Le FT mesure la bascule des grandes entreprises US vers les modèles ouverts

Ce que c'est. Une enquête du Financial Times, publiée le 27 septembre 2026, sur la façon dont les entreprises américaines répartissent leurs dépenses d'IA. Un modèle « ouvert » (open weight), c'est un modèle dont les paramètres sont publiés : tu peux le télécharger, l'héberger chez toi, l'ajuster sur tes données, ou acheter des tokens chez un fournisseur qui le sert, en général bien moins cher que chez OpenAI ou Anthropic. Le marché est dominé par des labos chinois (DeepSeek, Zhipu), avec Mistral, Nvidia, Reflection AI et Thinking Machines Lab sur les mêmes termes. Le FT s'appuie sur des chiffres tiers plutôt que sur des déclarations d'éditeurs : les mentions de modèles ouverts dans les conférences investisseurs ont été multipliées par six en août-septembre sur un an (données AlphaSense), et PNC, CH Robinson ou Siemens en parlent désormais.

Pourquoi c'est sympa. Ce ne sont plus des startups qui basculent. Le CTO de Tinder raconte être passé d'un rythme de 1 M$ par an en janvier à 10 M$ en juillet, et route maintenant une partie des requêtes de ses utilisateurs non techniques vers des modèles ouverts. Son argument : les modèles de pointe suffisent déjà pour 90 % de ses tâches, donc dès que les modèles ouverts rattrapent, il n'a plus besoin de payer le premium. AT&T traite 45 milliards de tokens par jour, en fait tourner 40 % sur des modèles ouverts ajustés sur ses données, et vise 70 % d'ici un an. Chez Digital Realty, le motif n'est pas le prix : aucune donnée client n'entre dans un modèle de pointe, point.

À quoi ça sert. À poser la question que ces équipes ont posée. Tu prends ta facture d'API du mois et tu la découpes par cas d'usage. Le tri de tickets, la classification, les résumés de routine ont-ils besoin du modèle le plus cher ? Tu fais tourner le même jeu de tests sur un modèle ouvert servi par un fournisseur ou sur ta propre infra, tu compares la qualité, et tu routes ce qui passe. C'est exactement le geste de Tinder et d'AT&T.

Pour quels projets. Les produits où le volume de tokens grimpe plus vite que le chiffre d'affaires, et les secteurs où la donnée ne doit pas sortir. Les limites : l'article cite des grands comptes avec des équipes data capables d'ajuster et d'évaluer un modèle. Sans jeu d'évaluation à toi, tu ne sauras pas ce que tu perds en changeant. Et le FT note que les deux labos américains ont baissé leurs prix la semaine dernière : l'écart bouge vite.