LLM open source ou propriétaire : choisir ses modèles en entreprise
« Mistral ou GPT ? » La question est souvent posée comme un choix de camp, entre modèles ouverts et modèles fermés. Elle mélange en réalité trois sujets : la licence, le lieu d'exécution et la qualité sur vos tâches. Ce guide les sépare, puis propose une méthode pour choisir sans dépendre d'un classement public.
Publié le 22 septembre 2026
Open source, poids ouverts, propriétaire : trois réalités
Le mot « open source » est employé pour des modèles qui ne le sont pas au sens strict. L'Open Source Initiative, qui gère la définition de référence du logiciel open source, a publié fin octobre 2024 une définition de l'IA open source. Elle exige quatre libertés (utiliser, étudier, modifier, partager) et, pour les exercer, l'accès au code d'entraînement et d'exécution, aux paramètres du modèle, et à une information suffisante sur les données d'entraînement.
Peu de modèles répondent à ces trois conditions. La plupart des modèles dits ouverts publient leurs poids, c'est-à-dire le modèle entraîné, sans le code ni les données qui ont servi à le produire. On parle alors de modèles à poids ouverts.
Code, poids et information sur les données publiés, sous des conditions qui permettent d'utiliser, étudier, modifier et partager.
Le modèle entraîné se télécharge et s'exécute chez vous. Sa licence peut restreindre certains usages.
Le modèle reste chez son éditeur. Vous l'utilisez par une API, aux conditions du contrat.
Pour une entreprise, la distinction pratique est surtout la deuxième : un modèle à poids ouverts peut tourner dans votre périmètre, sans aucun flux sortant. C'est ce qui le rend éligible aux usages sensibles.
Lire la licence avant le classement
Deux modèles à poids ouverts peuvent avoir des licences très différentes. Quelques exemples publics montrent l'écart.
Mistral AI publie une partie de ses modèles sous licence Apache 2.0, qui autorise l'usage commercial, la modification et la redistribution, et réserve d'autres modèles à son offre commerciale : la liste des modèles indique la licence de chacun. La licence de Llama 3 de Meta impose une politique d'utilisation acceptable, et oblige à demander une licence à Meta si les produits du licencié dépassaient 700 millions d'utilisateurs actifs mensuels à la date de sortie du modèle. OpenAI, connu pour ses modèles GPT accessibles par API, a aussi publié en 2025 des modèles à poids ouverts sous licence Apache 2.0, assortis d'une politique d'utilisation.
La conséquence est simple : « Mistral contre GPT » n'est pas « ouvert contre fermé ». Chaque éditeur a des modèles des deux types. Pour chaque modèle candidat, vérifiez :
- L'usage commercial : est-il autorisé sans condition, ou soumis à un seuil ou à une autorisation ?
- Les usages interdits : la licence renvoie-t-elle à une politique d'utilisation qui exclut certains secteurs ou certains traitements ?
- La modification : pouvez-vous affiner le modèle et utiliser la version modifiée ?
- Les obligations de mention : faut-il citer le modèle dans vos produits ou votre documentation ?
- L'évolution de la licence : la version que vous téléchargez reste-t-elle soumise à la licence en vigueur au moment du téléchargement ?
Cette lecture relève du service juridique. Elle est rapide, et elle évite de bâtir un usage sur un modèle que vous n'avez pas le droit d'exploiter.
Comparer ce qui compte vraiment
Une fois la licence validée, la comparaison ne porte pas sur la marque, mais sur le mode d'exécution. Un modèle hébergé chez vous et un modèle appelé par API n'offrent pas les mêmes garanties.
| Critère | Modèle ouvert hébergé chez vous | Modèle propriétaire par API |
|---|---|---|
| Sortie des données | Aucune, par architecture | À chaque appel, encadrée par contrat |
| Maîtrise des versions | Totale : la version reste figée | Le fournisseur fait évoluer et retire ses versions selon son calendrier |
| Performance sur les tâches complexes | Dépend du modèle et du matériel disponible | Accès direct aux derniers modèles de l'éditeur |
| Structure de coût | Capacitaire : GPU et exploitation | Variable : prix au jeton |
| Personnalisation | Affinage possible si la licence le permet | Limitée à ce que le fournisseur propose |
| Charge d'exploitation | À votre charge | Chez le fournisseur |
La ligne sur les versions est souvent sous-estimée. Les fournisseurs d'API publient des calendriers de retrait de leurs anciens modèles, comme la page des dépréciations d'OpenAI. Un usage validé sur une version peut devoir être revalidé sur la suivante, à une date que vous ne choisissez pas.
