâches compte également. Les développeurs chinois se sont concentrés sur des domaines commercialement visibles tels que le codage agentique, où une forte demande génère de nombreux retours et des résultats mesurables. Lambert affirme que leur avantage s’amenuise sur les tâches scientifiques moins structurées.

Cela ne prouve pas que les systèmes chinois sont globalement supérieurs à tous les modèles américains. Les principaux systèmes américains fermés restent en tête pour d’importantes tâches professionnelles, scientifiques et de longue durée. Le problème est que ces systèmes sont des services loués, et non des fondations généralement disponibles pour un déploiement indépendant.

Les contraintes matérielles ont peut-être renforcé l’efficacité. Les contrôles américains à l’exportation visaient à limiter l’accès chinois aux équipements informatiques les plus avancés. Les laboratoires chinois ont réagi en mettant l’accent sur les techniques d’entraînement, l’efficacité d’inférence et les architectures capables d’accomplir davantage avec des ressources limitées.

Il serait trop simpliste d’attribuer l’avance de la Chine en matière de modèles ouverts aux contrôles à l’exportation. Ces mêmes laboratoires bénéficient aussi d’investissements nationaux substantiels, d’un vaste vivier de talents en ingénierie et d’une préférence politique explicite pour la diffusion des standards chinois de l’IA. Contraintes et soutien peuvent agir simultanément.

Les licences créent un autre avantage. Les développeurs peuvent télécharger de nombreux poids de modèles chinois, les modifier et les intégrer à des produits sans attendre l’accès à un fournisseur propriétaire de pointe. Les conditions varient, et des poids ouverts ne signifient pas toujours une utilisation sans restrictions. Cela offre tout de même aux créateurs davantage de latitude qu’une API seule.

Il en résulte une asymétrie. Les laboratoires américains réalisent une grande partie de la recherche de pointe la plus coûteuse, tandis que les entreprises chinoises intègrent de plus en plus des capacités proches de la frontière dans des systèmes que d’autres organisations peuvent posséder et adapter.

C’est autant une stratégie de distribution qu’une stratégie scientifique. Un modèle légèrement moins performant peut exercer davantage d’influence s’il est abordable, personnalisable et largement disponible. Linux, Android et les logiciels web ouverts rappellent historiquement que la couche la plus distribuée ne provient pas toujours du produit propriétaire le plus avancé.

Les entreprises américaines disposent encore de réponses possibles. OpenAI est revenu sur le marché des poids ouverts, Google continue de développer Gemma, et Nvidia publie des modèles Nemotron accompagnés de ressources de support exceptionnellement détaillées. Lambert note que des modèles américains comparables peuvent bénéficier d’une adoption disproportionnée lorsque leurs capacités sont compétitives.

Cependant, des publications occasionnelles n’effaceront pas une avance construite grâce à des mises à jour continues et à l’investissement dans les communautés. Les développeurs ont besoin de familles de modèles prévisibles, de documentation, de conditions permissives et de l’assurance que la prochaine version arrivera.

La compétition oppose donc l’exécution ouverte chinoise au repli ouvert américain. La distillation fait partie de l’histoire, mais la traiter comme l’intégralité de l’histoire permet à la stratégie américaine en matière de modèles d’échapper à l’examen.

Les chiffres d’utilisation ne prouvent pas une suprématie mondiale de l’IA

Les preuves les plus solides étayent une domination chinoise dans les canaux des modèles ouverts, et non dans l’ensemble des chatbots, contrats d’entreprise ou déploiements privés à travers le monde.

Les données d’OpenRouter sont précieuses car elles capturent des requêtes réelles sur de nombreux modèles. Une étude sur l’utilisation des tokens publiée en 2026 a analysé plus de 100 000 milliards de tokens issus du service, offrant une vision exceptionnellement détaillée du comportement des développeurs.

Cette ampleur ne fait pas d’OpenRouter un recensement. Les utilisateurs qui choisissent une passerelle multi-modèles diffèrent des entreprises engagées dans un contrat direct avec OpenAI, Anthropic, Google ou Microsoft. La plateforme peut naturellement surreprésenter les personnes à la recherche d’alternatives ouvertes.

Les volumes de tokens exigent également du contexte. Les modèles de raisonnement peuvent consommer de nombreux tokens cachés ou intermédiaires pour produire une réponse. Les agents de codage peuvent générer des appels répétés au cours d’une même tâche. Un modèle peut dominer le volume de tokens sans dominer le nombre d’utilisateurs, les revenus ou les flux de travail métier achevés.

