Pourquoi de plus en plus d'entreprises spécialisées dans l'IA laissent leurs clients exécuter eux-mêmes leurs modèles

Pour la plupart des entreprises, l'utilisation de l'IA générative implique encore d'envoyer une requête vers le système d'un tiers. Le modèle réside dans un environnement cloud externe, le fournisseur contrôle son développement technique, et l’accès est maintenu tant que la relation commerciale perdure. Cela a rendu l’intelligence artificielle remarquablement facile à adopter. Mais cela a également laissé de nombreuses organisations avec un contrôle limité sur l’une des technologies qu’elles comptent de plus en plus intégrer dans des processus métier sensibles.

Une approche différente gagne désormais en importance. Certaines entreprises spécialisées dans l’IA permettent à leurs clients de télécharger des modèles, de les adapter et de les exploiter au sein d’une infrastructure choisie par le client. Thinking Machines Lab, fondée par Mira Murati, ancienne directrice technique d’OpenAI, a emprunté cette voie avec son premier modèle, Inkling. Plutôt que de se contenter de rivaliser pour obtenir le meilleur score aux tests de performance, l’entreprise met en avant l’adaptabilité, le contrôle et la fiabilité de fonctionnement comme priorités pour les utilisateurs professionnels. Les clients peuvent télécharger le modèle et l’exécuter eux-mêmes, tandis qu’une plateforme associée est destinée à faciliter la personnalisation.

Cette évolution s'inscrit dans le cadre d'une transformation plus large de l'IA en entreprise. Le marché n'est plus simplement divisé entre les entreprises qui utilisent l'IA et celles qui ne l'utilisent pas. Les responsables technologiques doivent désormais déterminer où les modèles doivent être exécutés, qui doit les exploiter, dans quelle mesure ils doivent être modifiés et dans quelle mesure l'entreprise pourrait facilement changer de fournisseur par la suite.

Ces décisions exigent davantage de précision que ne le permet généralement le vocabulaire utilisé pour parler de l'IA ouverte.

« Ouvert » ne signifie pas toujours « open source »

Des termes tels que modèle ouvert, poids libres et open source sont souvent utilisées comme si elles désignaient le même produit. Ce n'est pas le cas.

Un modèle hébergé classique est accessible via une interface de programmation d'application (API). Le client envoie des données au fournisseur et reçoit une réponse. Le modèle lui-même reste sous le contrôle du fournisseur. Il s'agit de la solution la plus simple pour de nombreuses entreprises, car elle ne nécessite pas d'acquérir une infrastructure informatique spécialisée, d'assurer la maintenance du modèle ni de gérer la pile logicielle sous-jacente.

Un modèle à poids ouverts permet aux utilisateurs d'accéder aux paramètres numériques créés lors de l'entraînement. Ces poids peuvent généralement être téléchargés et exploités sur l'infrastructure propre au client ou via un fournisseur de services cloud de son choix. L'organisation bénéficie ainsi d'un contrôle nettement accru sur le déploiement et l'adaptation, même si la licence peut encore restreindre certaines utilisations commerciales, modifications ou formes de redistribution.

Un système véritablement open source va plus loin. Il fournit le code source et les droits de licence nécessaires pour examiner, modifier et redistribuer le logiciel. Même dans ce cas, toutefois, l'ensemble des données d'entraînement et le processus d'entraînement peuvent rester confidentiels. Un modèle peut donc être ouvert sur des aspects techniques importants sans pour autant offrir une transparence totale sur la manière dont il a été créé.

L'auto-hébergement désigne quant à lui tout autre chose. Il s'agit de savoir où le système est exploité, et non pas si la technologie est ouverte. Une entreprise peut exploiter un modèle « open-weight » dans son propre centre de données, le déployer via un fournisseur de cloud suisse ou utiliser un environnement dédié géré par un partenaire technologique externe. Dans chaque cas, le client dispose d’un contrôle accru sur l’environnement d’exploitation par rapport à ce qu’il aurait avec une API publique standard. Cela ne rend pas pour autant automatiquement le modèle open source, sécurisé ou économique.

Cette distinction est importante, car chaque option permet au client de contrôler un niveau différent. L'accès aux poids du modèle offre une flexibilité technique. Une licence open source confère des autorisations juridiques. L'auto-hébergement assure un contrôle opérationnel. Aucune de ces options, prise isolément, ne garantit à elle seule la souveraineté des données ni l'indépendance commerciale.

Le contrôle fait désormais partie intégrante du produit

Les principaux fournisseurs d'IA ont bâti leur avantage initial sur la performance et la facilité d'accès. Une entreprise pouvait ainsi se connecter à un modèle sophistiqué sans avoir à acheter de serveurs, à recruter des ingénieurs spécialisés en apprentissage automatique ni à comprendre comment le système avait été entraîné.

Cela reste intéressant pour les expériences, les applications bureautiques courantes et les services qui ne traitent pas d'informations particulièrement sensibles. Cela devient toutefois moins approprié lorsque le modèle est appelé à lire des contrats internes, à interagir avec des systèmes opérationnels, à étayer des décisions d'investissement ou à traiter des données confidentielles relatives aux clients.

