Pourquoi l'essor de l'IA open source ne nuit pas encore à Anthropic

Lundi, Jesse Zhang, PDG de Decagon, a dévoilé une nouvelle théorie controversée sous le titre « Tout le monde se trompe au sujet de l’IA open source en entreprise ». Cet article explore l’une des contradictions les plus frappantes de l’économie de l’IA aujourd’hui : alors que les déploiements d’IA les plus aboutis s’orientent vers des modèles plus légers — même au sein de sa propre entreprise —, les dépenses globales consacrées aux modèles de pointe, très coûteux, restent globalement inchangées.

Ce point de vue redéfinit la relation entre les modèles de pointe et les modèles open source. Selon M. Zhang, ils ne sont pas concurrents, et le succès des modèles open source ne se fait pas au détriment des laboratoires de pointe. Au contraire, ils représentent deux phases d’un même cycle de vie : les modèles de pointe, coûteux, servent à valider des cas d’utilisation, qui sont ensuite transférés vers des alternatives open source moins onéreuses à mesure qu’ils arrivent à maturité.

À mesure que les cas d’utilisation établis migrent vers des modèles plus légers, de nouveaux cas d’utilisation apparaissent en permanence, ce qui maintient les dépenses globales consacrées aux modèles de pointe à un niveau stable.

Bien que Zhang fournisse peu de données pour étayer son argument, les preuves sont facilement accessibles. Le tableau de bord de la passerelle IA de Vercel révèle qu’au cours de la semaine dernière, DeepSeek s’est hissé en tête en termes de volumes de jetons, traitant un peu plus d’un tiers de l’ensemble des jetons via son infrastructure. Parallèlement, Z.ai — le laboratoire à l’origine du célèbre modèle GLM-5.2 — s’est hissé à une respectable quatrième place au cours de la même période.

Toutefois, si l’on examine les dépenses globales en jetons, Anthropic représente toujours plus de la moitié des dépenses totales consacrées à l’IA sur la plateforme. Bien que cette part ait légèrement baissé au cours du dernier mois en raison des hausses de prix pratiquées par Anthropic, cette baisse n’est pas significative.

Crédits image :tableau de bord Vercel / exportation de données

OpenRouter présente une situation similaire, en captant un segment plus large (bien que légèrement moins axé sur les entreprises) du marché. DeepSeek V4 Flash arrive en tête en termes d’utilisation globale, traitant 5,3 billions de tokens par semaine. Le modèle « frontier » le plus populaire, Opus 4.8, traite un peu plus de 2 billions de tokens. Bien qu’OpenRouter ne classe pas les modèles en fonction des dépenses totales, il montre que le coût moyen par jeton pour Opus 4.8 est environ 23 fois plus élevé que celui de V4 Flash (1,37 dollar par million de jetons contre seulement 6 cents), ce qui suggère qu’Opus capte toujours la majeure partie des dépenses.

Ces chiffres n’incluent même pas la toute dernière nouveauté de Nvidia, Nemotron, qui est en passe de se hisser au premier plan grâce aux solides relations de Nvidia avec le secteur et à l’adaptabilité exceptionnelle du modèle.

Si ces chiffres ne prouvent pas entièrement le point de vue de Zhang concernant les cycles de vie de l’IA, ils indiquent toutefois que les laboratoires de pointe comme Anthropic ne souffrent pas encore de manière significative de l’essor de l’open source — du moins pas pour l’instant. Une explication réside dans le fait que le marché des tâches pouvant être traitées par l’IA se développe si rapidement que les meilleurs modèles peuvent conserver leur domination en contrôlant les déploiements à un stade précoce. Comme l’affirme Zhang : « Les laboratoires de pointe continueront à dominer la recherche. L’open source dominera de plus en plus la production. » Une autre possibilité est que, même si les clients adoptent des modèles open source, de nombreux cas d’utilisation sont trop complexes pour être entièrement remplacés par des alternatives moins coûteuses.

Quoi qu’il en soit, ce modèle économique à deux vitesses pourrait devenir une caractéristique stable du paysage de l’IA.

En septembre dernier encore, j’ai évoqué la possibilité que les laboratoires de base finissent par vendre des grains de café à Starbucks — servant essentiellement de matières premières tandis que la couche applicative en récolterait les bénéfices. Certains aspects de cette prédiction se sont concrétisés : les entreprises d’IA verticales se sont tournées vers des modèles plus légers, et l’économie des start-ups proposant des « GPT wrappers » est restée globalement stable.

Pourtant, nous constatons également que, jeton pour jeton, les fournisseurs de pointe ont conservé le segment le plus lucratif du marché : la tarification premium des jetons. Cette tendance ne semble pas près de s’inverser.