Évaluer sur vos cas, pas sur un classement
Les classements publics mesurent des tâches génériques, souvent en anglais. Ils ne disent pas comment un modèle résume vos comptes rendus, extrait les clauses de vos contrats ou répond à vos clients en français. Seule une évaluation sur vos cas le dit.
- Constituer un jeu de testQuelques dizaines de cas réels par usage, cas limites compris, avec la réponse attendue ou les critères d'une bonne réponse.
- Définir les critèresExactitude, respect du format, qualité du français, capacité à dire « je ne sais pas », respect des consignes.
- Comparer à l'aveugleLes évaluateurs métier notent les réponses sans savoir quel modèle les a produites.
- Mesurer le coût et la latencePour chaque modèle, sur le même jeu de test : ce qu'il coûte et le temps qu'il met à répondre.
- Rejouer à chaque changementNouvelle version, nouveau modèle, nouvelle consigne : le même jeu de test sert de non-régression.
Le résultat surprend souvent : un modèle moyen dans les classements peut suffire pour une tâche d'extraction ou de classement, pour un coût nettement inférieur. Les effets du choix du modèle sur la facture sont détaillés dans le guide sur le coût d'une IA générative.
Un portefeuille de modèles, pas un modèle unique
Une organisation finit souvent avec plusieurs modèles, chacun sur les usages où il est le plus pertinent : un modèle local compact pour classer et extraire, un modèle local plus grand pour les documents sensibles, un modèle par API pour les tâches de rédaction complexes sur des données non sensibles, un modèle d'embeddings pour la recherche documentaire.
Cette approche suppose une plateforme où le modèle est une ressource interchangeable : les usages sont décrits une fois, et le modèle se change sans les réécrire. Elle rejoint la logique du guide pilier sur l'IA on-premise et la répartition usage par usage décrite dans On-premise, SaaS ou hybride.
Questions fréquentes
Un modèle à poids ouverts est-il moins sûr qu'un modèle propriétaire ?
Pas en soi. Hébergé chez vous, il ne fait sortir aucune donnée, ce qui supprime un risque majeur. En revanche, sa sécurité d'exploitation devient votre responsabilité : mises à jour, contrôle d'accès, filtrage des contenus. Chez un fournisseur d'API, ces mesures sont prises par le fournisseur, selon ses propres règles.
Faut-il affiner un modèle sur ses données ?
Rarement en premier. Pour qu'un modèle connaisse vos documents, une recherche documentaire (RAG) est plus simple, plus facile à tenir à jour et permet de citer les sources ; le guide RAG en entreprise la détaille. L'affinage se justifie plutôt pour imposer un style, un format ou un vocabulaire très spécifique.
Peut-on changer de modèle en cours de route ?
Oui, si les usages ne dépendent pas des particularités d'un modèle. Il faut alors rejouer le jeu de test sur le nouveau modèle avant la bascule : les consignes qui fonctionnaient avec l'un peuvent donner des résultats différents avec l'autre.
Où se situe SmartAGT
SmartAGT est agnostique en modèles. Il se branche sur des serveurs compatibles OpenAI hébergés chez vous (vLLM, Ollama, etc.) et sur Mistral AI, OpenAI et Google Gemini, que vous contractez en direct. D'autres fournisseurs européens sont annoncés sur la page Intégrations, avec leur état d'avancement.
Le fournisseur reste votre choix, du 100 % local sans aucun flux sortant à un fournisseur cloud contracté en direct. La liste complète est sur la page Intégrations.
