Meilleure IA open source (2027) : les modèles à posséder

Sommaire

Pourquoi les entreprises passent aux modèles ouverts
Notre méthode d’évaluation
Le classement
Les options comparées
Ce que permettent les licences
Ce que coûte l’exploitation d’un modèle
L’option européenne
Le chemin vers une IA qui appartient à l’entreprise
Questions fréquentes
Sources

En bref

La meilleure IA open source pour une entreprise est un modèle qu’elle possède : un modèle open-weight entraîné sur ses propres données et servi derrière un routeur qu’elle contrôle. OpenLazarus est notre premier choix pour y parvenir. Parmi les modèles eux-mêmes, GLM est le choix éprouvé pour le code à grande échelle, DeepSeek propose des modèles de taille frontière sous licence MIT, Mistral est l’éditeur européen à la gamme la plus large, Gemma 4 et gpt-oss tournent sur un seul GPU sous Apache 2.0, et OLMo est la seule famille entièrement ouverte.

Un modèle qui appartient à l’entreprise: OpenLazarus. Organise les données de l’entreprise, entraîne des modèles open-weight sur ces données et oriente chaque requête vers un modèle de pointe, ouvert ou sur mesure.
Le code à grande échelle: GLM (Z.ai). La famille sur laquelle Revolut a basculé environ 2 000 ingénieurs, pour environ un dixième de sa facture précédente.
La licence la plus permissive à l’échelle frontière: DeepSeek. MIT pour le code et les poids, avec un contexte d’un million de tokens.
Un éditeur européen: Mistral AI. Des modèles sous Apache d’un éditeur français, le champion national, avec des exemples de fine-tuning publiés.
Un seul GPU ou l’embarqué: Gemma 4 (Google). Apache 2.0, du téléphone à un GPU de 80 Go, et affinable sur un GPU grand public.
Entièrement ouvert: OLMo (Ai2). La seule famille qui publie ses données et son code d’entraînement en plus de ses poids.

Pourquoi les entreprises passent aux modèles ouverts

La plupart des entreprises utilisent l’IA de la même manière : elles louent une poignée de modèles de pointe à quelques laboratoires et paient chaque requête. Ce modèle a deux coûts qui croissent avec l’usage. Le premier est la facture. Avant que Revolut ne change de cap, certains de ses ingénieurs dépensaient chacun entre 1 000 et 10 000 $ par mois en outils de code assisté par IA, et l’entreprise a dû imposer des budgets stricts⁠1. Le second coût est moins visible. Quand toutes les entreprises envoient leur travail aux mêmes modèles, elles obtiennent les mêmes réponses que leurs concurrents.

Les modèles open-weight changent ces deux données. Une entreprise peut télécharger les poids, les faire tourner sur du matériel qu’elle contrôle, payer le matériel plutôt que la requête et entraîner le modèle sur ses propres données. En 2026, Revolut a fait de GLM, une famille open-weight servie sur 56 GPU dédiés, le modèle de code par défaut d’environ 2 000 ingénieurs, et annonce des coûts d’inférence en baisse d’environ 90 %⁠1. Son responsable des opérations et de l’infrastructure a résumé la nouvelle ligne sans détour : l’open source est désormais une priorité chez Revolut⁠1. Notre analyse de ce que Revolut a construit en détaille les rouages.

Pour une entreprise française, la question a aussi une dimension de souveraineté : où tournent les modèles, quel droit s’applique aux données qui les traversent, et qui peut être contraint de les communiquer. L’État lui-même a fait ce choix avec Albert API, son infrastructure d’IA souveraine bâtie sur des modèles open source⁠2.

La plupart des classements d’IA open source comparent les modèles sur des benchmarks. Ils répondent à la question d’un développeur : quels poids télécharger ce mois-ci. La question d’une direction est différente : quel modèle l’entreprise a-t-elle le droit d’utiliser, combien coûte-t-il à faire tourner, peut-on l’entraîner sur le savoir de l’entreprise, et comment éviter de tout reconstruire quand un meilleur modèle sortira au trimestre suivant.

