🎙️ Podcast : Écouter (6 min)
Open weight : l'échappatoire (et ses limites)
Il y a six semaines, Fable 5 claquait la porte. Les API se tarissaient, les startups pleuraient leurs pipelines, et le monde découvrait en temps réel ce que ça signifie de dépendre d'un modèle que vous ne possédez pas. La réaction ne s'est pas fait attendre : « Si on ne peut pas faire confiance aux API propriétaires, alors tournons-nous vers l'open weight. » Simple, élégant, imparable sur Twitter. Vraiment ?
Le grand basculement
L'open weight est présenté comme le mouvement structurant de 2026 par Le Fil IA, et force est de constater que l'expression n'a rien d'exagéré. En quelques mois, le paysage a basculé. Ce qui n'était qu'une niche de chercheurs et de hobbyistes est devenu le plan B officieux de la moitié de l'industrie tech. Et tout a commencé le 24 avril 2026.
DeepSeek V4 : le pavé dans la mare
Ce jour-là, DeepSeek a lâché V4 sous licence MIT. Pas une démo, pas un paper, pas un accès API limité : les poids, la recette, tout. 1,6 trillion de paramètres — un monstre — avec une architecture repensée par rapport à V3, et des performances frontier sur une tripotée de benchmarks.
Mais le chiffre qui fait vraiment mal ? Le coût. DeepSeek V4 aurait été entraîné pour un vingtième du prix des modèles propriétaires équivalents. Et à l'inférence, la différence est encore plus brutale : 90 % moins cher que GPT selon Le Fil IA. Quand vos concurrents paient 100 et que vous payez 10, vous avez un putain de problème de positionnement.
Sauf que.
Faire tourner un 1,6T, c'est pas donné
La licence MIT, c'est séduisant sur le papier. Dans la réalité, faire inférer un modèle de 1,6 billion de paramètres chez soi, c'est un projet d'infrastructure qui ferait pâlir un ingénieur AWS. DeepSeek V4 ne tourne pas sur votre MacBook. Il nécessite un cluster. Des GPU. Du refroidissement. De l'électricité — beaucoup. Et tout ça, ça coûte.
L'open weight vous libère du gatekeeper propriétaire, pour vous coller dans les bras du gatekeeper infrastructure. C'est un progrès, c'est vrai. Mais c'est pas la liberté qu'on vous vendait.
Sakana Fugu : l'assurance multi-modèles
Pendant que DeepSeek occupait le terrain du modèle unique, Sakana AI (Tokyo) sortait le 22 juin une approche radicalement différente : Fugu. Pas un modèle, un système d'orchestration multi-agents qui combine et sélectionne dynamiquement plusieurs LLMs frontier. Deux versions : Fugu Mini (faible latence) et Fugu Ultra. L'argumentaire est limpide, presque gênant de franchise : « couverture contre le blackout d'un modèle unique ».
Fugu se présente ouvertement comme une assurance. Si Meta coupe Llama, si DeepSeek se fait censurer par Pékin, si Google ferme Gemma — Fugu bascule. Les performances ? Équivalentes à Fable 5 sur certains benchmarks, selon Sakana. Reste à vérifier.
Les quatre cavaliers de l'open weight
Le paysage de juin 2026, c'est une armée fragmentée où personne ne fait vraiment la même chose :
- Mistral AI tient la ligne européenne, open par défaut — mais avec une stratégie hybride : les modèles fondation sont ouverts, les versions « améliorées » restent fermées. Le meilleur des deux mondes, ou le pire ?
- Meta Llama 4 déclinée en Scout et variantes, disponible en open weight. Meta a compris que donner les poids, c'est garder le contrôle autrement.
- Google Gemma 4 existe, mais ce sont des modèles ouverts de second rang. Les frontier restent propriétaires, chez Google comme ailleurs.
- Alibaba Qwen 3.5 domine les classements OpenRouter depuis avril 2026. Silence radio côté communication — les résultats parlent.
