BroadRouter

IA open-weight ou fermée en entreprise : coût, contrôle, risque

Par l’équipe BroadNet Inference · 4 min de lecture · Publié

Les modèles fermés restent en tête à la frontière, mais Epoch AI estime que les meilleurs modèles open-weight n’ont qu’environ quatre mois de retard. Les modèles open-weight l’emportent sur le contrôle, les options de confidentialité, le figeage des versions et la dépendance, car de nombreux fournisseurs peuvent servir les mêmes poids. Les fermés l’emportent quand il vous faut la meilleure qualité possible sur des tâches difficiles. Beaucoup d’entreprises utilisent les deux, selon la tâche.

Chaque équipe qui construit sur des LLM fait ce choix, souvent sans s’en rendre compte : des modèles fermés, accessibles uniquement via l’API d’un éditeur, ou des modèles open-weight, dont chacun peut télécharger et exécuter les poids. Ce choix pèse sur votre facture, le chemin de vos données, la stabilité de votre produit et la difficulté d’en partir.

Que signifie réellement open-weight ?

Un modèle open-weight publie ses paramètres entraînés. Vous, ou n’importe quel fournisseur, pouvez l’exécuter. C’est plus restreint que l’open source : les données d’entraînement et la chaîne d’entraînement complète ne sont généralement pas publiées.

Les licences varient. Certaines sont permissives : Whisper d’OpenAI, par exemple, publie le code et les poids sous licence MIT. D’autres restreignent l’usage commercial, le nombre d’utilisateurs ou les domaines d’utilisation. Lisez la licence de chaque modèle avant de construire dessus.

Les poids d’un modèle fermé restent chez l’éditeur. Vous louez un accès via son API, ou via des clouds sous licence de l’éditeur.

Modèles open-weight et fermés comparés

Critère Open-weight Fermé
Qualité au plus haut niveau Quelques mois derrière la frontière Généralement en tête sur les tâches les plus difficiles
Prix au token Souvent plus bas ; les hébergeurs se font concurrence sur le même modèle Fixé par un seul éditeur
Où il tourne Vos serveurs, un GPU loué ou n’importe quel hébergeur L’API de l’éditeur ou des clouds sous licence
Options de confidentialité Auto-hébergement, ou un hébergeur avec conservation zéro des données Les conditions et offres de l’éditeur
Stabilité des versions Figez des poids exacts aussi longtemps que vous le voulez L’éditeur retire les versions selon son calendrier
Personnalisation Fine-tuning ou quantification par vos soins Seulement ce que l’éditeur propose
Dépendance Faible : plusieurs hébergeurs servent les mêmes poids Forte : un éditeur par modèle
Exploitation À votre charge si vous auto-hébergez À la charge de l’éditeur

Quelle est l’ampleur de l’écart de qualité ?

Plus faible qu’avant, mais réelle. L’AI Index 2025 de Stanford rapportait que l’avance du meilleur modèle fermé sur le meilleur modèle open-weight au classement Chatbot Arena était passée de 8,04 % début janvier 2024 à 1,70 % en février 2025. Epoch AI estimait le 29 mai 2026 que « the most capable open-weight models have lagged frontier closed models by an average of four months » (traduction : « les modèles open-weight les plus performants ont eu en moyenne quatre mois de retard sur les modèles fermés de pointe »), mesuré sur son Epoch Capabilities Index.

En pratique :

  • Classification, extraction, résumés, traduction, chat courant : les modèles open-weight suffisent généralement, et coûtent moins.
  • Agents de code et longs documents : il existe de solides options open-weight ; testez sur vos dépôts. Voir le meilleur modèle ouvert pour les agents de code.
  • Le raisonnement le plus difficile et les capacités les plus récentes : les modèles fermés y arrivent souvent en premier.

Les classements sont des moyennes. Vos 50 vrais cas de test sont le benchmark qui compte.

Quelles sont les trois façons d’exécuter un modèle open-weight ?

Option Idéale quand Points de vigilance
Auto-héberger sur vos propres GPU Les données ne doivent pas quitter votre réseau ; les GPU restent occupés Matériel, pilotes, montée en charge, sécurité, mises à jour
Louer un GPU dédié Charge régulière, poids personnalisés Vous payez les heures d’inactivité
API open-weight hébergée Trafic en pointes ou en croissance ; démarrage rapide Vous faites confiance à la conservation des données et à la disponibilité de l’hébergeur

L’auto-hébergement semble gratuit au token, mais un GPU coûte la même chose qu’il serve une requête par heure ou mille. Il devient rentable à une utilisation élevée et régulière. En dessous, une API facturée au token ou un forfait revient généralement moins cher.

Combien coûte un modèle open-weight par mois ?

