Le problème de coûts de l’industrie de l’IA devient de plus en plus difficile à ignorer. Les entreprises qui se sont précipitées pour construire sur les modèles les plus puissants d’OpenAI, Anthropic et Google DeepMind sont désormais confrontées à des factures qui peuvent devenir incontrôlables — et un nombre croissant d’entre elles se tournent vers les modèles d’IA open source comme voie plus durable pour l’avenir. Ce changement, autrefois timide, est désormais suffisamment visible pour que le principal technologue d’Amazon le souligne publiquement.
Summary
Points clés à retenir
- Werner Vogels, CTO d’Amazon, a déclaré que les entreprises se tournent de plus en plus vers des modèles d’IA open source moins chers pour maîtriser la hausse des coûts de l’IA.
- Uber a brûlé l’intégralité de son budget IA 2026 en seulement quatre mois, dépensant selon les informations un demi-milliard de dollars en un seul mois.
- Les modèles open source sont généralement gratuits à télécharger ; les utilisateurs ne paient que pour l’infrastructure cloud, ce qui les rend souvent moins chers que les alternatives propriétaires.
- Amazon a lancé un nouvel outil d’IA open source lors du sommet de l’ONU « AI for Good » pour aider les chercheurs à explorer plus de 1 100 jeux de données scientifiques en langage naturel.
- La transparence autour des données d’entraînement de l’IA s’impose comme une exigence non négociable dans les secteurs de la santé, des gouvernements et de l’humanitaire.
La hausse des coûts de l’IA pousse vers les modèles open source
En marge du sommet « AI for Good » de l’ONU le 10 juillet 2026, Werner Vogels, directeur de la technologie (Chief Technology Officer) d’Amazon, l’a dit clairement : « Nous voyons un changement s’opérer entre les modèles open source moins chers et les grands modèles coûteux. » C’était une reconnaissance franche que la ruée vers l’or de l’IA a un prix — et que de nombreuses entreprises ne sont plus prêtes à le payer sans condition.
Des modèles propriétaires coûteux proposés par les leaders du secteur
Les modèles phares d’OpenAI, Anthropic et Google DeepMind occupent le haut du classement en termes de performance. Mais la performance à grande échelle s’accompagne d’une structure de coûts qui a pris plus d’une organisation de court. Ces systèmes facturent au token, ce qui signifie que les coûts augmentent rapidement à mesure que l’usage se développe au sein des équipes et des produits.
L’illustration la plus frappante est venue d’Uber. L’entreprise aurait brûlé l’intégralité de son budget IA 2026 en seulement quatre mois — et, selon les rapports, dépensé environ un demi-milliard de dollars en un seul mois après avoir échoué à plafonner l’usage de l’IA par les employés. Un tel rythme de dépenses oblige même les grandes organisations à réévaluer rapidement leur approche.
Vogels a présenté la question comme un problème d’architecture plutôt que purement financier. « Le coût est une partie très importante de votre architecture, vous devez en tenir compte », a-t-il déclaré. « Avez-vous vraiment besoin du plus grand modèle, le plus haut de gamme, pour résoudre ce problème ? La réponse est non, vous n’en avez pas besoin. »
Avantages de coûts des modèles d’IA open source
Les modèles open source — parfois appelés modèles à poids ouverts — peuvent généralement être téléchargés gratuitement. Le principal coût provient de l’infrastructure de cloud computing nécessaire pour les faire fonctionner. Cette configuration revient souvent nettement moins cher que de payer des frais récurrents basés sur les tokens à des fournisseurs propriétaires, en particulier à grande échelle.
L’avantage de coût n’est pas marginal. Selon les données d’OpenRouter, une plateforme pour développeurs qui agrège l’accès à plusieurs modèles d’IA, les modèles open source chinois peuvent être 60 % à 90 % moins chers que les principales alternatives d’Anthropic et d’OpenAI. Cet écart aide à expliquer pourquoi la part de tokens utilisés par les entreprises américaines sur des modèles d’IA chinois via OpenRouter a atteint jusqu’à 46 % — contre une moyenne de seulement 11 % au cours des 12 mois précédents.
La tendance ne se résume pas à la réduction des coûts. Comme l’a formulé Peter Fenton de Benchmark, investisseur dans l’outil de développement d’IA open source Ollama : chaque entreprise ayant des dépenses d’inférence élevées a un « projet vital et existentiel » qui la pousse vers les modèles à poids ouverts. Ollama lui-même, qui aide les développeurs à exécuter localement des modèles à poids ouverts, compte désormais près de 9 millions d’utilisateurs actifs mensuels et est présent dans 85 % des entreprises du Fortune 500 — signe à quel point ce changement est devenu courant.
Le CTO d’Amazon met en avant transparence et pragmatisme dans l’adoption de l’IA
L’argument des coûts ne suffit pas à lui seul à décrire la situation. Au-delà de l’économie, quelque chose de plus structurel est en train de changer dans la manière dont les organisations pensent l’IA qu’elles déploient.
