Open source ou propriétaire : quel modèle d'IA choisir ?

Ça dépend de ton cas : un modèle propriétaire via API est plus simple à mettre en oeuvre, un modèle open weights auto-hébergé te donne le contrôle des données et de la facture. Il n'y a pas de réponse unique, seulement des critères à peser pour ton usage précis.

Le choix se résume mal en « gratuit contre payant » ou « ouvert contre fermé ». La vraie ligne de partage est ailleurs : qui héberge le modèle, qui voit tes données, et qui paie la maintenance.

La vraie distinction

Un modèle propriétaire est accessible via une API : tu envoies ta requête à un serveur géré par le fournisseur, le modèle tourne chez lui, il te renvoie la réponse. Tu ne télécharges rien, tu n'installes rien. Tu paies à l'usage, en général au token (un token est un bout de mot ; ta requête et la réponse en consomment).

Un modèle open weights, c'est l'inverse côté hébergement : les poids (les paramètres entraînés du modèle, le fichier qui contient son « savoir ») sont téléchargeables. Tu peux les faire tourner sur ta propre machine ou sur un serveur que tu loues, les adapter par fine-tuning, les garder hors ligne. Le modèle s'exécute là où tu le mets.

« Open weights » n'est pas « open source »

Ce point se confond souvent, et ça compte. Un modèle open weights met à disposition les poids téléchargeables, mais pas forcément le reste. Le « vrai open source », au sens où l'entend l'Open Source Initiative (définition publiée en 2024), demande davantage : non seulement les poids, mais aussi le code d'entraînement et les données d'entraînement, le tout sous une licence ouverte.

La plupart des modèles présentés comme « open source » dans la presse sont en réalité des modèles open weights : tu peux les exécuter et les adapter, mais tu ne sais pas exactement sur quoi ni comment ils ont été entraînés. La frontière fait débat et on ne le tranchera pas ici. Pour un choix pratique, retiens surtout ce que la licence t'autorise à faire (usage commercial, fine-tuning, redistribution) plutôt que l'étiquette.

En 2026, des familles de modèles comme celles de Mistral ou de Llama sont disponibles en open weights, téléchargeables et exécutables localement avec des outils courants. En face, les modèles les plus connus des grands fournisseurs restent propriétaires, accessibles uniquement via leur API.

Les critères qui décident

Sept critères suffisent à cadrer le choix. Aucun ne tranche seul ; c'est leur poids relatif dans ton contexte qui décide.

Critère	Modèle propriétaire (API)	Modèle open weights (auto-hébergé)
Contrôle et localisation des données	Tes données transitent chez le fournisseur, selon ses conditions	Les données restent chez toi, hébergement et région maîtrisés
Coût	À l'usage, zéro mise de départ, grimpe avec le volume	Coût d'infrastructure fixe, plus avantageux à fort volume
Performance	Souvent le haut du panier sur les tâches générales	Très bon et en progrès, l'écart se resserre
Facilité de mise en oeuvre	Une clé d'API, quelques lignes, tu démarres dans l'heure	Installation, GPU, configuration : compétence requise
Maintenance	Gérée par le fournisseur, mises à jour transparentes	À ta charge : montées de version, sécurité, supervision
Confidentialité	Dépend des engagements contractuels du fournisseur	Maximale si tout reste sur ton infrastructure
Dépendance au fournisseur	Forte : prix, disponibilité et politique peuvent changer	Faible : le modèle téléchargé reste utilisable tel quel

Quand le propriétaire gagne

Le propriétaire via API gagne quand tu veux aller vite et que ton volume reste modéré. Pas de serveur à monter, pas de GPU à louer, pas d'équipe à mobiliser pour les mises à jour. Tu testes une idée, tu mesures, tu ajustes. Pour un prototype, un usage interne léger ou une fonctionnalité dont tu ne connais pas encore le succès, c'est le chemin le plus court.

Il gagne aussi quand tu vises la performance brute sur des tâches générales sans vouloir gérer l'infrastructure. Le fournisseur absorbe la complexité technique, tu te concentres sur ton produit.

Quand l'open weights gagne

L'open weights gagne dès que les données sont sensibles ou réglementées. Si tu ne peux pas les laisser sortir de chez toi (santé, juridique, secret industriel, contraintes RGPD fortes), faire tourner le modèle sur ton infrastructure règle la question à la racine : rien ne part chez un tiers.

Il gagne aussi à fort volume répété. Quand des millions de requêtes passent chaque mois, le coût à l'usage d'une API peut dépasser celui d'un serveur dédié amorti. Et il gagne quand tu redoutes la dépendance au fournisseur : un modèle téléchargé continue de fonctionner même si le prix de l'API monte ou si le fournisseur change sa politique du jour au lendemain.

Un cas concret

Chez la marque fictive Maisons&Mobilia, Pierre veut un assistant qui réponde aux questions des vendeurs sur le catalogue. Premier réflexe : une API propriétaire. En une après-midi, Sophie branche une clé, l'assistant tourne, tout le monde teste. Mise en oeuvre quasi nulle, coût faible au démarrage.

Puis Antoine soulève un point : l'assistant doit bientôt traiter les dossiers clients, avec adresses et historiques d'achat. Là, l'analyse bascule. Ces données ne doivent pas quitter M&M, et le volume va exploser une fois l'outil ouvert à tous les magasins. Pour cette partie, un modèle open weights hébergé en interne devient le bon choix, malgré la maintenance à assumer.

Morale : ce n'est pas l'un contre l'autre. Beaucoup d'organisations utilisent les deux, chaque modèle là où il est le plus pertinent.

Aller plus loin

Le meilleur moyen de sentir cette différence, c'est de manipuler un modèle, pas d'en lire la fiche technique. L'app saisir.ai t'apprend l'IA générative et les agents en français, par petites manipulations concrètes, 5 minutes par jour, sans coder. Tu vois ce qu'un modèle sait faire, et où il a besoin d'aide.

Pour creuser deux notions croisées ici : les nouveaux modèles Mistral et IA générative et RGPD.