Les prix au token des modèles open-weight hébergés se calculent facilement. Pour 100 millions de tokens d’entrée et 10 millions de tokens de sortie par mois sur DeepSeek V4.1 Flash via BroadNet :

100 x $0.175 + 10 x $0.52 par mois, avant toute remise de cache.

Faites le même calcul avec les prix par million publiés par votre éditeur fermé et vos vrais volumes de tokens, ou partez de notre comparaison des coûts d’API entre modèles open-weight et fermés, qui chiffre une même charge sur GPT, Claude, Gemini, Grok et cinq modèles ouverts. L’entrée en cache change beaucoup le résultat : les tokens en cache coûtent $0.0055 par million sur ce modèle. Le calculateur de coût d’API LLM fait ce calcul pour chaque modèle BroadNet, et le tableau des prix des API LLM liste ce que d’autres hébergeurs facturent pour les mêmes poids ouverts.

Pourquoi la dépendance compte-t-elle plus qu’il n’y paraît ?

Quand un éditeur fermé augmente ses prix, modifie ses conditions sur les données ou retire le modèle pour lequel vos prompts sont optimisés, vous n’avez que deux options : accepter ou réécrire. Avec un modèle open-weight, vous pouvez déplacer les mêmes poids vers un autre hébergeur, ou en interne, et garder le même comportement.

Pour que cette option reste réelle :

  1. Appelez les modèles via un SDK compatible OpenAI, avec l’URL de base et l’ID du modèle dans la configuration.
  2. Gardez un jeu de tests de non-régression et exécutez-le à chaque changement de fournisseur.
  3. Placez éventuellement un routeur comme LiteLLM en amont, pour qu’un changement se résume à une modification de configuration.

Comment les entreprises combinent-elles modèles ouverts et fermés ?

La plupart des entreprises finissent par utiliser les deux :

  • Envoyez les tâches à fort volume et bien définies (extraction, tri, résumés, étapes routinières des agents) vers un modèle open-weight.
  • Envoyez les tâches rares et difficiles vers un modèle fermé de pointe.
  • Retestez chaque trimestre. Vu l’écart que mesure Epoch, des tâches passent avec le temps de la seconde liste à la première.

Où se situe BroadNet Inference

BroadNet Inference est une API open-weight hébergée : DeepSeek V4.1 Flash, GLM 5.3, Qwen3.8 27B et la version de BroadNet de Gemma 4 de Google, plus deux modèles speech-to-text, le tout via un endpoint compatible OpenAI. Sa déclaration de confidentialité indique qu’il ne conserve ni prompts ni sorties et n’utilise pas les données d’inférence pour entraîner, fine-tuner ou évaluer des modèles. DeepSeek V4.1 Flash est aussi disponible en forfaits, de $1 l’heure à $60 par mois et par session.

Il ne sert pas de modèles fermés. Si une tâche exige GPT, Claude ou Gemini, passez par ces éditeurs pour cette partie et gardez le reste sur des poids ouverts. Pour comparer BroadNet à d’autres fournisseurs, utilisez la checklist de 20 points pour choisir un fournisseur.

Questions fréquentes

Quelle est la différence entre modèles d’IA open-weight et open source ?

Un modèle open-weight publie ses poids entraînés pour que chacun puisse l’exécuter. Un modèle open source publierait aussi le code et les données d’entraînement. La plupart des LLM « ouverts » populaires ne sont qu’open-weight, sous des licences allant du permissif au restrictif.

Les modèles open-weight sont-ils aussi bons que les modèles fermés ?

Proches, mais pas à égalité au sommet. Epoch AI estimait en mai 2026 que les meilleurs modèles open-weight ont environ quatre mois de retard sur les meilleurs modèles fermés. Sur beaucoup de tâches courantes, la différence est faible ; sur les tâches les plus difficiles, les modèles fermés restent généralement devant.

Les modèles open-weight sont-ils moins chers ?

Souvent, au token, car de nombreux hébergeurs se font concurrence pour servir les mêmes poids. L’auto-hébergement n’est moins cher que si vos GPU restent occupés : des GPU inactifs coûtent de l’argent, que vous les utilisiez ou non.

Un modèle open-weight est-il plus respectueux de la confidentialité ?

Il peut l’être. Vous pouvez l’auto-héberger pour que les données ne quittent jamais votre réseau, ou choisir un hébergeur avec conservation zéro des données. Un modèle fermé ne tourne que là où son éditeur le sert, selon les conditions de l’éditeur.

Puis-je passer d’un modèle fermé à un modèle open-weight sans réécrire mon code ?

En général oui, si l’hébergeur propose une API compatible OpenAI. Changez l’URL de base, la clé et l’ID du modèle, puis retestez les prompts, les appels d’outils et la qualité de sortie sur votre propre jeu de test.

Lire en MarkdownDemander à ChatGPTDemander à ClaudeDemander à Perplexity