Les modèles d’IA ouverts promettent la liberté. Les modèles fermés vendent l’intelligence de pointe. Mais réduire l’affrontement à cette opposition, c’est passer à côté du vrai sujet.
Car la question qui décidera de l’équilibre des forces n’est pas de savoir quel camp produit la meilleure technologie. Elle est économique : continuerons-nous à payer beaucoup plus cher pour les modèles fermés les plus performants ? Une analyse publiée sur Interconnects avance une réponse troublante.
le vrai débat n’est pas technique, il est économique
Selon cette analyse, début 2026 est un moment charnière pour l’industrie. Pour la première fois, un marché de masse accepte de payer une prime substantielle pour davantage d’intelligence : celui des agents de programmation (ces assistants IA qui écrivent et corrigent du code de façon largement autonome).
L’auteur va jusqu’à écrire qu’il paierait 2000 dollars par mois pour ces outils aujourd’hui — surtout en sachant qu’ils vont nettement s’améliorer. Le chiffre claque, mais il dit quelque chose de précis : quand un outil augmente réellement votre production, vous ne cherchez pas l’« assez bon ». Vous prenez le meilleur. Le repère n’a d’ailleurs rien de théorique : les principaux agents de programmation — Claude Code chez Anthropic, Codex chez OpenAI — facturent déjà des forfaits intensifs autour de 200 dollars par mois.
Le résultat ? Une ligne de partage se dessine. D’un côté, des usages où chaque point d’intelligence supplémentaire se monnaie cher. De l’autre, une masse d’usages où l’écart entre ouvert et fermé ne se ressent presque plus.
là où l’intelligence marginale vaut de l’or
Le basculement observé n’a rien d’une paresse de consommateur. Au-delà de certains seuils — l’analyse cite les modèles Opus 4.5 et Codex 5.2 — les habitudes changent parce que le rendement net du travailleur grimpe franchement. Pour qui dépend d’un agent de programmation au quotidien, le calcul est vite fait.
Et ce surcroît d’intelligence peut s’exprimer dans toutes les directions :
- la vitesse de réponse,
- l’intelligence brute du modèle,
- des modèles spécialisés taillés pour une tâche.
Il y a là un marché qui paiera toujours la prime. C’est précisément le segment où l’intelligence marginale — le dernier pour cent de performance — crée le plus de valeur. Et c’est aussi celui que les laboratoires fermés sont le mieux armés pour servir.
l’intégration, l’arme silencieuse des labos fermés
Pourquoi les meilleurs laboratoires fermés — aujourd’hui Anthropic et OpenAI, Google n’étant pas loin selon l’analyse — gardent-ils l’avantage sur le coût de l’intelligence ? À cause d’un mot : l’intégration.
Un modèle fermé n’est pas qu’un fichier de poids (les paramètres appris par le réseau). C’est un ensemble soudé : poids du modèle, harnais logiciel (la couche qui orchestre le modèle), outils, infrastructure de service. Cet assemblage offre des rendements croissants à l’intégration, là où un modèle ouvert doit, par nature, fonctionner sur des environnements de déploiement très divers.
Construire de tels systèmes reste un investissement massif en talents, en données et en puissance de calcul. Et l’analyse insiste : aucun mur n’a freiné les progrès. Même si les modèles saturent un jour les classements de référence, les laboratoires basculeront alors vers une autre optimisation — l’utilité par seconde, ou par watt. Améliorer reste possible dans toutes les directions.
Cette logique d’intégration a un revers que l’analyse anticipe : le déclin programmé des activités d’API (les interfaces qui permettent à d’autres d’utiliser un modèle à distance). Pour protéger leur réserve de jetons, éviter la distillation (l’art d’entraîner un petit modèle en copiant un grand) et préserver leurs marges, les laboratoires sortiront leurs meilleurs modèles plus tard dans leurs API. Ils protègent leur cœur.
et si l’écart cessait de compter ?
Tout ceci dessine deux exponentielles distinctes, pas une course unique. Les laboratoires fermés misent sur la frontière de l’intelligence absolue, parce que c’est elle qui ouvre de nouveaux marchés. À l’inverse, optimiser un modèle à niveau d’intelligence fixe verrouille les marchés existants et élargit l’accessibilité — terrain naturel des modèles ouverts.
Reste une zone d’ombre. L’analyse reconnaît que beaucoup d’entreprises imposent aujourd’hui ces agents à des salariés qui n’en tirent presque rien. Cette adoption forcée alimente la construction massive d’infrastructures de calcul — ou la bulle, c’est selon. À court terme, prix, marges et demande seront moins dictés par la qualité des modèles que par une course à la puissance de calcul, encore limitée par l’offre, et par des jetons massivement subventionnés grâce aux levées de fonds.
Là est le vrai partage. Pour le travail intellectuel complexe, là où le dernier pour cent d’intelligence se transforme en rendement, l’écart ouvert/fermé restera décisif — et facturé en conséquence. Pour tout le reste, à intelligence suffisante, cet écart pèsera de moins en moins.
La question n’est donc pas de savoir si les modèles ouverts rattraperont les fermés. Mais de savoir combien d’usages, demain, auront encore besoin de ce dernier pour cent que l’on paie si cher.
