Modèles ouverts, mi-2026 : qui mène aujourd'hui et pourquoi la licence compte plus que le podium

Suivre les sorties de modèles open-weight en 2026 est devenu un travail à temps plein : presque chaque mois, un nouveau modèle revendique la première place d'un classement. Mais pour qui doit décider d'une architecture IA en entreprise, la question utile n'est pas « qui gagne aujourd'hui », mais ce qui a changé structurellement — et quelle part de ce changement compte vraiment pour la conformité et le contrôle des données.

Le podium a changé, et pas qu'un peu

Durant le premier semestre, le sommet du classement open-weight a bougé plusieurs fois. GLM-5.2 de Z.ai (744 milliards de paramètres MoE, 40 milliards actifs par token, licence MIT, contexte jusqu'à 1 million de tokens) figure aujourd'hui parmi les plus performants sur le raisonnement long et le coding. Moonshot a répondu avec Kimi K2.7 Code, orienté coding agentique. DeepSeek V4 Pro reste une référence en mathématiques et en code, toujours sous licence permissive. MiniMax M3 est le premier modèle ouvert à combiner des capacités d'ingénierie logicielle de niveau frontier avec une fenêtre de contexte d'1 million de tokens et des fonctionnalités natives de computer use multimodal. Qwen d'Alibaba, avec la série 3.5, reste parmi les plus solides en multilinguisme et en coding, sous licence Apache 2.0. Llama de Meta et Mistral restent des choix solides et bien soutenus par l'écosystème, mais ne dominent plus les classements comme il y a un an.

Un fait ressort davantage que les scores eux-mêmes : la plupart de ces nouveaux modèles de référence viennent de laboratoires chinois — DeepSeek, Moonshot, Zhipu/Z.ai, Alibaba — plutôt que de Meta ou de laboratoires européens. Ce basculement mérite d'être noté, mais il ne doit pas occulter la question qui compte vraiment pour une entreprise régulée : d'où vient un modèle est une question différente de où vous l'exécutez et où restent vos données.

La vraie nouvelle n'est pas le podium, c'est la licence

Presque tous les nouveaux modèles en tête des classements — GLM-5.2, DeepSeek V4 Pro, la famille Qwen — sont publiés sous des licences réellement permissives, MIT ou Apache 2.0 : usage commercial libre, peu de restrictions, aucun seuil caché lié aux utilisateurs ou au chiffre d'affaires. C'est une différence concrète par rapport à des licences comme la Llama Community License, qui impose des conditions spécifiques au-delà de certains seuils d'utilisation.

Cette différence est aussi devenue une question réglementaire, pas seulement commerciale : le groupe consultatif externe de l'AI Office européen a conclu en janvier 2026 que la Llama Community License ne remplit pas les conditions de « licence libre et ouverte » requises pour l'exemption open source de l'AI Act. En pratique, qualifier un modèle d'« ouvert » ne suffit plus à déterminer s'il relève du régime allégé prévu par la réglementation — il faut lire la licence spécifique de chaque sortie, sans se fier à l'étiquette.

Pourquoi cela compte maintenant, pas dans un an

Les obligations de l'AI Act pour les modèles à usage général s'appliquent depuis août 2025, mais c'est à partir d'août 2026 — dans quelques semaines, au moment où nous écrivons ces lignes — que les sanctions commencent à s'appliquer. Et c'est un point que beaucoup d'entreprises sous-estiment encore : choisir un modèle ouvert ne transfère pas automatiquement la responsabilité de conformité au laboratoire qui l'a publié. La réglementation attribue explicitement cette responsabilité à celui qui met le système sur le marché ou le met en service au sein de l'Union européenne — dans la pratique, à vous.

Ce qui change pour une entreprise suisse qui évalue l'IA aujourd'hui

• Plus de choix à qualité égale : avec davantage de familles de modèles solides sous licence réellement permissive, une architecture open-first se justifie aujourd'hui plus facilement sur le plan technique, pas seulement par principe.
• La licence doit être vérifiée sortie par sortie : l'étiquette « ouvert » seule ne garantit plus rien, ni sur le plan commercial ni au regard de l'AI Act.
• L'origine du modèle et le lieu d'exécution sont deux questions distinctes : un modèle ouvert développé ailleurs, exécuté sur votre propre infrastructure ou un cloud souverain suisse, avec des données qui ne quittent jamais ce périmètre, est un choix pleinement différent de s'en remettre à une API étrangère — même lorsque le modèle provient du même laboratoire.
• Les échéances réglementaires se rapprochent : avec les sanctions de l'AI Act en approche, vérifier maintenant la conformité de son architecture coûte bien moins cher que découvrir un problème plus tard.

C'est exactement le travail que nous faisons chaque semaine avec nos clients : suivre ces sorties, lire les licences avant qu'elles ne deviennent un problème, et construire une architecture où le bon modèle tourne là où il doit tourner — avec des données qui restent les vôtres, quel que soit le laboratoire qui a entraîné le modèle.