Pour les entreprises suisses, la question ne se limite pas à savoir si les informations sont physiquement stockées sur le territoire national. Elles doivent également déterminer qui peut y accéder, si les données sont conservées, quel est le rôle des sous-traitants, ce qui se passe lorsque le prestataire modifie ses conditions générales et comment le système pourrait être transféré en cas de rupture de la relation commerciale.

L'exécution d'un modèle dans un environnement contrôlé peut répondre à certaines de ces préoccupations. Les données peuvent rester au sein de l'infrastructure choisie par l'entreprise, les contrôles d'accès peuvent être alignés sur les politiques de sécurité existantes, et les connexions aux systèmes internes peuvent être gérées de manière plus rigoureuse. Les mises à jour du modèle peuvent également être testées avant leur déploiement en production, plutôt que d'être mises en œuvre selon le calendrier du fournisseur.

Cela vaut tout particulièrement pour les secteurs bancaire, des assurances, de la santé, de l'industrie pharmaceutique et de l'industrie manufacturière de pointe, où les informations sensibles peuvent aller bien au-delà des données à caractère personnel. Les spécifications techniques, les registres de production, les logiques de tarification, les analyses d'investissement et les processus décisionnels internes peuvent tous faire partie du contexte fourni à un système d'IA.

Le déploiement en autonomie permet à une organisation de considérer le modèle comme faisant partie intégrante de sa propre architecture technologique plutôt que comme un service numérique distant.

Le score le plus élevé à un indice de référence n'est pas forcément le meilleur choix pour une entreprise

Inkling se distingue notamment par le fait que ses développeurs ne prétendent pas qu’il occupe la première place du marché dans les classements de performances standard. Dans les tests comparatifs, ce modèle se classe derrière plusieurs alternatives open source. Thinking Machines Lab semble néanmoins cibler les entreprises qui accordent davantage d’importance à l’adaptabilité, à la fiabilité et au contrôle qu’à un avantage marginal dans un benchmark.

Ce compromis est courant dans le domaine des technologies d'entreprise. Les entreprises choisissent rarement un logiciel de comptabilité, une base de données ou un système industriel de base uniquement parce qu'il affiche les meilleures performances lors d'un test en laboratoire. Elles prennent également en compte l'intégration, la documentation, l'assistance, la sécurité, la compatibilité et la durée de vie prévue du produit.

Les achats dans le domaine de l'IA évoluent progressivement dans la même direction.

Un modèle général légèrement moins performant peut s'avérer plus efficace au sein d'une entreprise donnée, une fois qu'il a été adapté à la terminologie, aux documents et aux processus de cette dernière. Il peut également être plus facile à tester, moins coûteux à exploiter à grande échelle et plus prévisible après son déploiement.

Les performances mesurées par des benchmarks restent importantes, en particulier pour le raisonnement complexe et les tâches techniquement exigeantes. Cependant, la différence entre le modèle de référence et une alternative crédible peut avoir peu d'intérêt commercial si le système sert principalement à classer des documents internes, à extraire des informations d'une base de connaissances contrôlée ou à aider les employés à suivre des procédures définies.

Une entreprise a besoin d'un modèle qui fonctionne de manière fiable au sein de son propre flux de travail, et pas nécessairement de celui qui remporte la comparaison la plus large auprès du grand public.

L'auto-hébergement modifie les coûts plutôt que de les supprimer

L'aspect économique lié à l'exploitation d'un modèle en autonomie peut sembler intéressant. Une organisation n'a plus à rémunérer un prestataire pour chaque opération d'entrée et de sortie, et les applications à fort volume peuvent s'avérer moins coûteuses une fois l'infrastructure nécessaire mise en place.

Le calcul est plus complexe que le simple fait de remplacer une facture API par un serveur.

Les modèles nécessitent des ressources informatiques, de l'espace de stockage, une surveillance et une maintenance technique. Il faut gérer les correctifs de sécurité et les mises à jour des modèles. Les performances peuvent se dégrader lorsque le système est confronté à de nouveaux types de données ou lorsque l'organisation modifie ses processus. Une personne doit être chargée des tests, de la gestion des accès et de la gestion des incidents.

Les grands modèles peuvent également nécessiter des processeurs graphiques coûteux, même si les modèles plus petits permettent souvent de traiter des tâches d’entreprise bien ciblées avec des exigences en matière d’infrastructure bien moindres. Le choix le plus judicieux sur le plan financier dépend donc de l’application. Une API publique peut s’avérer plus économique pour un assistant utilisé de manière occasionnelle par quelques employés. Un modèle auto-hébergé peut s’avérer plus intéressant pour un système traitant des milliers de requêtes répétitives ou gérant des informations qui ne peuvent pas quitter sans risque un environnement contrôlé.

Les architectures hybrides devraient se généraliser. Une entreprise pourrait ainsi exploiter localement un modèle de taille réduite pour les tâches confidentielles ou courantes, tout en recourant à un modèle « de pointe » externe pour les tâches ponctuelles nécessitant une plus grande capacité de raisonnement. Les requêtes pourraient être acheminées en fonction de leur sensibilité, de leur complexité et de leur coût.

