Frontière, open source, open weight, fermé : ce que ces mots veulent vraiment dire en IA

"Modèle frontière" et "modèle open source" reviennent dans les mêmes conversations comme s'ils répondaient à la même question. Ce n'est pas le cas. Le premier mesure une capacité. Les trois autres (open source, open weight, fermé) mesurent une licence. Confondre les deux axes fait dire n'importe quoi sur ce qu'un modèle peut ou ne peut pas faire, et sur qui peut l'auditer.

Modèle frontière : la définition par la capacité de calcul, pas la licence

Un modèle frontière est un modèle situé à la limite des capacités connues, généralement entraîné avec les plus gros budgets de calcul disponibles. Le règlement européen sur l'IA (AI Act) en donne une définition chiffrée pour les modèles à usage général : à l'article 51, un modèle est présumé présenter un risque systémique dès lors que le calcul cumulé utilisé pour son entraînement dépasse 10^25 opérations en virgule flottante. La Commission européenne garde la main pour désigner, au cas par cas, des modèles sous ce seuil comme systémiquement risqués si leurs capacités le justifient.

Le Frontier Model Forum, qui réunit OpenAI, Anthropic, Google DeepMind et Microsoft, structure ses engagements volontaires autour de trois familles de risques catastrophiques : les menaces chimiques, biologiques, radiologiques et nucléaires, les capacités cyber avancées, et les comportements autonomes avancés. Rien, dans aucune de ces définitions, ne porte sur la disponibilité des poids du modèle ou sur sa licence. La frontière se mesure en calcul et en capacités, pas en droits d'usage.

Open weight : poids téléchargeables, données d'entraînement fermées

Un modèle open weight met à disposition les poids entraînés : on peut les télécharger, faire tourner le modèle localement, l'affiner, construire un produit dessus, sous réserve des termes de la licence. Ce qui manque, c'est la recette : le code d'entraînement complet et le détail des données utilisées, qui restent la plupart du temps propriétaires. C'est une limite différente de celle que documente BitNet, l'inférence 1-bit de Microsoft : là, ce n'est pas la licence qui restreint la réutilisation, c'est l'obligation d'un entraînement natif en poids ternaires, impossible à obtenir par conversion d'un modèle déjà publié.

C'est la catégorie qui pose le plus de confusion, parce que c'est celle où se range la quasi-totalité des modèles présentés comme "open source" dans la presse et le marketing : Llama, DeepSeek, Qwen, Kimi. Le cas Llama illustre bien la nuance : sa licence impose une clause de restriction commerciale au-delà de 700 millions d'utilisateurs actifs mensuels et une politique d'usage acceptable, ce qui la rapproche davantage d'une licence "source disponible" à conditions que d'une licence réellement ouverte.

Open source IA au sens strict : la définition OSAID de l'Open Source Initiative

L'Open Source Initiative (OSI), l'organisation qui définit historiquement ce que "open source" veut dire pour le logiciel, a publié en octobre 2024 sa définition pour l'IA (Open Source AI Definition, OSAID 1.0). Elle exige les poids du modèle, le code d'entraînement complet, et des informations suffisamment détaillées sur les données pour permettre de reconstruire et d'auditer le modèle, sans imposer la republication brute du jeu de données lui-même, souvent impossible pour des raisons de droit d'auteur ou de vie privée.

À cette aune, presque aucun modèle grand public ne qualifie. Llama 4, DeepSeek R1, Qwen 3.5 ou Mistral Large 3 publient des poids mais pas leurs données d'entraînement complètes. Les modèles qui respectent réellement la définition OSAID (Pythia, OLMo, T5) ne sont pas ceux qui dominent les classements de performance. DeepSeek se distingue tout de même sur sa génération V4, qui publie code et poids sous licence MIT, permissive, une des configurations les plus proches de l'esprit open source, même si la transparence complète sur les données d'entraînement reste, comme chez les autres, un point qui n'est pas pleinement documenté publiquement.

Modèle fermé : accès par API, poids inaccessibles

Un modèle fermé ne se manipule qu'à travers une API : les poids restent dans les centres de données du fournisseur, impossibles à inspecter, à affiner directement ou à faire migrer sans tout réécrire de son côté. C'est la configuration de la plupart des modèles de frontière actuels commercialisés par les laboratoires occidentaux fermés.

Frontière et licence : deux axes indépendants, la preuve par Kimi K3

C'est le point que la confusion générale masque le plus systématiquement : frontière/non-frontière et ouvert/fermé sont deux axes indépendants, pas un seul continuum où "ouvert" voudrait dire "moins capable". Kimi K3, le modèle de Moonshot AI publié en juillet 2026, est à la fois open weight et frontière : il se classe 4e sur l'Artificial Analysis Intelligence Index, devant des modèles fermés bien établis, tout en publiant ses poids en accès libre. Un modèle peut donc être frontière et fermé (la plupart des modèles américains de pointe), frontière et open weight (Kimi K3), non-frontière et open weight (la plupart des petits modèles Llama ou Mistral), ou non-frontière et fermé (de nombreux modèles propriétaires de taille modeste). Les quatre cases existent.

Pourquoi la confusion entre open source et open weight arrange (presque) tout le monde

Présenter un modèle open weight comme "open source" tout court permet à un laboratoire de capter la bienveillance associée à l'ouverture sans se soumettre à l'audit complet que l'open source, au sens strict, impliquerait. Du côté réglementaire, mesurer la frontière par le calcul d'entraînement plutôt que par la licence a l'avantage de ne pas pouvoir être contourné en changeant simplement les conditions de distribution d'un modèle : un modèle qui dépasse 10^25 FLOPs reste soumis aux mêmes obligations, qu'il publie ses poids ou non.

Open source, open weight, frontière : les questions à poser face à un modèle d'IA

Face à un modèle présenté comme "open source", la bonne question n'est pas "est-il gratuit" ou "peut-on le télécharger", mais trois questions séparées : les poids sont-ils publiés, le code d'entraînement est-il publié, et la licence impose-t-elle des restrictions d'usage au-delà d'un simple copyright permissif. Face à un modèle présenté comme "de frontière", la question de la licence ne dit rien de sa capacité réelle : un modèle open weight peut très bien être un modèle de frontière, et inversement un modèle fermé n'est pas automatiquement plus capable qu'une alternative ouverte.

Sur les implications stratégiques de cette distinction pour la France, voir aussi mon article sur Kimi K3 et la nouvelle géopolitique de l'IA. Et sur ce que ça change concrètement pour une entreprise qui envisagerait d'héberger elle-même un modèle open weight comme Kimi K3, avec le calcul de coût réel, voir déployer une IA en local : possible pour presque toutes les entreprises, nécessaire pour presque aucune.

Sources : Moesif, guide pratique de l'IA open source en 2026 ; Open Source Initiative, Open Source AI Definition 1.0 ; Institute for Law & AI, définitions juridiques du modèle de frontière ; GEO Toolbox, open weights contre open source.