Les remarques de Werner Vogels au sommet de l’ONU « AI for Good »
En parallèle de la question des coûts, Vogels a souligné une deuxième force qui reconfigure l’achat de solutions d’IA : la demande de transparence. « La transparence devient extrêmement importante », a-t-il déclaré lors du sommet. « Les gens veulent savoir quelles sont les données qui y entrent. »
Ce n’est pas une préoccupation abstraite. Les entreprises examinent désormais non seulement ce qu’un modèle d’IA peut faire, mais aussi comment il a été construit — sur quelles données il a été entraîné, quels biais peuvent y être intégrés, et comment ses décisions peuvent être expliquées. Ce niveau d’examen reflète une maturation plus large de l’adoption de l’IA en entreprise, qui dépasse la phase initiale de battage médiatique pour entrer dans une évaluation plus rigoureuse de la transparence de l’IA et de la gouvernance des données.
Importance de la confiance dans les secteurs sensibles
L’impératif de transparence est particulièrement aigu dans les secteurs où les conséquences d’une sortie d’IA erronée ou inexplicable sont élevées. Dans les domaines de la santé, des gouvernements et de l’action humanitaire, comprendre comment un système a été entraîné peut compter autant que sa performance brute. « Si ces personnes servent des communautés vulnérables. S’ils ne font pas confiance au système, ils ne l’utiliseront pas », a déclaré Vogels.
Les modèles open source offrent ici un avantage structurel. Parce que les développeurs peuvent inspecter et modifier le code, et plus facilement affiner les modèles sur leurs propres données propriétaires, ils ont tendance à mieux répondre aux attentes de transparence dans les environnements réglementés ou sensibles. La réserve est toutefois réelle : même la plupart des fournisseurs de modèles à poids ouverts ne divulguent pas entièrement toutes les données sur lesquelles le modèle a été initialement entraîné. L’ouverture est un spectre, pas un état binaire.
Ce qui rend ce moment particulièrement intéressant à analyser, c’est la convergence de deux pressions distinctes — la maîtrise des coûts et les exigences de confiance — qui pointent toutes deux dans la même direction. Les organisations qui pouvaient justifier des coûts élevés pour des modèles propriétaires durant la phase d’expérimentation font désormais face à un autre calcul : peuvent-elles maintenir la confiance de leur conseil d’administration dans leurs investissements en IA lorsque les coûts sont imprévisibles et la provenance des données d’entraînement opaque ? Pour beaucoup, la réponse est en train de remodeler l’ensemble de leur pile IA.
Un nouvel outil open source d’Amazon vise à autonomiser les chercheurs scientifiques
Lors du sommet, Vogels ne s’est pas contenté de diagnostiquer la direction de l’industrie — il a également annoncé une étape concrète dans ce sens. Un nouvel outil d’IA open source d’Amazon est conçu pour rendre les données scientifiques sensiblement plus accessibles, avec un accent particulier sur les institutions qui ne disposent pas des ressources techniques des grandes universités de recherche ou des laboratoires bien financés.
Intégration avec le registre AWS des données ouvertes
L’outil se connecte au registre AWS des données ouvertes (AWS Registry of Open Data), qui abrite plus de 1 100 jeux de données provenant de grandes organisations scientifiques, dont la NASA, la NOAA et les NIH. Plutôt que de naviguer dans des catalogues de données complexes — un processus qui pouvait auparavant prendre des heures — les chercheurs peuvent désormais interroger le registre en langage naturel simple. Un scientifique peut par exemple demander des images satellites avec des conditions de licence spécifiques, ou solliciter des jeux de données de génomique pour une population particulière, et recevoir des résultats pertinents sans avoir besoin de comprendre l’architecture de données sous-jacente.
Faciliter l’accès pour les institutions sous-dotées
La conséquence pratique pour la recherche est significative. Les institutions sous-dotées — petites universités, ONG, agences de santé publique dans les régions en développement — font depuis longtemps face à un désavantage structurel en matière de découverte de données. La charge technique liée au travail avec de grands registres scientifiques favorise les institutions disposant d’ingénieurs de données dédiés. En abaissant cette barrière grâce à la recherche en langage naturel, l’outil ouvre l’accès à des jeux de données dans des domaines comme les sciences du climat et la santé publique, qui étaient auparavant plus difficiles à atteindre pour des équipes non spécialisées.
Il positionne également Amazon au cœur de l’écosystème de l’IA open source à un moment où cet écosystème attire des capitaux et des talents importants. La récente levée de fonds de série B de 65 millions de dollars d’Ollama, portant son financement total à 88 millions de dollars, indique que la communauté du capital-risque considère les outils d’IA open source comme une activité durable — et non comme une simple phase transitoire avant que les modèles propriétaires ne reprennent le dessus. En d’autres termes, la trajectoire open source bénéficie désormais d’un soutien institutionnel, et pas seulement d’une logique de coûts.
