Où se crée la valeur de l'IA ? Trois signaux pour décider sans parier sur un fournisseur

Par Paul-Antoine TUAL · AI Transformation Leader, Croissance et Transitions · Juin 2026, révisé en septembre 2026.

Les annonces de 2026 ne prouvent pas que toute l’IA se banalise, mais elles rendent fragile une stratégie fondée sur la rareté durable d’un modèle, d’une machine ou d’un logiciel précis.

• Des modèles open-weight rejoignent régulièrement les solutions fermées sur certaines évaluations, dont la portée varie avec le protocole.
• Des modèles compacts exécutent désormais des flux multimodaux et agentiques sur du matériel personnel compatible.
• Les mécanismes d’orchestration deviennent plus faciles à observer, réimplémenter et remplacer.
• La décision utile consiste donc à tester où se trouve votre dépendance, puis à investir dans les actifs qui survivent à un changement de fournisseur.

1. Les modèles ouverts élargissent le choix sans abolir les écarts

La sortie de GLM-5.1 et l’estimation d’Epoch AI d’un retard moyen d’environ quatre mois pour les meilleurs modèles ouverts illustrent un rapprochement réel, sans établir une équivalence générale entre licences, tâches ou modes de déploiement [1][2].

• Z.ai présente GLM-5.1 comme un modèle open-weight conçu pour des tâches longues et l’usage d’outils ; ces caractéristiques viennent de l’éditeur et doivent être confirmées sur le terrain [1].
• L’indice d’Epoch AI agrège plusieurs évaluations et comporte des limites explicites, notamment l’accès incomplet aux modèles et benchmarks privés [2].
• Un score ponctuel ne renseigne pas directement sur la stabilité de l’API, la confidentialité, la latence, le coût ni les erreurs graves dans votre processus.
• L’écart utile se mesure sur un jeu de cas représentatifs, avec les mêmes outils, consignes et critères d’acceptation.

Les anciens chiffres de SWE-bench ne peuvent plus soutenir une hiérarchie durable, car OpenAI a retiré SWE-bench Verified de ses évaluations de pointe en février 2026 puis sa recommandation de SWE-bench Pro en juillet après avoir identifié des défauts importants dans les tâches [3][4].

• Un classement reste un relevé daté d’un protocole donné.
• Une différence de quelques points peut provenir du harness, du budget de calcul ou d’un intervalle d’incertitude.
• Une entreprise doit conserver l’historique de ses propres régressions au lieu de remplacer son architecture à chaque publication.

La baisse du prix d’une capacité donnée renforce la substituabilité des modèles, mais elle ne garantit aucune baisse de facture tant que l’usage, les reprises et le contrôle humain ne sont pas comptés.

• Le prix par token compare une unité facturée dans des conditions précises.
• Le coût total du flux ajoute volume, appels d’outils, infrastructure, observabilité et travail humain.
• Le coût par résultat accepté divise ce total par les dossiers réellement validés et constitue le bon indicateur de pilotage.

2. L’exécution locale devient une option, pas une règle d’achat

Gemma 4 12B montre qu’un modèle multimodal orienté vers les agents peut fonctionner sur un ordinateur équipé de 16 Go de VRAM ou de mémoire unifiée, ce qui ouvre des scénarios locaux sans démontrer qu’un portable suffit à tous les usages [5][6].

• Google documente la vision, l’audio natif et l’exécution locale du modèle, ainsi que des exemples de traitement et d’usage d’outils sur ordinateur [5][6].
• La mémoire annoncée décrit la possibilité d’exécuter le modèle ; elle ne garantit ni débit, ni autonomie, ni qualité applicative.
• Les besoins de raisonnement, de contexte, de simultanéité et de disponibilité peuvent toujours justifier une API ou une infrastructure plus importante.
• Une donnée sensible ne devient pas automatiquement sûre parce que le calcul est local : les accès, journaux, sauvegardes et mises à jour restent à gouverner.

Le position paper de chercheurs de NVIDIA propose que 80 à 90 % des appels d’un système agentique puissent être confiés à de petits modèles, mais ce chiffre est une hypothèse d’architecture à tester et non une mesure représentative de toutes les entreprises [7].

• Les appels d’outils simples, le routage et les transformations structurées sont de bons candidats à un modèle compact.
• Les cas ambigus, rares ou à fort impact peuvent être escaladés vers un modèle plus capable ou un humain.
• La part réellement routable dépend du corpus, de l’agent, des seuils d’acceptation et du coût des erreurs.

La quantification peut réduire l’empreinte mémoire de certains composants, mais ses gains doivent rester attachés au modèle, au nombre de bits, au matériel et au benchmark effectivement testés [8].

• Google Research rapporte pour TurboQuant des résultats sur la compression du cache KV et la recherche vectorielle, avec plusieurs modèles et tests de long contexte [8].
• Ces résultats ne prouvent pas qu’un modèle autrefois réservé à un cluster conserve toute sa qualité sur n’importe quel poste de travail.
• Une comparaison local/cloud doit mesurer consommation électrique, administration, disponibilité, amortissement et coût d’opportunité, en plus du prix des tokens.

3. Le code d’orchestration circule vite, mais l’exploitation reste difficile

L’épisode du source map de Claude Code rapporté par Zscaler, suivi par l’apparition de réimplémentations publiques, montre que des choix d’architecture peuvent se diffuser rapidement sans prouver que toute la valeur d’un produit est clonable en une nuit [9][10].

• Les boucles de planification, les appels d’outils et les modèles de permission peuvent être étudiés puis reconstruits.
• La marque, la distribution et l’expérience utilisateur ne se copient pas avec un dépôt de code.
• La sécurité, les évaluations, les connecteurs, le support et la cadence de maintenance demandent un travail récurrent.
• La barrière défendable réside donc dans le système opéré et son adoption, plutôt que dans le secret d’un harness isolé.

