IA : le modèle deviendra-t-il une commodité comme Linux ?

Je me pose de plus en plus une question qui aurait probablement semblé absurde il y a encore trois ans.

Est-ce qu’il sera encore nécessaire, demain, de construire son propre grand modèle d’intelligence artificielle ?

Ou sommes-nous en train de nous diriger vers un monde beaucoup plus banal, où quelques acteurs fabriqueront les meilleurs modèles et où tous les autres choisiront simplement lequel utiliser ?

Un peu comme nous avons choisi Windows ou Linux. iOS ou Android. AWS, Azure ou Google Cloud.

Et demain : OpenAI, Anthropic, Google, un modèle chinois, un modèle open source… peu importe finalement, tant que le système fonctionne.

Cette question devient d’autant plus intéressante lorsque l’on regarde ce qui se passe actuellement chez Mistral AI.

Mistral est peut-être un signe de ce qui nous attend

Mistral est probablement l’un des meilleurs exemples européens pour réfléchir à cette question. L’entreprise est née avec une ambition extrêmement forte : construire en Europe des modèles capables de rivaliser avec les meilleurs laboratoires américains. Et ses premiers modèles ont effectivement montré qu’une équipe européenne pouvait revenir dans la course.

Puis quelque chose d’intéressant s’est produit.

En août 2026, Mistral a annoncé qu’il allait commencer à proposer sur sa propre infrastructure des modèles ouverts développés par d’autres acteurs. Et le premier modèle choisi est particulièrement symbolique : GLM-5.2 du laboratoire chinois Z.ai.

La documentation de Mistral est très claire : GLM-5.2 est un modèle tiers, hébergé par Mistral et servi sans modification par Mistral.

Autrement dit, le champion européen de l’IA peut aujourd’hui vous vendre… l’accès à un modèle chinois.

La chronique publiée par le Journal du Net y voit le signe d’un renoncement : Mistral serait progressivement passé du rôle de laboratoire construisant ses propres architectures à celui d’opérateur d’infrastructure capable d’héberger les modèles des autres.

On peut évidemment contester cette lecture. Mistral continue de développer ses propres modèles. Mistral Large 3, présenté en décembre 2025, compte 675 milliards de paramètres au total, 41 milliards actifs, et Mistral affirme l’avoir entraîné from scratch sur 3 000 GPU Nvidia H200.

Mais ce qui m’intéresse n’est finalement pas de savoir si Mistral « abandonne » ou non la course. C’est plutôt ce que ce mouvement révèle : même lorsqu’on sait construire des modèles, il peut devenir rationnel de ne pas vouloir tout construire soi-même.

Et c’est peut-être là que le marché de l’IA est en train de changer.

La course au modèle est devenue une course industrielle

Pendant longtemps, l’intelligence artificielle pouvait encore être vue essentiellement comme une discipline scientifique. Une excellente équipe de chercheurs, quelques innovations algorithmiques, des données intelligemment sélectionnées et suffisamment de puissance de calcul pouvaient permettre de créer une véritable rupture.

Ce monde n’a pas disparu. Mais lorsqu’on parle aujourd’hui des modèles généralistes à la frontière de l’état de l’art, nous sommes entrés dans une autre dimension.

C’est désormais de l’industrie lourde :

Des milliers, voire des dizaines de milliers de GPU
Des datacenters, de l’électricité, des infrastructures réseau
Des équipes de recherche extrêmement spécialisées
Des pipelines de données gigantesques
Des systèmes d’évaluation, du post-training, de la sécurité
De l’optimisation de l’inférence

Et surtout : il faut recommencer continuellement. Un modèle n’est pas une usine que l’on construit une fois pour trente ans. À peine une génération terminée, la suivante est déjà en préparation.

La vraie question n’est donc plus « Combien coûte la création de notre modèle ? » mais « Combien sommes-nous prêts à investir chaque année pour rester dans la course pendant cinq ou dix ans ? »

Et là, l’équation économique devient beaucoup plus difficile.

Construire son modèle… pour obtenir quoi ?

Imaginons une entreprise, un laboratoire ou même un État qui décide aujourd’hui d’investir massivement pour développer son propre grand modèle généraliste.

Quel est exactement l’objectif ?

Créer un modèle meilleur qu’OpenAI, Anthropic, Google ou les meilleurs laboratoires chinois ? C’est possible. Mais la barre est extraordinairement haute.

Créer un modèle aussi performant ? Très bien. Mais quel avantage économique obtient-on si un modèle équivalent est disponible immédiatement via une API ou avec des poids ouverts ?

Créer un modèle deux fois moins bon ? Cent fois moins bon ? Mille fois moins bon ? À quel moment l’indépendance justifie-t-elle la différence de performance et de coût ?

C’est là que la question devient intéressante. Car « avoir son propre modèle » n’est pas en soi une stratégie. Il faut savoir ce que cette propriété permet d’obtenir :

De l’indépendance ?
Une confidentialité totale ?
Une meilleure maîtrise des coûts ?
Une spécialisation inaccessible avec les modèles généralistes ?
Une capacité militaire ou stratégique ?
Une technologie propriétaire difficile à reproduire ?
Une souveraineté nationale ?