Il n'en résulte pas une indépendance totale vis-à-vis des prestataires externes, mais plutôt une répartition plus réfléchie des dépendances.

La personnalisation peut créer une nouvelle forme de dépendance vis-à-vis d'un fournisseur

La capacité à adapter un modèle est l'un des principaux arguments en faveur du déploiement autonome. Une entreprise peut le relier à ses connaissances internes, ajuster son comportement, l'affiner à l'aide d'exemples spécialisés ou l'optimiser pour une tâche particulière.

Chaque niveau de personnalisation peut toutefois compliquer le remplacement.

Un modèle qui a fait l'objet d'un ajustement approfondi, qui est connecté à de nombreux systèmes internes et intégré aux processus de travail des collaborateurs ne peut pas nécessairement être remplacé sans nécessiter d'importants travaux de refonte. L'entreprise peut éviter de dépendre d'une API hébergée, mais se retrouver alors dépendante d'une architecture de modèle particulière, d'un partenaire de mise en œuvre ou d'un fournisseur d'infrastructure.

La portabilité doit donc être prise en compte avant le début du déploiement. Les entreprises doivent savoir si leurs invites, leurs données d’évaluation, leurs systèmes de recherche et leurs ensembles de données de réglage fin peuvent être réutilisés avec un autre modèle. Les interfaces doivent être conçues de manière à ce que le modèle puisse être remplacé sans avoir à reconstruire l’ensemble de l’application. Les tests de performance doivent également comparer plusieurs modèles par rapport aux tâches spécifiques de l’entreprise, plutôt que de partir du principe qu’un seul fournisseur restera la meilleure option.

Un modèle auto-hébergé offre à une entreprise la possibilité d'une plus grande indépendance. C'est l'architecture technique qui détermine si cette possibilité se concrétise réellement.

Un choix plus large ne rend pas la gouvernance superflue

Le développement des modèles ouverts offre aux entreprises européennes un choix plus large de fournisseurs provenant des États-Unis, de Chine et d'Europe. Il remet également en cause l'idée selon laquelle le marché des entreprises serait inévitablement dominé par un petit groupe de fournisseurs américains proposant des solutions fermées.

Les modèles sous-jacents sont de plus en plus interconnectés à l'échelle internationale. Inkling s'appuierait, selon certaines sources, sur une architecture associée à DeepSeek V3 et sur des données d'entraînement générées par un autre modèle chinois. Cet exemple montre à quel point il est difficile de classer clairement un système d'IA en fonction de la localisation de son siège social.

Pour les acheteurs professionnels, le pays d’origine du fournisseur n’est que le point de départ de l’évaluation. Ils doivent également examiner la généalogie du modèle, sa licence, sa méthodologie d’entraînement, ses dépendances logicielles et son environnement d’exploitation. Un modèle proposé par une entreprise américaine ou européenne peut intégrer des recherches, du code ou des données synthétiques provenant d’ailleurs. À l’inverse, un modèle développé en Chine peut être exploité entièrement au sein d’une infrastructure européenne.

L'auto-hébergement ne résout pas les questions relatives à la propriété intellectuelle, à la provenance des modèles ou aux vulnérabilités intégrées. Il fait peser davantage la responsabilité d'y répondre sur le client.

Le marché de l'IA d'entreprise devient de plus en plus modulaire

L'importance des modèles téléchargeables va au-delà de la protection des données. Elle montre que l'IA commence à s'apparenter à une pile technologique d'entreprise plutôt qu'à un simple service acheté auprès d'un seul fournisseur.

Les entreprises peuvent se procurer le modèle auprès d'un développeur, l'exploiter via un autre fournisseur d'infrastructure, utiliser une plateforme distincte pour l'adapter et désigner un partenaire de mise en œuvre pour le connecter à leurs applications internes. Elles peuvent modifier des composants individuels sans pour autant devoir abandonner l'ensemble du système.

Ce marché modulaire est moins pratique que l'ouverture d'un compte auprès d'un service d'IA hébergé. Il offre également aux entreprises un plus grand pouvoir de négociation et une plus grande liberté pour concevoir des systèmes adaptés à leurs besoins réels.

La question essentielle en matière d'approvisionnement n'est donc plus simplement de savoir quel modèle offre les meilleures performances. Les entreprises doivent déterminer quelles parties du système d'IA elles sont prêtes à externaliser et lesquelles elles doivent garder sous leur contrôle.

Pour de nombreuses entreprises suisses, en particulier pour celles qui traitent des informations réglementées ou sensibles sur le plan commercial, la solution ne consistera ni à tout héberger en interne, ni à s'en remettre entièrement à des API externes. Il s'agira d'une architecture qui maintient les processus sensibles en interne, utilise les services externes de manière sélective et préserve la possibilité de changer de fournisseur.

Les entreprises spécialisées dans l'IA permettent désormais à leurs clients d'exploiter eux-mêmes leurs modèles, car les acheteurs professionnels ne se contentent plus d'un simple accès. Ils souhaitent disposer d'un moyen fiable d'exercer un contrôle.