Modèles d'IA open source vs propriétaires : qui gagne en 2026 ?

Demandez à dix personnes qui travaillent avec l’IA en 2026 si les modèles ouverts ou fermés sont en train de gagner, et vous obtiendrez dix réponses différentes selon ce qu’elles construisent et ce qu’elles entendent par « ouvert ». Ce n’est pas de l’esquive, c’est simplement l’état réel du secteur. En vidéo, en image et en texte, le camp des modèles à poids ouverts a comblé assez de l’écart de capacités pour que « prends le modèle fermé, il est forcément meilleur » ait cessé d’être un réflexe fiable depuis un an et demi environ. Mais les laboratoires fermés n’ont pas non plus été inactifs, et le mot « ouvert » lui-même est devenu suffisamment contesté pour que deux personnes puissent l’employer en décrivant des produits assortis de droits réellement différents. Avant de prendre parti, mieux vaut préciser ce que l’on compare vraiment.

Le débat de définition que presque personne ne suit hors des cercles IA

L’Open Source Initiative a finalisé sa définition officielle de l’IA open source en octobre 2024, avec une barre plus haute que ce que la plupart des sorties « ouvertes » atteignent réellement : pour être qualifié, un modèle doit non seulement fournir des poids téléchargeables, mais aussi le code d’entraînement et une documentation suffisante sur les données d’entraînement pour qu’on puisse plausiblement le reproduire. Selon ce critère, la plupart des modèles qu’on qualifie familièrement d’« open source » — Llama, Wan, et même DeepSeek — relèvent en réalité de l’« open weight » : on obtient les paramètres finis, exploitables et réglables, mais pas la recette qui a permis de les produire. Cette distinction paraît pointilleuse jusqu’au moment où il faut décider si un fournisseur permet réellement d’auditer sur quoi un modèle a été entraîné — une question cruciale pour quiconque déploie un produit soumis à régulation. En pratique, « open weight » s’est imposé en 2026 comme le terme technique de référence, et la question la plus utile pour les développeurs n’est plus « est-ce open source » mais « qu’est-ce que la licence m’autorise réellement à faire ».

Vidéo : l’écart qui s’est comblé le plus vite

La génération vidéo est le terrain où le clivage ouvert/fermé se voit le plus nettement, car construire un modèle vidéo performant à partir de zéro coûte assez cher pour qu’une poignée de laboratoires seulement s’y risquent. Wan 2.2, d’Alibaba, publié sous licence Apache 2.0 avec des poids disponibles sur GitHub, Hugging Face et ModelScope, est le fer de lance le plus clair de la catégorie open weight — une licence permissive qui autorise l’usage commercial, la modification et la redistribution, avec une variante plus légère de 5 milliards de paramètres capable de tourner sur un seul GPU grand public, et des variantes plus grandes en mélange d’experts qui nécessitent une véritable infrastructure pour servir à grande échelle. Kling, de Kuaishou, se trouve de l’autre côté : aucun poids publié, aucun dépôt de modèle, et un accès entièrement contrôlé via une API développeur fonctionnant sur des forfaits de crédits prépayés distincts des abonnements grand public — un vrai frein à l’expérimentation ponctuelle, mais rien d’inhabituel pour un modèle fermé de pointe. Ce qui est intéressant, ce n’est pas que l’un soit ouvert et l’autre fermé, c’est que la cohérence du mouvement et la fidélité visuelle de Wan ont réduit l’écart au point que de nombreuses équipes s’y tournent désormais par défaut et ne recourent à un modèle fermé que pour une tâche spécifique — ce qui n’était pas le cas il y a deux ans.

Image : le plus vieux débat de l’IA générative, toujours non tranché

La génération d’images est le terrain où cette expérience dure depuis le plus longtemps, et le résultat est réellement partagé plutôt qu’une victoire nette d’un camp. Midjourney reste fermé et propriétaire, avec un style maison fort et soigné qui, sans aucun réglage de la part de l’utilisateur, dépasse d’emblée la plupart des modèles ouverts sur le plan esthétique. Les descendants de Stable Diffusion et des concurrents ouverts comme Flux ont considérablement réduit cet écart — selon la plupart des comparaisons informelles qui circulent en 2026, des outils comme Flux et des checkpoints SDXL affinés comme Juggernaut XL égalent ou dépassent Midjourney sur la fidélité au prompt et le photoréalisme, et tournent gratuitement sur du matériel personnel une fois le GPU acquis. Ce que Midjourney vend vraiment n’est plus la qualité d’image, c’est l’absence de configuration : pas de graphe ComfyUI à construire, pas de LoRA à dénicher, un abonnement à dix dollars par mois et un champ de prompt. L’écosystème de Stable Diffusion — LoRAs, ControlNet, échantillonneurs personnalisés, une immense bibliothèque de réglages communautaires — offre une profondeur qu’un système fermé ne peut tout simplement pas proposer par conception, car cette profondeur suppose de laisser les utilisateurs mettre les mains dans la mécanique. Qui « gagne » ici dépend entièrement de ce qu’on valorise, la curation ou le contrôle, et les deux camps ont fait de ce choix une orientation durable plutôt que provisoire.