Si la réponse n’est rien de tout cela, peut-être sommes-nous simplement en train de reproduire à prix d’or quelque chose que le marché sait déjà produire mieux.

Et si le modèle devenait simplement une commodité ?

Nous accordons aujourd’hui une importance énorme aux modèles. Quel modèle est numéro un sur tel benchmark ? Qui code le mieux ? Qui raisonne le mieux ? Qui possède le plus grand contexte ? Qui a gagné deux points sur telle évaluation ?

Mais je me demande si l’utilisateur final ne va pas progressivement se désintéresser complètement de cette bataille. Il veut simplement que ça fonctionne. Il veut que son contrat soit analysé. Que son application soit développée. Que son service client fonctionne. Que ses documents soient compris. Que son entreprise soit plus productive.

Le moteur derrière tout cela pourrait devenir progressivement invisible.

Et si plusieurs modèles deviennent suffisamment bons, nous pourrions même voir apparaître une couche logicielle capable de choisir automatiquement le modèle le plus adapté à chaque tâche :

Un modèle pour coder
Un autre pour raisonner
Un petit modèle local pour les données sensibles
Un autre pour la vision
Et peut-être un modèle chinois parce qu’il est momentanément meilleur ou moins cher sur une tâche précise

Dans ce scénario, demander « Quel modèle utilisez-vous ? » deviendrait presque aussi étrange que demander aujourd’hui à Spotify quelle base de données il utilise pour afficher une playlist.

Le cas Mistral devient alors beaucoup plus intéressant

C’est précisément là que le mouvement de Mistral prend une autre signification.

Dans son annonce du 11 août 2026, Mistral explique vouloir permettre à ses clients d’exécuter différents modèles ouverts sur une même infrastructure, avec des contraintes de localisation, de conformité et de capacité de calcul maîtrisées. L’entreprise vise parallèlement jusqu’à 1 GW de capacité de calcul européenne d’ici 2030.

Le message implicite est fascinant. La valeur de Mistral n’est peut-être plus uniquement :

« Nous avons fabriqué le modèle que vous allez utiliser. »

Elle peut aussi devenir :

« Peu importe le modèle que vous utilisez : nous vous garantissons où il tourne, comment il est servi, dans quelles conditions et sur quelle infrastructure. »

Et cela change complètement la définition de la souveraineté.

La souveraineté doit-elle signifier que chaque couche technologique a été inventée et entraînée en Europe ? Ou peut-elle signifier que l’Europe conserve le contrôle de l’infrastructure, de l’exécution, des données et du choix du modèle ?

Je n’ai pas de réponse définitive à cette question. Mais elle me semble beaucoup plus importante que de savoir qui possède deux points de plus sur un benchmark.

Peut-être que Mistral ne devient pas moins ambitieux — c’est le marché qui change

C’est ici que je trouve la critique adressée à Mistral à la fois intéressante et peut-être trop sévère. Oui, il y a quelque chose de paradoxal à voir l’un des symboles de la souveraineté européenne héberger un modèle chinois. Mais peut-être que ce paradoxe nous dit surtout quelque chose sur l’économie de l’IA.

Si demain un laboratoire chinois publie un modèle open weight exceptionnel, pourquoi Mistral devrait-il dépenser des centaines de millions pour reproduire exactement la même capacité ? Pourquoi ne pas l’héberger en Europe, le sécuriser, l’évaluer, garantir la résidence des données, construire une infrastructure autour de lui — et investir ses ressources de recherche là où il pense pouvoir réellement créer une différence ?

Cela ressemble moins à une capitulation qu’à une question classique de stratégie industrielle : qu’est-ce que je dois absolument produire moi-même, et qu’est-ce que je peux acheter ou intégrer ?

Les constructeurs automobiles ne fabriquent pas chaque composant d’une voiture. Apple ne fabrique pas toutes les machines nécessaires à la production de ses processeurs. Les entreprises cloud n’inventent pas chaque composant logiciel qu’elles utilisent. Pourquoi l’IA échapperait-elle à cette logique ?

Le modèle n’est peut-être déjà plus le produit

C’est probablement le point que nous sous-estimons le plus.

Un modèle seul ne constitue presque jamais un produit. Ce qui crée réellement de la valeur, c’est le système qui se construit autour :

Les données de l’entreprise
Les permissions
La mémoire
Les outils, les agents, les workflows
Les intégrations
Les évaluations
Les mécanismes de sécurité
La connaissance métier
L’expérience utilisateur
Et éventuellement plusieurs modèles interchangeables derrière tout cela

Une entreprise disposant d’un modèle légèrement moins performant mais de données uniques, d’une excellente distribution et d’une intégration profonde dans un métier peut construire beaucoup plus de valeur qu’une entreprise possédant simplement un excellent modèle.