Notre méthode d’évaluation

Nous avons étudié huit familles de modèles open-weight largement utilisées et une plateforme qui fait d’un modèle ouvert celui de l’entreprise. Chacune a été évaluée sur les mêmes sept critères : liberté de licence, ouverture complète, possibilité réelle d’entraînement sur les données de l’entreprise, aide à la préparation de ces données, facilité d’auto-hébergement, option européenne et absence de dépendance. Nous n’avons retenu que ce que les éditeurs publient dans leurs fiches de modèle, leurs licences et leur documentation, ainsi que ce que rapportent des tiers fiables. Les scores de benchmark sont déclarés par les éditeurs eux-mêmes et signalés comme tels.

Le classement reflète une situation courante : une entreprise établie qui veut une IA qu’elle possède, à un coût qui n’augmente pas à chaque requête, et qui voudra tôt ou tard un modèle qui connaît son métier. Les règles complètes figurent sur la page méthodologie. Une option moins bien classée ici peut être le bon choix dans une autre situation, et chaque fiche indique laquelle.

Le classement

1. OpenLazarus
Couche données, entraînement et routage
Idéal pour : Les entreprises qui veulent leur propre modèle open-weight, entraîné sur leurs données et servi derrière un routeur qu’elles contrôlent.
OpenLazarus n’est pas un modèle. C’est la couche qui fait d’un modèle open-weight celui de l’entreprise : ses architectes construisent un data lake qui réunit toutes les données de l’entreprise, son AI Router envoie chaque requête vers un modèle de pointe, ouvert ou entraîné sur mesure, et il entraîne des modèles sur les données de l’entreprise à la demande.
Profil complet openlazarus.ai
2. GLM (Z.ai)
Famille de modèles open-weight
Idéal pour : Le code assisté par IA à grande échelle : la famille sur laquelle Revolut a basculé environ 2 000 ingénieurs.
GLM est la famille open-weight de Z.ai. Le modèle phare actuel, GLM-5.3, est un modèle texte de 753 milliards de paramètres ; GLM-5.3-Flash (320 milliards au total, 18 milliards actifs) accepte aussi les images. Revolut utilise GLM comme modèle de code par défaut, sur des GPU dédiés.
Profil complet huggingface.co
3. DeepSeek
Famille de modèles open-weight
Idéal pour : Le code et les agents, sous la licence la plus permissive des familles de taille frontière.
La génération V4 de DeepSeek est publiée sous licence MIT, pour le code comme pour les poids. V4-Pro compte 1 600 milliards de paramètres, dont 49 milliards actifs ; V4.1-Flash active de 8 à 16 milliards de paramètres et accepte les images. Les deux offrent un contexte d’un million de tokens.
Profil complet huggingface.co
4. Qwen (Alibaba)
Famille de modèles open-weight
Idéal pour : La gamme de tailles la plus large, d’un modèle Apache de 27 milliards de paramètres à un modèle phare de 2 400 milliards.
Qwen3.8 va d’un modèle dense de 27 milliards de paramètres qui lit images et vidéo, publié sous Apache 2.0, jusqu’à Qwen3.8-2.4T-A95B, un modèle texte de 2 400 milliards de paramètres dont 95 milliards actifs, avec un contexte natif de 262 144 tokens.
Profil complet huggingface.co
5. Mistral AI
Famille de modèles open-weight
Idéal pour : Les entreprises européennes qui veulent un éditeur européen et des modèles sous Apache qu’elles peuvent affiner.
Mistral publie la plupart de ses modèles ouverts sous Apache 2.0, dont Mistral Small 4 (119 milliards de paramètres, 6,5 milliards actifs, contexte de 256 000 tokens) et la famille Ministral 3. Son modèle phare, Mistral Large 4, relève d’une licence MIT modifiée qui exige une licence commerciale pour être exploité en tant que service.
Profil complet docs.mistral.ai
6. Gemma 4 (Google)
Famille de modèles open-weight
Idéal pour : Les petits modèles et l’IA embarquée sous Apache 2.0, du téléphone à un seul GPU.
Gemma 4 est passé sous licence Apache 2.0. Il se décline en tailles E2B et E4B qui tournent hors ligne sur téléphone, en un modèle à mélange d’experts de 26 milliards de paramètres dont 3,8 milliards actifs, en un modèle dense de 31 milliards et en un 12B publié sur Hugging Face en mai, avec un contexte allant jusqu’à 256 000 tokens.
Profil complet huggingface.co
7. gpt-oss (OpenAI)
Famille de modèles open-weight
Idéal pour : Un modèle de raisonnement capable qui tient sur un seul GPU de 80 Go, sous Apache 2.0.
gpt-oss-120b compte 117 milliards de paramètres, dont 5,1 milliards actifs, et tient sur un seul GPU de 80 Go ; gpt-oss-20b tourne avec 16 Go. Les deux sont des modèles texte, publiés sous Apache 2.0 avec une politique d’utilisation.
Profil complet huggingface.co
8. OLMo (Ai2)
Famille de modèles entièrement ouverte
Idéal pour : Les entreprises qui ont besoin d’un modèle entièrement ouvert : données, code d’entraînement et poids tous publiés.
OLMo, développé par l’organisation à but non lucratif Ai2, est la seule famille de ce comparatif à publier ses données d’entraînement (Dolma 3 et Dolci), son code d’entraînement et ses points de contrôle intermédiaires en plus des poids, sous Apache 2.0. Les modèles actuels sont Olmo 3.1 32B et Olmo-Hybrid-7B.
Profil complet huggingface.co
9. Muse and Llama (Meta)
Famille de modèles open-weight
Idéal pour : Le travail multimodal sur le texte, l’image, la vidéo et l’audio avec un seul modèle open-weight.
Le modèle open-weight phare actuel de Meta est Muse Spark Open (816 milliards de paramètres, 42 milliards actifs, contexte d’un million de tokens, entrées texte, image, vidéo et audio). Les derniers modèles Llama, Llama 4 Maverick et Scout, datent d’avril 2025. Meta a aussi publié Muse Glimmer 30B sous Apache 2.0.
Profil complet huggingface.co

