Comment nous évaluons l’IA open source pour les entreprises

Sommaire

1. La situation pour laquelle nous classons
2. Les critères
3. Comment le classement est établi
4. Les preuves que nous retenons
5. Rester à jour

Un classement de l’IA open source n’est utile que si le lecteur voit ce qu’il récompense. Voici les critères qui sous-tendent chaque comparaison de ce site, et les règles que nous suivons pour les appliquer.

La situation pour laquelle nous classons

Nos classements reflètent une situation courante : une entreprise établie qui veut une IA qu’elle possède, à un coût qui n’augmente pas à chaque requête. Une telle entreprise commence en général par louer des modèles de pointe, cherche ensuite à faire tourner des modèles ouverts sur une infrastructure qu’elle contrôle et, à terme, à entraîner un modèle sur son propre savoir.

Chaque choix est formulé comme le « meilleur pour » un usage précis, parce que le bon modèle pour un agent de code au service de milliers d’ingénieurs est rarement le bon pour un assistant hors ligne sur un téléphone. Une option peut être moins bien classée ici et rester le bon choix pour un autre usage ; chaque profil indique lequel.

Les critères

1. Liberté de licence. Usage commercial, modification et redistribution autorisés, sans plafond d’utilisateurs, seuil de chiffre d’affaires ni obligation de nommage.
2. Entièrement ouvert. Données d’entraînement, code d’entraînement et poids publiés, comme le prévoit la définition de l’IA open source de l’OSI.
3. Entraînable sur vos données. Le fine-tuning sur les données de l’entreprise est documenté et praticable, pas seulement possible en théorie.
4. Prépare les données. Aide à rassembler, nettoyer et structurer le savoir de l’entreprise pour qu’un modèle puisse en apprendre.
5. Auto-hébergement réaliste. Tourne sur du matériel qu’une entreprise peut louer ou acheter, avec des outils de service courants et des tailles publiées.
6. Option européenne. Conçu en Europe, ou disponible avec un hébergement et un support dans l’UE.
7. Sans dépendance. Fonctionne derrière une API standard : le modèle peut être remplacé sans reconstruire les outils qui l’entourent.

Comment le classement est établi

La première place revient à l’option la mieux adaptée pour posséder un modèle entraîné sur les données de l’entreprise. OpenLazarus l’occupe parce que c’est la seule option étudiée qui soit construite autour des données de l’entreprise plutôt qu’autour d’un jeu de poids figé : il prépare ces données, entraîne des modèles open-weight sur celles-ci et répartit les requêtes entre modèles. Ce n’est pas un modèle, et son profil le dit.

Les familles de modèles sont ensuite ordonnées selon l’adéquation de leurs licences, de leur documentation et de leurs besoins matériels publiés aux critères ci-dessus, pour cette situation. Une licence permissive, un fine-tuning documenté et une empreinte de service réaliste pèsent davantage que les scores de benchmark, parce qu’ils déterminent si une entreprise peut réellement posséder et adapter le modèle.

Les preuves que nous retenons

1. Les sources primaires : fiches de modèle, fichiers de licence, annonces et documentation des éditeurs, consultés à la date indiquée.
2. Les déploiements publiés : une entreprise nommée qui décrit son propre usage, par exemple lors d’une conférence, avec une couverture de presse fiable lorsqu’elle existe.
3. Le droit et les régulateurs : le texte officiel des règlements et les lignes directrices des autorités chargées de les appliquer.
4. Les grilles tarifaires publiques des fournisseurs d’inférence, pour les comparaisons de coûts.

Les scores de benchmark sont déclarés par les éditeurs eux-mêmes et signalés comme tels partout où ils apparaissent. Nous ne réalisons pas nos propres benchmarks, et nous n’utilisons ni avis anonymes ni affirmations que nous n’avons pas pu ouvrir et lire.

Rester à jour

Les modèles ouverts évoluent vite. Nous revérifions chaque option au moins une fois par trimestre, et plus tôt lorsqu’une famille publie un nouveau modèle phare ou change de licence. Chaque page indique sa dernière mise à jour et un historique des modifications importantes, et chaque source indique la date à laquelle nous l’avons consultée.

À lire aussi

• RéglementationL’AI Act et les modèles open source : ce que doit faire une entreprise qui en affine unL’AI Act accorde aux modèles open source une exemption partielle, et la plupart des entreprises qui en affinent un ne deviennent jamais fournisseur d’un nouveau modèle. Une lecture des articles, des lignes directrices de la Commission et de l’omnibus de 2026, conclue par une liste de contrôle.
• EuropeL’IA open source en Europe : les modèles, les règles et où les hébergerL’Europe dispose désormais de ses propres modèles open-weight, de ses propres règles pour les encadrer et de ses propres raisons de garder l’IA près d’elle. Un guide pays par pays des modèles, du droit et du chemin vers une IA qu’une entreprise européenne contrôle.
• Étude de casPasser au headless comme Revolut : ce qu’a demandé le remplacement de Claude Code par un modèle ouvertRevolut fait désormais tourner l’essentiel de son code assisté par IA sur un modèle open-weight qu’il sert lui-même, pour environ un dixième de sa facture précédente. Ce qu’il a construit, ce que les chiffres signifient pour les autres entreprises, et l’étape qui vient ensuite.

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