Depuis 2024, chaque annonce d’un nouveau modèle “open source” relance la même querelle dans l’écosystème IA : qu’est-ce qu’on ouvre exactement ? La question paraît technique. Elle est en réalité politique, économique et sécuritaire. Numerama a bien posé le problème : l’imprécision mène à l’open-washing, et le grand public n’y voit souvent que du feu.
Je te propose de clarifier ça une bonne fois pour toutes.
La définition qui fait autorité : les quatre libertés de l’OSI
L’Open Source Initiative (OSI) ne date pas d’hier. C’est l’organisation de référence sur le logiciel libre depuis les années 1990. En 2024, elle a publié la première version stable de sa définition de l’IA open source (OSAID).
Quatre libertés cumulatives définissent un système IA véritablement open source :
- Utiliser le système pour n’importe quel usage, sans autorisation préalable
- Étudier le système pour comprendre comment il produit ses résultats
- Modifier le système
- Partager le système, modifié ou non
Le point clé : ces libertés ne peuvent s’exercer que si tu as accès à la forme préférentielle permettant de modifier le système. Autrement dit, pas seulement au résultat final, mais à tout ce qui a permis d’y arriver.
Concrètement, un modèle IA open source selon l’OSI doit fournir :
- Les poids (les paramètres numériques issus de l’entraînement)
- Le code d’entraînement
- Le jeu de données utilisé, ou à défaut une description complète de sa composition quand la diffusion légale n’est pas possible
- La transparence sur la constitution et le nettoyage de ce dataset
C’est un standard exigeant. Et c’est exactement là que le bât blesse pour la quasi-totalité des modèles présentés comme “open source” aujourd’hui.
Open weight : ce que tu obtiens vraiment
L’open weight ne couvre qu’un seul de ces éléments : les poids finaux du réseau de neurones, c’est-à-dire la version figée à la fin de l’entraînement.
Tu peux télécharger le modèle, le faire tourner localement, le fine-tuner sur tes propres données. Mais tu ne sais pas sur quelles données il a été entraîné initialement. Tu ne peux pas reproduire le processus qui a conduit à ce résultat. Tu ne peux pas auditer les biais en remontant à la source.
C’est une différence de nature, pas de degré.
L’OSI a soumis des modèles existants à ce test. Le palmarès de ceux qui passent est court : Pythia (EleutherAI), OLMo (Ai2), Amber et CrystalCoder (LLM360), T5 (Google). Des modèles sérieux, mais pas ceux dont tout le monde parle.
En face, les jugés non conformes : Llama, Grok, Phi-2, Mixtral. Soit parce que des composants requis manquent, soit parce que leurs conditions légales sont incompatibles avec les principes de l’open source.
Meta a d’ailleurs dû réviser son vocabulaire sous la pression de la communauté du logiciel libre, passant progressivement du terme “open source” à “open model”. C’est un aveu implicite.
Pourquoi ça dépasse la querelle de puristes
Si le débat terminologique restait entre développeurs, il serait déjà important. Mais il est désormais géopolitique.
Washington a brièvement coupé l’accès à certains modèles pour raisons de sécurité nationale. La Chine réfléchit à verrouiller ses modèles de pointe pour éviter qu’ils profitent à des puissances étrangères. Dans ce contexte, savoir précisément ce qu’un acteur ouvre, et ce qu’il garde fermé, est une question de confiance entre États.
Pour les entreprises françaises et européennes qui cherchent à construire une stack IA souveraine, la distinction est tout aussi critique. Un modèle open weight te donne de la flexibilité opérationnelle. Il ne te donne pas l’indépendance technologique. Tu restes dépendant de l’entreprise qui a fait les choix d’entraînement, sans pouvoir les vérifier ni les reproduire.
C’est un point que j’aborde souvent quand je parle de stratégie IA pour les équipes marketing et ops : choisir un outil IA en croyant qu’il est “ouvert” alors qu’il ne l’est qu’à moitié, c’est prendre un risque de dépendance qu’on n’a pas anticipé.
Le grand débat : ouvrir, c’est risqué ou sécurisant ?
Les deux camps ont des arguments solides, et je vais te les présenter honnêtement.
Le camp de la prudence : Anthropic et Dario Amodei
Dario Amodei défend depuis longtemps une position claire : l’open source devient dangereux appliqué aux modèles frontier. Diffuser les poids d’un système à la pointe de l’état de l’art revient, selon lui, à perdre tout contrôle sur les usages malveillants possibles.
Cette logique justifie la stratégie entièrement propriétaire d’Anthropic. Elle a même poussé plus loin avec certains modèles réservés à des organisations triées sur le volet dans un programme d’accès restreint.
L’argument est cohérent. Un modèle capable de synthétiser des informations sensibles ou de générer du code malveillant avancé représente un risque différent d’une bibliothèque Python. On parle d’échelles de capacités incomparables.