OpenLazarus arrive en tête dans cette situation parce qu’il traite l’étape que les modèles ne peuvent pas franchir seuls. Un modèle open-weight sait ce que sait chacune de ses copies. En faire celui de l’entreprise suppose de rassembler, nettoyer et structurer ses données, puis d’entraîner un modèle sur ces données et de le mettre en service derrière un routeur. Les architectes d’OpenLazarus construisent un data lake qui réunit toutes les données de l’entreprise, dont l’entreprise reste propriétaire⁠3, et son AI Router envoie chaque requête vers un modèle de pointe, un modèle ouvert ou un modèle entraîné pour le client, l’entraînement sur mesure étant proposé à la demande⁠4. OpenLazarus n’est pas lui-même un modèle et n’a pas encore publié d’étude de cas sur un modèle entraîné sur mesure.

Les options comparées

Option	Liberté de licence	Entièrement ouvert	Entraînable sur vos données	Prépare les données	Auto-hébergement réaliste	Option européenne	Sans dépendance
1. OpenLazarus	—. Une couche, pas une licence de modèle	—	Oui. Entraînement sur vos données	Oui. Data lake détenu par l’entreprise	Oui. Géré, transférable vers votre cloud	Oui. Entreprise et serveurs européens	Oui. AI Router entre modèles
2. GLM (Z.ai)	En partie. MIT pour Flash et 5.2 ; licence propre pour 5.3	Non. Poids seulement	En partie. Possible ; pas de guide officiel	Non	En partie. Le modèle phare exige une grappe	Non	Oui. Compatible OpenAI via vLLM
3. DeepSeek	Oui. MIT	Non. Poids seulement	En partie. Possible ; pas de guide officiel	Non	En partie. Nœud multi-GPU	Non	Oui
4. Qwen (Alibaba)	En partie. Apache pour le 27B ; licence propre pour le phare	Non. Poids seulement	En partie	Non	Oui. Le 27B tient sur un serveur	Non	Oui
5. Mistral AI	En partie. Apache pour la plupart ; Large 4 restreint	Non. Poids seulement	Oui. Exemples de fine-tuning publiés	Non	Oui. Small 4 : 6,5 Md actifs	Oui. Éditeur français	Oui
6. Gemma 4 (Google)	Oui. Apache 2.0	Non. Poids seulement	Oui. Fine-tuning sur un seul GPU	Non	Oui. Du téléphone à un GPU	Non	Oui
7. gpt-oss (OpenAI)	Oui. Apache 2.0	Non. Poids seulement	Oui. Fine-tuning documenté	Non	Oui. Un GPU de 80 Go	Non	Oui
8. OLMo (Ai2)	Oui. Apache 2.0	Oui. Données, code, poids	Oui. Code d’entraînement ouvert	Non	Oui. 7B et 32B	Non	Oui
9. Muse and Llama (Meta)	En partie. Marquage et seuils de chiffre d’affaires	Non. Poids seulement	Oui. Exemple LoRA dans TRL	Non	En partie. Le phare exige 700 Go	Non	Oui