4. Les laboratoires vendent plusieurs formes de valeur

Réduire les laboratoires à des loueurs de calcul serait prématuré, car leur position dépend aussi de la recherche, de la distribution, de la sûreté, des produits intégrés, des contrats et de leur capacité à exploiter les modèles à grande échelle.

• La concurrence sur les prix d’API peut comprimer une composante de marge sans déterminer la rentabilité d’une entreprise entière.
• Un modèle avancé peut conserver une prime sur une tâche exigeante même si une solution compacte suffit ailleurs.
• Les données d’usage, l’écosystème développeur, la marque et les garanties contractuelles créent des coûts de changement réels.
• Les chiffres privés de revenus, de marges ou de valorisation ne permettent pas une conclusion solide sans comptes comparables et audités.

Le partenariat annoncé par IBM et Google Cloud en juin 2026 apporte un signal plus borné : mettre des agents en production exige des compétences de secteur, de modernisation, de gouvernance et d’intégration en plus du modèle [11].

• IBM annonce une pratique mondiale réunissant plusieurs milliers de consultants certifiés Google Cloud [11].
• Le communiqué décrit des agents, des données, de la cybersécurité, du cloud hybride et de la résilience opérationnelle.
• Il s’agit d’une déclaration commerciale des partenaires, qui documente leur offre mais ne prouve pas que tous les acteurs convergeront vers le conseil.

5. Cartographier les actifs qui résistent au changement de modèle

La question utile consiste à identifier pour chaque couche la pression concurrentielle, la dépendance créée et la preuve exigée avant d’investir, sans prédire une migration certaine de la valeur.

• Examinez séparément les six couches afin d’éviter qu’un prix de modèle masque le coût du système complet.
• Convertissez chaque dépendance détectée en actif interne, critère contractuel ou solution de repli.

Couche	Pression à examiner	Actif durable à construire
Calcul et hébergement	Prix, capacité, disponibilité, énergie	Architecture dimensionnée et options de repli
Modèle	Qualité datée, prix unitaire, politique de version	Évaluation interne et interface remplaçable
Logiciel agentique	Copiabilité des fonctions, dépendance aux API	Connecteurs maintenus, contrôles et observabilité
Données	Qualité, droits, fraîcheur, accès	Corpus gouverné et traçable
Processus	Coût des erreurs, acceptation, délais	Règles, seuils et reprise humaine
Compétences	Dépendance au prestataire, capacité d’exploitation	Équipe formée et responsabilités explicites

Une PME gagne en résilience lorsqu’elle achète une capacité réversible et garde chez elle la définition du résultat attendu, les données autorisées et les preuves de qualité.

• Versionnez les cas de test, les consignes et les sorties acceptées.
• Isolez l’appel au modèle derrière une interface que vous contrôlez.
• Mesurez le coût par dossier accepté et le temps de validation humaine.
• Négociez la restitution des données, les délais de migration et un scénario de repli.

Trois questions de direction : quelle part du flux a réellement besoin du modèle le plus capable, que perdrait l’entreprise si le fournisseur changeait demain, et quel actif interne s’améliore à chaque dossier traité ?

6. Ce que ces signaux permettent de conclure — et leurs limites

Ces signaux justifient une discipline d’achat et une vigilance sur les dépendances, mais ils ne permettent ni de dater une correction financière ni d’affirmer quelles couches gagneront ou perdront mécaniquement de la valeur.

• Les performances, tarifs et parts de marché évoluent à des rythmes différents.
• Une entreprise cotée combine souvent plusieurs couches de la chaîne et plusieurs sources de revenus.
• Une bonne décision opérationnelle peut rester pertinente quel que soit le scénario boursier : tester, limiter l’enfermement et capitaliser sur les actifs internes.
• Toute décision d’investissement financier exige des informations réglementées et un conseil adapté à la situation de l’investisseur.

Passer du signal à une première décision

L’audit gratuit de maturité IA Junyr est un échange vidéo de 30 minutes, sans engagement, qui situe l’entreprise sur l’échelle, identifie le principal blocage et le premier projet raisonnable, puis donne lieu à une synthèse d’une page.

• Préparez un processus candidat, son volume et deux exemples de dossiers.
• Utilisez l’échange pour décider quoi mesurer avant de choisir un modèle ou une infrastructure.

Paul-Antoine TUAL · AI Transformation Leader · Croissance et Transitions (SAS) · Méthode Junyr™

Sources

[1] Z.ai, GLM-5.1 release notes, 7 avril 2026.

[2] Epoch AI, Open models lag state-of-the-art closed models by 4 months, 29 mai 2026.

[3] OpenAI, Why SWE-bench Verified no longer measures frontier coding capabilities, 23 février 2026.

[4] OpenAI, Separating signal from noise in coding evaluations, 8 juillet 2026.

[5] Google, Introducing Gemma 4 12B, 3 juin 2026.

[6] Google Developers Blog, Bringing Gemma 4 12B to your Laptop, 3 juin 2026.

[7] NVIDIA Research, Small Language Models are the Future of Agentic AI, position paper, version consultée le 6 septembre 2026.

[8] Google Research, TurboQuant: Redefining AI efficiency with extreme compression, 24 mars 2026.

[9] Zscaler ThreatLabz, Anthropic Claude Code Leak, 2026.

[10] GitHub, dépôt ultraworkers/claw-code, consulté le 6 septembre 2026.

[11] IBM, IBM and Google Cloud Announce Strategic Partnership to Scale AI with Human Expertise and AI-Powered Delivery, 4 juin 2026.