Le camp de l’ouverture : l’OSI et la communauté du logiciel libre
L’OSI retourne l’argument : l’ouverture est une condition de la sécurité, pas une menace. Elle permet l’audit indépendant des biais et des vulnérabilités. Elle évite la concentration du pouvoir technologique entre quelques mains. Elle donne aux chercheurs les moyens de faire progresser la sécurité de l’IA plutôt que de la laisser dépendre de la seule bonne volonté d’un éditeur.
Concrètement : si personne d’autre que l’éditeur ne peut examiner le code et les données d’entraînement, tu prends pour argent comptant les affirmations de l’éditeur sur la sécurité de son système. C’est une forme de confiance aveugle que le logiciel libre a précisément cherché à éliminer depuis quarante ans.
Ce débat trouve un écho direct dans les levées de fonds des startups françaises IA : les investisseurs commencent à poser des questions sur la gouvernance des modèles utilisés, pas seulement sur les métriques de performance.
Ce que ça change pour toi concrètement
Si tu intègres des modèles IA dans ta stack, voici les questions à poser avant de choisir :
Sur l’accès aux données d’entraînement :
- Le dataset est-il documenté ? Peut-on en connaître la composition ?
- Y a-t-il eu un audit indépendant des biais ?
Sur les conditions d’usage :
- La licence autorise-t-elle l’usage commercial sans restriction ?
- Y a-t-il des clauses qui limitent certains secteurs ou certains volumes d’utilisation ?
Sur la reproductibilité :
- Peut-on re-entraîner le modèle depuis zéro avec les ressources fournies ?
- Le code d’entraînement est-il publié, pas seulement les poids ?
Un modèle open weight reste utile. Ne le jette pas par principe idéologique. Mais sois lucide sur ce que tu obtiens : de la flexibilité d’inférence, pas de la transparence sur la fabrication.
Pour les équipes qui construisent des workflows d’automation IA, c’est une donnée à intégrer dans l’évaluation des risques fournisseur, au même titre que la solidité financière de l’éditeur. J’ai détaillé comment évaluer les dépendances IA dans le contexte des world models et de leurs usages industriels.
Sur les questions de souveraineté numérique et de stratégie digitale, je compile régulièrement mes analyses sur mon hub principal.
Mon avis
À mon avis, l’open-washing est le vrai problème à court terme. Pas parce qu’il trompe les puristes, mais parce qu’il induit en erreur des décideurs qui pensent choisir une technologie souveraine et auditabl quand ils choisissent en réalité une dépendance à un éditeur privé avec un accès partiel. La distinction open source / open weight doit devenir aussi instinctive que la distinction SaaS / on-premise. Ce n’est pas encore le cas, et ça coûtera cher à certaines équipes qui feront ce choix les yeux fermés.
FAQ
Quelle est la différence concrète entre un modèle open source et un modèle open weight ?
Un modèle open weight te donne accès aux poids finaux du réseau de neurones : tu peux le télécharger, l’exécuter et le fine-tuner. Un modèle open source au sens de l’OSI doit en plus fournir le code d’entraînement, le dataset ou sa description complète, et une transparence sur la façon dont les données ont été collectées et nettoyées. La différence est majeure pour quiconque veut auditer ou reproduire le système.
Llama de Meta est-il open source ?
Non, selon la définition de l’OSI. Llama est open weight : Meta publie les poids, mais pas le dataset d’entraînement complet ni le code d’entraînement dans les conditions requises. Meta a d’ailleurs progressivement remplacé le terme “open source” par “open model” sous la pression de la communauté du logiciel libre.
Quels modèles IA passent réellement le test open source de l’OSI ?
Pythia (EleutherAI), OLMo (Ai2), Amber et CrystalCoder (LLM360) et T5 (Google) font partie des modèles jugés conformes par l’OSI. Ce sont des modèles sérieux, mais moins médiatisés que Llama, Grok ou Mixtral, qui eux n’ont pas passé le test.
Pourquoi l’open-washing est-il un problème pour les entreprises ?
Une entreprise qui croit utiliser un modèle open source pense disposer d’une technologie auditable, reproductible et indépendante d’un éditeur. Si le modèle est en réalité seulement open weight, cette indépendance est illusoire : elle reste dépendante des choix d’entraînement de l’éditeur, sans pouvoir les vérifier. C’est un risque de dépendance non anticipé dans la stack IA.
Dario Amodei a-t-il raison de dire que l’open source IA est dangereux ?
Son argument s’applique aux modèles frontier, c’est-à-dire aux modèles aux capacités les plus avancées. L’OSI répond que la fermeture ne supprime pas le risque, elle le déplace vers une confiance aveugle envers l’éditeur. Les deux positions ont une cohérence interne. Le débat reste ouvert dans la communauté IA et dans les cercles de politique publique.