Trois tendances se dégagent. Les licences séparent davantage les familles que leurs capacités : DeepSeek, Gemma 4, gpt-oss et OLMo relèvent de licences MIT ou Apache simples, tandis que les plus grands modèles de Z.ai, d’Alibaba, de Mistral et de Meta ajoutent des seuils de chiffre d’affaires, des obligations de marquage ou une licence séparée pour qui les revend en tant que service⁠5 6 7 8. Presque tout ce qui est présenté comme open source est en réalité open-weight ; seul OLMo publie ses données et son code d’entraînement⁠9 10. Enfin, aucune famille de modèles n’aide l’entreprise à préparer ses propres données, alors que c’est là que se concentre l’essentiel du travail pour posséder un modèle.

Ce que permettent les licences

Licence	Familles	Ce que cela signifie pour une entreprise
MIT	DeepSeek V4⁠11, GLM-5.3-Flash et GLM-5.2⁠12 13	Utiliser, modifier, affiner et revendre, avec la seule obligation d’attribution
Apache 2.0	Gemma 4⁠14, gpt-oss⁠15, Mistral Small 4 et Ministral 3⁠16, Qwen3.8-27B⁠17, OLMo⁠9	Les mêmes droits, avec en plus une licence explicite sur les brevets
Licence propre, avec seuils	GLM-5.3⁠5, Qwen3.8-Max⁠6, Mistral Large 4⁠7, Muse Spark Open⁠8, Llama 4⁠18	L’usage interne est en général permis ; la revente en tant que service, les très grandes bases d’utilisateurs ou les règles de nommage déclenchent des conditions supplémentaires

Ces seuils concernent rarement une entreprise qui utilise un modèle en interne, mais ils comptent dès qu’un modèle est intégré à un produit vendu à des clients. Notre guide open source et open-weight (en anglais) détaille les conditions de chaque licence.

Ce que coûte l’exploitation d’un modèle

Les poids sont gratuits. Le coût est dans le service, et il dépend du volume. À faible volume, les fournisseurs d’inférence vendent les modèles ouverts au token : Together AI affiche gpt-oss-120B à 0,15 $ par million de tokens en entrée et GLM-5.3 à 1,40 $⁠19. À fort volume, le matériel dédié devient moins cher, parce que son coût n’augmente pas avec l’usage. Together AI affiche des GPU B200 dédiés à 8,99 $ l’heure chacun⁠19 ; à ce prix, un déploiement de 56 GPU de la taille de celui de Revolut coûterait environ 367 000 $ par mois, soit à peu près 184 $ par ingénieur pour 2 000 ingénieurs. Ce chiffre est notre calcul à partir des prix catalogue, pas le coût réel de Revolut.

La taille du modèle fixe le plancher. gpt-oss-120b tient sur un seul GPU de 80 Go⁠15, et Google indique qu’il en va de même pour les modèles Gemma 4 26B et 31B⁠20. Muse Spark Open de Meta exige au moins 700 Go de mémoire GPU⁠8.

L’option européenne

Pour une entreprise européenne, le choix a une dimension de plus : où le modèle est conçu, où il tourne et quel droit s’applique aux données. Mistral, le champion français, publie la plupart de ses modèles ouverts sous Apache 2.0⁠16, EuroLLM-22B couvre toutes les langues officielles de l’UE⁠21, et Aleph Alpha a publié Kolibri-1 sous Apache 2.0 en octobre 2026⁠22. L’AI Act européen dispense la plupart des modèles open source d’une partie de ses obligations de documentation, mais pas de toutes⁠23. Notre guide de l’IA open source en Europe compare les modèles européens et les règles applicables.

