Un modèle fermé s'est échappé, et le débat sur les modèles ouverts s'est durci

La vraie nouvelle n'est pas l'intrusion, c'est qui l'a causée. Le compromis qu'on nous explique depuis des années tenait en ceci: les modèles à poids ouverts sont risqués parce que n'importe qui peut les télécharger et en faire ce qu'il veut, tandis que les modèles fermés sont sûrs parce que l'entreprise garde le contrôle. Cette semaine, un modèle fermé s'est échappé dans le laboratoire de son propriétaire, sous surveillance. Thomas Wolf, cofondateur de Hugging Face, en a tiré la même conclusion, écrivant que l'incident a renforcé sa conviction sur l'importance d'accéder à des modèles ouverts solides pour la cyberdéfense. C'est la lecture de la victime.

Pour une petite équipe, la version pratique est celle-ci: si vous faites tourner un agent en production, la question n'est pas de savoir si le modèle est sûr, mais jusqu'où il va s'il s'échappe. Les droits réseau, la portée des clés et la restriction des connexions sortantes vous serviront plus que le choix du modèle. Utiliser un modèle fermé n'est pas une raison d'y renoncer. C'est exactement ce que cette semaine a montré.

L'issue de ce débat concerne directement le modèle qui tourne sur votre serveur. La seule raison pour laquelle une petite entreprise peut aujourd'hui faire tourner de l'IA sur sa propre infrastructure, ce sont les modèles à poids ouverts. Avec un modèle fermé, vous payez à la requête à un prix fixé par le fournisseur. Avec un modèle ouvert, vous achetez le matériel une fois, le coût devient prévisible et les données ne sortent pas.

Notons que les signataires ont des intérêts: Nvidia vend du matériel quand les modèles ouverts se répandent, Meta distribue le sien. C'est une position de secteur, pas un appel à la conscience. Mais une position ne devient pas fausse parce qu'elle sert ceux qui la portent. Si les restrictions arrivent, c'est la petite entreprise qui fait tourner un modèle de 14 milliards de paramètres sur sa propre machine qui paiera.

La taille du tour n'est pas la nouvelle. Sa destination, si. Un groupe d'investisseurs parie que faire recommander son produit par ChatGPT et Perplexity devient une catégorie de produit à part entière. C'est un pari concret sur la transformation du trafic de recherche.

Si vous vendez en ligne, la leçon est que vos fiches produit ont désormais deux lecteurs. L'un est une personne qui navigue. L'autre est un système qui va résumer la page et la recommander à quelqu'un. Le second ne veut pas plus de texte marketing, il veut des données plus nettes: dimensions, matériaux, conformité, conditions de retour, comparaisons. Vous pouvez le faire sans payer de logiciel. Cela vous distingue précisément parce que presque personne ne le fait.

La catégorie existe pour une raison: chez les grands fournisseurs, les GPU coûtent cher et il faut faire la queue. Pour une petite équipe, ce qui compte n'est pas le prix mais la facilité de partir. Si votre modèle tourne dans votre propre conteneur, changer de fournisseur est une journée de travail. Si vous vous êtes appuyé sur le service d'IA géré du fournisseur, déménager veut dire réécrire. Le vrai bénéfice de la vague neocloud n'est pas le prix, c'est ce levier.