C’est là que mon parallèle avec Windows et Linux prend tout son sens. Microsoft n’a pas construit son empire uniquement parce que Windows était intrinsèquement le meilleur système d’exploitation possible. L’écosystème a compté. La distribution a compté. Les développeurs ont compté. Les applications ont compté. Les standards ont compté. L’habitude a compté.

L’IA pourrait suivre la même trajectoire.

Le danger : finir avec deux ou trois fournisseurs mondiaux

Il reste évidemment une inquiétude majeure.

Si nous suivons cette logique jusqu’au bout, nous pourrions nous retrouver avec deux, trois ou quatre producteurs réellement capables de financer la prochaine génération de modèles de pointe. Et des millions d’entreprises dépendantes d’eux : prix, accès aux modèles, conditions d’utilisation, politiques de sécurité, disponibilité, API, restrictions géographiques, capacité de calcul.

Un changement décidé par quelques acteurs pourrait alors affecter une partie considérable de l’économie numérique.

C’est précisément pour cette raison que l’open source, les modèles ouverts et les initiatives souveraines restent essentiels.

Mais peut-être devons-nous revoir ce que signifie « réussir ». Un modèle européen n’a pas forcément besoin d’être numéro un mondial dans absolument tous les domaines pour être stratégiquement utile.

Linux n’a jamais eu besoin de conquérir tous les ordinateurs personnels pour devenir indispensable. Il est devenu fondamental ailleurs : serveurs, cloud, infrastructure, supercalculateurs, télécommunications, systèmes embarqués.

L’histoire pourrait très bien se répéter avec les modèles d’IA.

Alors, quand faut-il encore construire son modèle from scratch ?

À mon sens, cela vaut toujours la peine lorsqu’il existe une raison structurelle de le faire :

Lorsque les données sont tellement sensibles qu’elles ne peuvent pas quitter une infrastructure contrôlée
Lorsque la latence impose un modèle très spécifique
Lorsque l’IA doit fonctionner directement sur un appareil
Lorsqu’un domaine possède des données ou un langage tellement particulier qu’un modèle généraliste ne suffit pas
Lorsqu’une entreprise possède un corpus propriétaire suffisamment exceptionnel pour créer une véritable différenciation
Lorsque le volume devient suffisamment important pour justifier économiquement de maîtriser toute la chaîne
Ou lorsqu’un État considère cette capacité comme une infrastructure stratégique, exactement comme l’énergie, les télécommunications, les semi-conducteurs ou la défense

Dans ces cas-là, posséder le modèle peut avoir énormément de valeur.

Mais construire un modèle généraliste simplement parce que « il nous faut notre propre ChatGPT » me paraît devenir une justification de moins en moins convaincante.

Nous allons peut-être construire énormément de modèles dont personne n’avait besoin

C’est probablement la partie qui m’interpelle le plus. Je pense que dans les prochaines années, nous verrons encore beaucoup d’entreprises, de consortiums et de gouvernements annoncer : « Nous allons construire notre propre modèle souverain. » Et quelques années plus tard, la question sera peut-être : « Pourquoi l’avons-nous construit ? »

Parce que pendant qu’une organisation consacrera énormément de ressources à passer de 71 % à 74 % sur un benchmark, une autre prendra le meilleur modèle disponible et consacrera toute cette énergie à résoudre un vrai problème.

La seconde pourrait construire le meilleur produit. La meilleure distribution. Le meilleur dataset. Le meilleur workflow. Et finalement créer beaucoup plus de valeur.

Peut-être posons-nous simplement la mauvaise question

Depuis quelques années, nous demandons : « Quel est votre modèle ? »

Je pense que demain la question sera plutôt : « Qu’avez-vous construit avec ? »

Et l’évolution actuelle de Mistral est peut-être l’un des premiers signes de ce changement. Le laboratoire ne disparaît pas. Le modèle propriétaire ne disparaît pas. La recherche ne disparaît évidemment pas. Mais une nouvelle couche devient stratégique : celle qui permet d’exécuter n’importe quelle intelligence, de la contrôler, de la sécuriser et de l’intégrer dans le monde réel.

Peut-être que nous sommes tout simplement en train de passer d’une compétition de modèles à une compétition de systèmes. Et dans ce monde-là, le gagnant ne sera pas nécessairement celui qui aura entraîné le plus gros modèle. Ce sera peut-être celui qui saura utiliser, combiner et distribuer les meilleurs modèles disponibles. Qu’ils soient américains, européens, chinois, open source — ou qu’ils n’existent même pas encore.

La grande question pour l’Europe n’est alors peut-être plus uniquement : « Sommes-nous capables de construire le meilleur modèle du monde ? »

Mais une question beaucoup plus inconfortable :

Quelle partie de la chaîne devons-nous absolument posséder pour rester maîtres de notre destin numérique ?

Et c’est probablement là que commence la vraie discussion sur la souveraineté de l’IA.

Pour aller plus loin

Ce sujet vous interpelle pour votre organisation ? Réservez 30 minutes — on part de votre situation concrète, pas d’un discours générique.