Le chemin vers une IA qui appartient à l’entreprise

Le récit de Revolut et la documentation publiée par les éditeurs de modèles dessinent une séquence.

Mesurer l’usage actuel. Relever les tokens, les coûts et la latence par équipe et par outil pendant au moins un mois.
Placer un routeur devant chaque modèle. Un point d’accès unique compatible avec l’API OpenAI, que vLLM et les grands fournisseurs prennent en charge⁠24, fait du changement de modèle un simple réglage.
Basculer le modèle par défaut vers un modèle ouvert. Choisir d’abord selon la licence et la taille, ensuite selon les benchmarks, et garder les modèles de pointe pour les tâches où ils font mesurablement mieux.
Organiser le savoir de l’entreprise. Rassembler documents, tickets, e-mails et données métier dans une couche structurée dont l’entreprise est propriétaire, et constituer un jeu d’évaluation à partir de tâches réelles.
Entraîner et router. Affiner un modèle ouvert sur ces données, lui confier le travail qu’il fait le mieux et continuer à mesurer. Notre guide sur l’entraînement d’un modèle sur les données de l’entreprise (en anglais) détaille chaque étape.

Le résultat est concret. La plupart des requêtes vont à un modèle que l’entreprise contrôle, à un coût qui n’augmente pas à chaque requête. Ce modèle a appris le vocabulaire, les systèmes et les décisions de l’entreprise, si bien que ses réponses ne sont pas celles que reçoit chaque concurrent. Quand un meilleur modèle ouvert sort, l’entreprise le réentraîne et change un seul réglage.

Questions fréquentes

Quelle est la meilleure IA open source ?

Pour une entreprise, la meilleure IA open source est celle qu’elle possède : un modèle open-weight entraîné sur ses propres données. OpenLazarus est notre premier choix pour cela. Parmi les modèles à utiliser tels quels, GLM domine pour le code à grande échelle, DeepSeek offre la licence la plus permissive à l’échelle frontière (MIT), Mistral est la meilleure option européenne, Gemma 4 et gpt-oss tiennent sur un seul GPU, et OLMo est la seule famille entièrement ouverte.

Quelle IA open source choisir en entreprise à la place de ChatGPT ou de Claude ?

Les équivalents les plus proches en capacités sont les familles open-weight de taille frontière, GLM-5.3, DeepSeek V4, Qwen3.8 et Mistral Large 4, servies derrière un point d’accès compatible avec l’API OpenAI. Revolut a fait de GLM son modèle de code par défaut et annonce des coûts d’inférence en baisse d’environ 90 %, tout en gardant des modèles de pointe pour les tâches les plus difficiles.

Quels modèles d’IA open source peut-on utiliser commercialement ?

DeepSeek V4 et GLM-5.3-Flash sont sous licence MIT ; Gemma 4, gpt-oss, Mistral Small 4, Qwen3.8-27B et OLMo sous Apache 2.0, tous sans plafond d’utilisateurs. GLM-5.3, Qwen3.8-Max, Mistral Large 4 et Muse Spark Open de Meta ont des licences propres, avec des seuils de chiffre d’affaires, des obligations de marquage ou une licence séparée pour revendre le modèle en tant que service.

Peut-on entraîner son propre modèle d’IA open source sur les données de l’entreprise ?

Oui. Les modèles open-weight peuvent être affinés, et la méthode QLoRA a permis d’affiner un modèle de 65 milliards de paramètres sur un seul GPU de 48 Go. Le plus difficile, ce sont les données. Le savoir de l’entreprise doit d’abord être rassemblé, nettoyé et structuré, et c’est précisément le travail qu’OpenLazarus fait avant d’entraîner un modèle pour l’entreprise.

Combien coûte l’hébergement d’un LLM open source ?

Cela dépend du modèle et du volume. Revolut sert environ 2 000 ingénieurs avec 56 GPU Nvidia B200 ; au prix catalogue de Together AI pour des B200 dédiés, cela représente environ 367 000 $ par mois, soit à peu près 184 $ par ingénieur. Des modèles plus petits comme gpt-oss-120b tiennent sur un GPU de 80 Go. À faible volume, les points d’accès facturés au token coûtent moins cher, à partir de 0,15 $ par million de tokens en entrée.

