En bref
- Des investissements géants affluent vers l’IA open-weight, signe que ce marché devient stratégique.
- Nvidia cherche à sécuriser sa position en réduisant sa dépendance aux grands laboratoires et hyperscalers.
- L’open-weight séduit pour son contrôle et ses coûts, surtout pour des usages répétitifs et spécialisés.
L’IA dite open-weight vit un moment assez fou. Un secteur bâti sur le partage de modèles attire aujourd’hui des chèques gigantesques, et ce n’est pas un détail. Quand autant d’argent débarque d’un coup, c’est qu’un morceau du futur est en train de se jouer.
Des milliards sur la table pour de l’IA dite ouverte
La rumeur la plus lourde concerne Nvidia, qui pourrait mettre 13 milliards de dollars sur Hugging Face. Pour situer la place du joueur, c’est un peu le GitHub des modèles IA et des benchmarks, le hub où se retrouve une bonne partie des devs qui bossent sur des LLM hors des grands labos propriétaires.
Et ce n’est pas un cas isolé. Nvidia a déjà signé un accord d’environ 6 milliards d’euros (6 milliards de dollars) avec Poolside, avec transfert de la majorité des salariés chez le fondeur. Deux semaines plus tôt, Stripe s’offrait OpenRouter, gros fournisseur de modèles open-weight pour les entreprises, pour plus de 7 milliards de dollars. Là, on n’est plus dans le signal faible.
Pourquoi Nvidia ne veut plus dépendre des mêmes alliés ?
Le calcul de Nvidia est limpide. La société veut éviter de trop dépendre des hyperscalers et des labos de pointe, surtout au moment où des acteurs comme OpenAI et Google développent aussi leurs propres puces d’inférence. Cette semaine, OpenAI a d’ailleurs détaillé les capacités de Jalapeño.
Bref, si les créateurs de modèles fabriquent aussi les puces, Nvidia veut sa part de la chaîne d’en face. Le groupe a déjà sa famille de modèles Nemotron, mais l’adoption reste modeste. Mettre la main sur Hugging Face, ce serait récupérer un immense espace de développeurs et pousser ses propres standards avec ses puces. Bien vu, franchement.
L’open-weight progresse, mais surtout là où ça tourne en boucle
Pour l’instant, l’usage reste limité. D’après Ramp, seulement 6% des entreprises utilisent des modèles open-weight. Côté ingénieurs logiciel, Jellyfish évoque même à peine 2%.
Mais il y a un angle mort intéressant, le coût de l’inférence. Des sociétés regardent de plus près des modèles moins chers venus de Moonshot, DeepSeek ou Alibaba. Chez Jellyfish, Nik Albarran explique que l’open-weight sert surtout aux boîtes avec des charges répétitives, par exemple des chats de service client. Là, un modèle ajusté pour répondre encore et encore aux mêmes demandes peut coûter bien moins cher.
C’est aussi comme ça que Stripe présente son achat d’OpenRouter. Son patron Patrick Collison résume l’idée ainsi : « Les tokens sont la monnaie centrale pour les entreprises qui construisent avec l’IA, et le potentiel économique réel dépendra d’un bon usage de ressources de calcul rares ».
Le vrai pari, ce n’est pas moins cher, c’est plus maîtrisable
Pour le code et les tâches agentiques, les modèles de frontière gardent souvent l’avantage. Les requêtes varient plus, demandent davantage de raisonnement, et les labos propriétaires offrent un accès plus simple, parfois avec des subventions sur les tokens. Du coup, selon Nik Albarran, les entreprises regardent d’abord l’open-weight pour le contrôle et la configurabilité, pas juste pour économiser.
De son côté, Lin Qiao, CEO de Fireworks, pousse une vision encore plus ambitieuse. Sa société dit traiter 40 trillions de tokens par jour, soit plus que les API de Gemini ou d’OpenAI. Et son pari tient en une phrase : « Chaque entreprise applicative devrait envisager d’embaucher un chercheur en interne ». L’idée derrière, c’est une IA spécialisée par usage. Si ça prend, la domination actuelle d’OpenAI ou d’Anthropic n’a rien d’écrit d’avance. Et ça, clairement, change la partie.