C'est cette diversité qui fait la force de l'open weight. Mais c'est aussi ce qui révèle sa fragilité.
Remplacer un gatekeeper par un autre
Voilà la question que tout le monde essaie d'esquiver : DeepSeek V4 est open weight, mais c'est chinois. Les poids sont sous licence MIT, les motivations sont à Pékin. Dans un monde où l'IA devient une question de souveraineté, remplacer un gatekeeper américain (OpenAI, Google, Anthropic) par un gatekeeper chinois, c'est objectivement mieux ?
Les défenseurs répondent : avec les poids, vous pouvez auditer, modifier, même retraîner. Vous n'êtes pas dépendant d'une API. C'est vrai. Mais combien d'équipes ont vraiment les moyens d'auditer 1,6 trillion de paramètres ? Combien peuvent détecter une porte dérobée dans le bruit statistique d'un réseau de neurones ?
Et il y a plus immédiat : DeepSeek V4 est notoirement moins « aligné » que ses équivalents propriétaires. Pas de garde-fous dignes de ce nom. Vous voulez générer du contenu problématique ? DeepSeek V4 ne vous dira pas non. C'est une feature ou un bug selon votre point de vue. Mais c'est un risque.
Le dernier 10 %
L'argument le plus honnête contre l'open weight, c'est la performance. Les modèles ouverts atteignent environ 90 % des performances frontier. C'est remarquable — il y a deux ans, on était à 70 %. La convergence est réelle, la tendance est bonne.
Mais le dernier 10 %, celui qui manque, c'est celui qui compte pour les usages critiques. La cybersécurité, la biologie, la R&D de pointe. Pas pour générer des emails ou résumer des réunions — pour ça, 90 % suffisent. Pour les applications où une hallucination peut coûter une vie ou des millions, le dernier 10 % fait toute la différence.
Et ce gap, il se réduit ou il s'accroît ? Les avis divergent. Les optimistes voient la convergence inexorable — DeepSeek V4 claque aux portes des meilleurs modèles fermés. Les pessimistes font remarquer que chaque nouveau modèle propriétaire repousse la frontière, et que l'open weight court après un horizon qui s'éloigne.
L'Europe regarde, hésite
Côté européen, la réaction est typique : on regarde, on analyse, on forme des comités. Octave Klaba (OVHcloud) a annoncé vouloir entraîner des modèles frontier européens — une promesse qui fait écho à Mistral, qui fait écho à tous les « ChatGPT européens » qui ont échoué depuis 2023.
Mais il y a une différence de taille : cette fois, l'open weight permet de ne pas repartir de zéro. On peut fine-tuner DeepSeek V4, l'adapter, le distribuer. C'est moins glorieux qu'un modèle « fait en Europe », mais c'est plus réaliste. Et c'est peut-être, en attendant, la seule véritable échappatoire.
Alors, échappatoire ou illusion ?
L'open weight est une vraie solution à un vrai problème. Il offre une alternative crédible aux API propriétaires, une assurance contre le blackout, une diversité que le duopole OpenAI/Google ne pourra jamais fournir.
Mais c'est une liberté sous conditions. Conditions d'infrastructure (vous avez un cluster ?), conditions de souveraineté (vous faites confiance à Pékin ?), conditions de sécurité (vous assumez l'absence de garde-fous ?), conditions de performance (vous vous contentez de 90 % ?).
L'open weight n'est pas une baguette magique. C'est un outil puissant, mais qui ne résout pas le problème fondamental : la puissance de calcul reste concentrée entre les mains de ceux qui ont les moyens de faire tourner ces modèles. L'accès aux poids ne remplace pas l'accès au calcul. Et tant que ce dernier restera un privilège, l'open weight ne sera qu'une liberté partielle.
Une liberté réelle, mais incomplète. Ce qui est sans doute plus honnête que la liberté imaginaire qu'on vous promettait ailleurs.
Dans le prochain épisode : La réponse de l'Europe. Entre régulation, souveraineté et la conviction que le Vieux Continent peut encore jouer un rôle.