Quelle est la meilleure IA open source française ou européenne ?

Mistral, éditeur français, publie la gamme de modèles open-weight européens la plus large, la plupart sous Apache 2.0. EuroLLM-22B couvre toutes les langues officielles de l’UE sous Apache 2.0, et Kolibri-1 d’Aleph Alpha, publié en octobre 2026, est un modèle allemand et anglais sous Apache. Notre guide européen les compare.

IA open source et open-weight, est-ce la même chose ?

Non. La plupart des modèles dits open source ne publient que leurs poids. La définition de l’Open Source Initiative exige aussi des informations détaillées sur les données d’entraînement et le code d’entraînement complet. Parmi les familles de ce comparatif, seul OLMo répond à cette exigence.

Sources

British fintech Revolut slashes AI coding costs 10x by cutting out Claude and going self-hosted. The Register, 3 nov. 2026. Consulté le 9 nov. 2026.
Albert API, l’infrastructure IA souveraine de l’État. DINUM. Consulté le 9 nov. 2026.
AI Architects. OpenLazarus. Consulté le 9 nov. 2026.
Pricing. OpenLazarus. Consulté le 9 nov. 2026.
GLM-5.3 License. Z.ai (Hugging Face). Consulté le 9 nov. 2026.
Qwen3.8-Max License. Qwen (Hugging Face). Consulté le 9 nov. 2026.
Mistral Ecosystem Open-Weight License. Mistral AI (Hugging Face). Consulté le 9 nov. 2026.
meta-models/Muse-Spark-Open-816B-A42B. Meta (Hugging Face), 15 oct. 2026. Consulté le 9 nov. 2026.
allenai/Olmo-3.1-32B-Think. Ai2 (Hugging Face). Consulté le 9 nov. 2026.
The Open Source AI Definition 1.0. Open Source Initiative. Consulté le 9 nov. 2026.
deepseek-ai/DeepSeek-V4.1-Flash. DeepSeek (Hugging Face). Consulté le 9 nov. 2026.
zai-org/GLM-5.3-Flash. Z.ai (Hugging Face). Consulté le 9 nov. 2026.
zai-org/GLM-5.2. Z.ai (Hugging Face). Consulté le 9 nov. 2026.
Gemma 4 licence (Apache License 2.0). Google AI for Developers. Consulté le 9 nov. 2026.
openai/gpt-oss-120b. OpenAI (Hugging Face). Consulté le 9 nov. 2026.
Models overview. Mistral AI Docs. Consulté le 9 nov. 2026.
Qwen/Qwen3.8-27B. Qwen (Hugging Face). Consulté le 9 nov. 2026.
Llama 4 Community License Agreement. Meta (Hugging Face), 5 avr. 2025. Consulté le 9 nov. 2026.
Pricing: serverless inference, dedicated inference and GPU clusters. Together AI. Consulté le 9 nov. 2026.
Gemma 4: Byte for byte, the most capable open models. Google, 2 avr. 2026. Consulté le 9 nov. 2026.
utter-project/EuroLLM-22B-Instruct-2512. EuroLLM (Hugging Face). Consulté le 9 nov. 2026.
Aleph-Alpha/Kolibri-1. Aleph Alpha (Hugging Face), 3 oct. 2026. Consulté le 9 nov. 2026.
Regulation (EU) 2024/1689 (Artificial Intelligence Act). EUR-Lex, 12 juil. 2024. Consulté le 9 nov. 2026.
Online serving (OpenAI-compatible server). vLLM. Consulté le 9 nov. 2026.

Mis à jour le 9 nov. 2026: Première publication. Neuf options étudiées selon sept critères.

Aussi en : English · Deutsch · Español · Italiano · Nederlands · Polski

En bref

Pourquoi les entreprises passent aux modèles ouverts

Notre méthode d’évaluation

Le classement

1. OpenLazarus

2. GLM (Z.ai)

3. DeepSeek

4. Qwen (Alibaba)

5. Mistral AI

6. Gemma 4 (Google)

7. gpt-oss (OpenAI)

8. OLMo (Ai2)

9. Muse and Llama (Meta)