Texte : l’arène la plus bruyante et la plus lourde de conséquences

Pour les modèles de langage, le débat ouvert/fermé attire le plus l’attention, et 2026 a apporté un rebondissement vraiment singulier : OpenAI, l’entreprise la plus associée à l’idée de garder ses modèles de pointe verrouillés derrière une API, a publié ses propres modèles à poids ouverts, gpt-oss-120b et gpt-oss-20b, sous licence Apache 2.0 en août 2025 — sa première sortie open weight depuis GPT-2. Ils ne sont accessibles ni via ChatGPT ni via l’API propre d’OpenAI ; ils existent uniquement pour quiconque souhaite faire tourner l’inférence sur sa propre infrastructure, et gpt-oss-120b afficherait des performances proches de celles du propre modèle de raisonnement d’OpenAI, o4-mini, sur les benchmarks de référence. Cette seule sortie a fait plus pour légitimer les modèles de texte à poids ouverts que n’importe quelle annonce de Meta ou de Mistral, car elle venait d’un laboratoire ayant toutes les raisons commerciales d’affirmer que le fermé serait toujours meilleur. De son côté, DeepSeek publie ses modèles V4 sous la simple licence MIT — sans doute la licence la plus permissive largement utilisée dans le secteur, qui permet à quiconque de construire et de revendre des produits qui en dérivent sans redevances. La licence Community de Llama 4 chez Meta, elle, paraît ouverte jusqu’à ce qu’une entreprise dépasse 700 millions d’utilisateurs actifs mensuels, seuil au-delà duquel elle doit négocier des conditions séparées avec Meta, à sa seule discrétion. C’est précisément cette clause qui explique pourquoi l’Open Source Initiative ne reconnaît pas Llama comme open source au sens strict, même si la plupart des gens l’appellent ainsi par habitude ; il s’agit plutôt d’un « code source disponible avec plafond » que d’un accès sans restriction. Mistral occupe une position intermédiaire qui lui est propre, mêlant des sorties plus permissives pour ses petits modèles et des conditions plus strictes pour ses systèmes phares de plus grande taille. Rien de cette nuance de licence n’apparaît sur un graphique de benchmark, mais c’est bien elle qui détermine en pratique si une entreprise peut bâtir une activité sur un modèle donné sans passer par l’aval d’un juriste.

Alors, qui gagne vraiment

La réponse honnête est que « gagner » n’est pas une seule compétition mais au moins trois, et chaque camp est en tête sur un terrain différent. Sur la pure performance de pointe — les tâches de raisonnement, de code et de génération les plus exigeantes — les laboratoires fermés conservent une avance réelle, quoique réduite, et le suivi indépendant de groupes comme Epoch AI a constamment montré que les meilleurs modèles fermés devancent les meilleurs modèles à poids ouverts de quelques mois à chaque instant donné, non pas parce que les laboratoires ouverts seraient incapables de rivaliser, mais parce que les entraînements de pointe sont si intensifs en capital que l’avantage revient à qui peut dépenser le plus. Sur le coût et l’accès, les poids ouverts l’emportent nettement : DeepSeek et les modèles ouverts comparables cassent systématiquement les prix des API fermées par jeton, avec un facteur de quatre à dix, et faire tourner un modèle en local signifie aucune facture par requête et aucune dépendance à ce qu’un fournisseur maintienne un point d’accès en service — un risque bien réel, tant les politiques d’accès des modèles fermés ont pu changer avec peu de préavis, au gré des renégociations de conditions ou des litiges. Sur l’expérience produit pour ceux qui ne veulent pas du tout se soucier d’infrastructure, les plateformes fermées l’emportent toujours par défaut, car une application soignée sans aucune configuration battra toujours un modèle supérieur qui exige de monter soi-même sa propre chaîne de service.

Aucun de ces trois axes n’est près de disparaître, ce qui explique pourquoi le secteur continue de s’organiser autour des trois à la fois plutôt que de converger vers un vainqueur unique. On peut s’attendre à davantage de sorties du type gpt-oss d’OpenAI — des laboratoires fermés qui se couvrent en publiant un palier à poids ouverts capable de capter l’attention des développeurs sans cannibaliser leur API phare. Et on peut s’attendre à ce que ce ne soit pas le score du benchmark, mais bien le détail de la licence, qui continue de décider sur quel modèle une équipe sérieuse choisit réellement de construire.