Les téléchargements posent un problème de mesure différent. Une même personne peut télécharger plusieurs versions, tandis qu’un déploiement cloud peut servir des milliers de personnes à partir d’une seule copie. Les systèmes automatisés peuvent également gonfler les chiffres sans usage correspondant en production.

Les mentions académiques indiquent une influence, mais pas nécessairement une approbation. Un article peut évaluer les faiblesses d’un modèle, l’utiliser comme référence ou mentionner plusieurs familles. Le décompte cartographie toujours l’attention des chercheurs, mais ne doit pas être présenté comme une mesure directe de l’adoption économique.

Les résultats de benchmarks comportent leurs propres limites. Les laboratoires peuvent optimiser leurs sorties autour de tests visibles, tandis que les suites d’évaluation peuvent sous-pondérer la fiabilité, l’expertise métier, les performances sur long contexte ou la stabilité opérationnelle. Certains résultats communiqués par les fournisseurs utilisent des configurations personnalisées difficiles à comparer.

L’analyse de Mozilla publiée en septembre illustre ce tableau contrasté. Les modèles ouverts avaient presque rattrapé les principaux systèmes fermés sur certaines mesures de capacités et de codage. Les modèles fermés conservaient des avantages dans le travail professionnel fondé sur la connaissance, la récupération sur long contexte, la conformité d’entreprise et la responsabilité.

Cet écart compte pour les déploiements à forts enjeux. Une entreprise qui traite des dossiers juridiques, des documents financiers ou des informations de santé a besoin de plus qu’un bon score en codage. Elle a besoin de contrôles d’accès, de pistes d’audit, de mises à jour prévisibles et d’une responsabilité clairement établie en cas de défaillance.

La sécurité se joue aussi dans les deux sens. Les poids téléchargeables permettent aux défenseurs d’inspecter et de modifier les systèmes, mais ils empêchent aussi le développeur d’origine d’appliquer des garde-fous après leur publication. Les fournisseurs fermés conservent le contrôle, mais les chercheurs constatent parfois que leurs filtres de sécurité bloquent des travaux défensifs légitimes.

Un exemple est apparu lorsque Hugging Face a enquêté sur un incident de cybersécurité lié à l’IA. Selon Lambert et Scientific American, les chercheurs ont utilisé un modèle chinois à poids ouverts après que des systèmes commerciaux américains ont refusé certaines parties de l’analyse.

Cet épisode ne prouve pas que des garde-fous moins nombreux produisent une meilleure sécurité globale. Il montre que les restrictions au niveau du modèle peuvent entraver un travail légitime et que la sécurité dépend du système environnant. Les autorisations, l’isolation, la journalisation et la revue humaine peuvent compter autant que l’origine du modèle.

Le risque politique demeure réel. Les API hébergées en Chine peuvent soulever des questions de juridiction des données, et le comportement des modèles peut refléter des contrôles de contenu imposés par le gouvernement. Les poids exploités localement réduisent certains risques de transmission, mais ils ne révèlent pas automatiquement le processus d’entraînement et n’éliminent pas les vulnérabilités cachées.

Le Congrès devrait donc distinguer au moins trois questions. Un laboratoire a-t-il obtenu illégalement des sorties d’un fournisseur américain ? Un déploiement particulier expose-t-il des données sensibles ou des systèmes critiques ? Les États-Unis devraient-ils investir plus agressivement dans leurs propres modèles ouverts ?

Réunir ces questions en un seul argument sur « l’IA chinoise » produit une politique brutale. Un service hébergé traitant des informations sensibles mérite un traitement différent de poids publiquement disponibles exécutés dans l’environnement contrôlé d’une entreprise américaine.

De larges restrictions pourraient aussi protéger les fournisseurs américains fermés dominants de la concurrence. Si les petites entreprises perdent l’accès à des modèles ouverts compétents, elles pourraient devenir plus dépendantes des mêmes laboratoires qui font pression en faveur d’un contrôle plus strict.

Les preuves justifient l’inquiétude, pas la panique. Les modèles d’IA chinois à poids ouverts ont acquis une avance mesurable en capacités, en distribution et en attention des chercheurs. Les limites des jeux de données n’effacent pas cette avance, mais elles devraient limiter les affirmations de suprématie mondiale totale.

Trois signaux montreront si l’Amérique peut inverser le mouvement

La prochaine étape sera déterminée par les publications américaines, la politique des entreprises et la capacité des modèles chinois à conserver leur avance en dehors des places de marché de modèles ouverts.

Le premier signal sera la performance et l’adoption des prochaines grandes publications américaines de poids ouverts. Meta, Google, Nvidia, OpenAI et les laboratoires américains émergents ont besoin de modèles qui arrivent près de la frontière propriétaire, et non plusieurs mois plus tard.