La question plus difficile qui plane sur tout cela est de savoir ce qu’il advient du plafond de performance. Les modèles open source comblent l’écart avec les systèmes propriétaires de pointe, mais les tâches les plus complexes — celles qui justifient les coûts de modèles les plus élevés — continuent généralement de favoriser les systèmes fermés, fortement dotés en ressources. Les entreprises pourraient finir par adopter des piles hybrides : des modèles open source pour la majeure partie de leur charge d’inférence, avec des modèles propriétaires réservés à certaines tâches critiques. Cette architecture, plutôt qu’un basculement net de l’un à l’autre, pourrait bien être là où l’industrie atterrit réellement.
FAQ
Pourquoi les entreprises se tournent-elles vers les modèles d’IA open source ?
Les entreprises se tournent vers les modèles d’IA open source principalement pour réduire la montée des coûts de l’IA. Les modèles propriétaires de fournisseurs comme OpenAI et Anthropic facturent au token, ce qui peut générer des dépenses imprévisibles et très élevées à grande échelle. Les modèles open source sont généralement gratuits à télécharger, les utilisateurs ne payant que pour l’infrastructure cloud nécessaire à leur exécution — un arrangement qui revient souvent nettement moins cher, en particulier pour les déploiements à fort volume.
Quelles préoccupations le CTO d’Amazon met-il en avant concernant la transparence de l’IA ?
Werner Vogels, CTO d’Amazon, a souligné que la transparence concernant les données d’entraînement de l’IA devient de plus en plus importante pour l’adoption en entreprise. Les organisations veulent savoir quelles données ont été utilisées pour entraîner les modèles qu’elles déploient. Cela est particulièrement crucial dans des secteurs comme la santé, les gouvernements et l’action humanitaire, où la confiance dans le système est une condition préalable à son utilisation effective — en particulier lorsque ces systèmes servent des communautés vulnérables.
Quel est l’objectif du nouvel outil d’IA open source d’Amazon ?
L’outil permet aux chercheurs de rechercher dans le registre AWS des données ouvertes — qui contient plus de 1 100 jeux de données provenant d’organisations telles que la NASA, la NOAA et les NIH — à l’aide de requêtes en langage naturel plutôt qu’en naviguant dans des catalogues techniques complexes. L’objectif est de réduire le temps et l’expertise technique nécessaires pour trouver des jeux de données scientifiques pertinents, avec un accent particulier sur la démocratisation de cet accès pour les institutions de recherche sous-dotées.
{« @context »: »https://schema.org », »@type »: »FAQPage », »mainEntity »:[{« @type »: »Question », »name »: »Pourquoi les entreprises se tournent-elles vers les modèles d’IA open source ? », »acceptedAnswer »:{« @type »: »Answer », »text »: »Les entreprises se tournent vers les modèles d’IA open source principalement pour réduire la montée des coûts de l’IA. Les modèles propriétaires de fournisseurs comme OpenAI et Anthropic facturent au token, ce qui peut générer des dépenses imprévisibles et très élevées à grande échelle. Les modèles open source sont généralement gratuits à télécharger, les utilisateurs ne payant que pour l’infrastructure cloud nécessaire à leur exécution — un arrangement qui revient souvent nettement moins cher, en particulier pour les déploiements à fort volume. »}},{« @type »: »Question », »name »: »Quelles préoccupations le CTO d’Amazon met-il en avant concernant la transparence de l’IA ? », »acceptedAnswer »:{« @type »: »Answer », »text »: »Werner Vogels, CTO d’Amazon, a souligné que la transparence concernant les données d’entraînement de l’IA devient de plus en plus importante pour l’adoption en entreprise. Les organisations veulent savoir quelles données ont été utilisées pour entraîner les modèles qu’elles déploient. Cela est particulièrement crucial dans des secteurs comme la santé, les gouvernements et l’action humanitaire, où la confiance dans le système est une condition préalable à son utilisation effective — en particulier lorsque ces systèmes servent des communautés vulnérables. »}},{« @type »: »Question », »name »: »Quel est l’objectif du nouvel outil d’IA open source d’Amazon ? », »acceptedAnswer »:{« @type »: »Answer », »text »: »L’outil permet aux chercheurs de rechercher dans le registre AWS des données ouvertes — qui contient plus de 1 100 jeux de données provenant d’organisations telles que la NASA, la NOAA et les NIH — à l’aide de requêtes en langage naturel plutôt qu’en naviguant dans des catalogues techniques complexes. L’objectif est de réduire le temps et l’expertise technique nécessaires pour trouver des jeux de données scientifiques pertinents, avec un accent particulier sur la démocratisation de cet accès pour les institutions de recherche sous-dotées. »}}]}
Article produit avec l’aide de l’intelligence artificielle et relu par l’équipe éditoriale.