La parité dans les benchmarks ne suffira pas. Les développeurs surveilleront les licences, les tailles de modèles, les exigences de déploiement, la documentation, le support du fine-tuning et le rythme des publications. Un lancement solide ponctuel suivi d’un long silence ne reconstruira pas un écosystème.

Si les modèles ouverts américains commencent à égaler les sorties chinoises tout en obtenant rapidement des téléchargements et des citations de recherche, le diagnostic de Lambert s’affaiblira. S’ils continuent d’arriver plus tard avec des capacités inférieures, le déficit structurel deviendra plus difficile à nier.

Le deuxième signal sera l’issue de l’examen mené par le Congrès et l’exécutif. Les législateurs examinent la distillation, la sécurité des données, les chaînes d’approvisionnement et l’utilisation de systèmes chinois par des entreprises américaines. Leur réponse finale pourrait aller d’une application ciblée de la loi contre les accès trompeurs à de larges restrictions sur les modèles ou les fournisseurs.

Une règle étroite visant les comptes frauduleux, le contournement d’accès ou les entités sanctionnées traiterait les fautes alléguées sans considérer chaque modèle ouvert comme une menace. Elle préserverait également les flux de travail légitimes de distillation et de données synthétiques utilisés dans toute l’industrie.

Une restriction générale produirait un test différent. Les développeurs pourraient migrer vers des alternatives américaines, continuer à utiliser des poids déjà téléchargés ou déplacer leurs charges de travail hors de la juridiction américaine. Chaque réaction révélerait l’ampleur de l’influence que Washington conserve réellement sur les logiciels portables.

Le troisième signal est l’utilisation au-delà d’OpenRouter, Hugging Face et d’autres plateformes privilégiant les modèles ouverts. Les données issues de fournisseurs cloud, de déploiements d’entreprise, d’agents logiciels et d’accords directs avec des entreprises clarifieraient si l’avance actuelle est large ou concentrée.

Cette mesure doit distinguer les API hébergées des déploiements locaux. Elle doit également différencier le volume de tokens, les utilisateurs actifs, les revenus et les charges de travail achevées. Chaque indicateur répond à une question différente.

Les évaluations indépendantes compteront à mesure que les modèles entreront dans des tâches plus longues et plus lourdes de conséquences. Les benchmarks de codage ont aidé les laboratoires chinois à attirer l’attention, mais les acheteurs d’entreprise testeront la fiabilité, la sécurité, les connaissances professionnelles et le travail autonome soutenu.

Si les familles chinoises maintiennent leur avantage dans ces contextes, l’expression « utilisation mondiale » sera plus facile à défendre. Si leur avance reste concentrée parmi les utilisateurs changeant de modèle et les utilisateurs de la recherche, le marché paraîtra plus fragmenté.

Le débat politique croisera aussi celui de la sécurité de l’IA. OpenAI et Anthropic ont plaidé pour des contrôles plus stricts autour des systèmes très capables. La distribution chinoise de poids ouverts complique tout cadre de sécurité fondé sur un petit nombre de fournisseurs conservant le contrôle technique.

Une fois les poids diffusés, la réglementation ne peut pas s’appuyer sur la désactivation de l’accès par un fournisseur. Les gouvernements et les entreprises ont besoin de garde-fous au niveau du déploiement, notamment des autorisations restreintes, des outils surveillés, des environnements isolés et une autorité humaine clairement définie.

Ce changement affecte le travail quotidien fondé sur la connaissance. Les équipes combinent de plus en plus plusieurs modèles avec des documents internes, des comptes rendus de réunions et l’historique des projets. Une base de connaissances IA bien gouvernée doit contrôler ce que tout modèle peut récupérer et les actions qu’il peut effectuer, quel que soit son pays de développement.

Pour les développeurs et les acheteurs professionnels, la leçon immédiate n’est pas de sélectionner les systèmes uniquement selon leur nationalité ou leur position dans les classements. Évaluez le modèle, le mode d’hébergement, le cheminement des données, la licence, les contrôles opérationnels et les options de remplacement comme un ensemble.

Les modèles d’IA chinois à poids ouverts ont déjà modifié le rapport de force dans les négociations. Ils offrent aux développeurs des alternatives à la frontière américaine fermée, tout en exposant la faiblesse de l’offre américaine en modèles ouverts.

La question pour les mois à venir est concrète : les laboratoires américains publieront-ils des modèles compétitifs que les développeurs pourront réellement posséder et adapter, ou Washington tentera-t-il de supprimer par la réglementation un avantage de distribution qu’il n’a pas su bâtir ?