IA & Automatisation · 27 mai 2026 · 24 min de lecture · Rebecca Kupka, Founders Associate, Amplifa

IA Open Source : Rapport de tendances pour les PME

L'IA Open Source transforme les prix, le verrouillage technologique et la stratégie GenAI des PME. Découvrez les décisions des fabricants DACH avant le cycle budgétaire 2025.

Mardi dernier, 8h17, je suis dans notre bureau de Berlin en appel avec Thomas, directeur général d'un fournisseur près de Heilbronn. À côté de lui, une machine à café vrombit, quelque part en arrière-plan un chariot élévateur bipe en reculant, et sur son écran s'affiche un fichier Excel avec des prix fournisseurs, des réclamations et 2 861 activités CRM en attente. « Je veux utiliser l'IA », dit Thomas, « mais je ne veux pas que nos dessins et nos marges se retrouvent un jour à Seattle ou à San Francisco. » C'est précisément à cette phrase que tient actuellement le marché de l'IA Open Source. Pas aux benchmarks. Pas aux vidéos de démonstration. Mais à la peur d'avoir enchaîné sa propre création de valeur à un modèle de tarification API dans cinq ans.

Ma prévision, qui sonne encore de manière inconfortable dans de nombreux comités de direction : l'IA Open Source ne captera pas la majeure partie des investissements GenAI d'ici 2027, mais elle dictera la logique de prix de l'ensemble du marché. Les gros chèques continueront d'aller à OpenAI, Anthropic, Microsoft, Google et Amazon. Le pouvoir de négociation se déplace néanmoins discrètement vers les entreprises capables de remplacer leurs modèles.

C'est le point crucial pour les PME européennes. Celui qui, en 2025, traite une stratégie d'IA uniquement comme un choix d'outil n'a pas compris le sujet. Il s'agit de pouvoir d'achat, de souveraineté des données, de courbes de coûts, d'options de changement et de savoir si un constructeur de machines du Bade-Wurtemberg décidera encore lui-même, dans trois ans, de l'endroit où ses rapports de service, ses programmes CNC et sa logique d'offre seront traités.

IA Open Source 2025 : État actuel du marché

Le marché est déséquilibré. Le capital ne circule pas uniformément, mais par vagues, et la plus grande vague déferle toujours vers les modèles fermés. Depuis 2023, OpenAI est souvent associée à un total d'environ 13 à 14 milliards de dollars US de capital levé et de packages Microsoft structurés ; le partenariat de Microsoft est généralement discuté publiquement à hauteur de 10 à 13 milliards de dollars US. Anthropic a reçu des engagements d'Amazon et de Google totalisant plus de 6 milliards de dollars US, selon les tranches et la structure. Cohere se situe plutôt dans une fourchette de 500 millions à 1 milliard de dollars US, avec des investisseurs comme Nvidia, Oracle et Salesforce Ventures. Ce ne sont pas des tours de table logiciels classiques. Ce sont des paris sur l'infrastructure.

Du côté ouvert, l'image est plus fragmentée, mais pas négligeable. Hugging Face a levé 235 millions de dollars en 2023, notamment auprès de Salesforce, Google, Nvidia, Intel, AMD et IBM, et a été valorisée à 4,5 milliards de dollars US selon les rapports de l'époque. Stability AI a reçu environ 100 millions de dollars US en 2022 pour une valorisation d'environ 1 milliard de dollars US, a connu plus tard des pressions financières, mais est restée marquante pour les modèles d'images ouverts. Aleph Alpha, de Heidelberg, a bénéficié en 2023 d'un tour de financement stratégique d'environ 500 millions de dollars US (soit 400 à 500 millions d'euros), porté par SAP, Bosch, Schwarz Gruppe, Hewlett Packard Enterprise et d'autres acteurs industriels et financiers de Deutschland. Mistral AI, de Paris, est le cas particulier : positionnement ouvert, structure commerciale, avec 105 millions d'euros en Seed en 2023, puis environ 385 millions d'euros en Series A, et des discussions de valorisation autour de 5 milliards de dollars US en 2024.

Lorsque j'en discute avec des directeurs financiers, je vois souvent le même réflexe. « Donc les modèles fermés gagnent », m'a dit il y a trois semaines Andrea, Head of Sales chez un champion caché à Bielefeld, pendant que dans la salle de conférence voisine, quelqu'un tirait un caisson à roulettes sur le carrelage. Eh bien, presque. Ils gagnent la statistique du capital. Mais la statistique du capital n'est pas la même chose que l'impact stratégique.

McKinsey estimait en 2023 le potentiel économique annuel de l'IA générative entre 2,6 et 4,4 billions de dollars US, avec des contributions majeures de la fabrication, de la Supply Chain, du développement de produits et de l'interaction client. Goldman Sachs écrivait en 2023 que la GenAI pourrait augmenter le PIB mondial d'environ 7 % sur dix ans. IDC, Gartner et d'autres analystes prévoyaient en 2023 et 2024 des dépenses mondiales en logiciels, matériels et services d'IA s'orientant vers 300 à 500 milliards de dollars US par an d'ici 2026 ou 2027, selon les définitions. Ces chiffres semblent abstraits. Dans une usine à Tuttlingen, cela signifie : qui rédige le rapport de service ? Qui fouille dans la documentation des pièces de rechange ? Qui vérifie les e-mails des fournisseurs ? Qui priorise les leads des clients existants ?

Le BITKOM a rapporté en septembre 2024 que 20 % des entreprises de Deutschland utilisent l'IA et que 37 % supplémentaires prévoient ou discutent de son utilisation. Pour les grandes entreprises, le taux est nettement plus élevé que pour les petites. Dans les discussions avec les PME de la construction mécanique, de l'électrotechnique et de la sous-traitance automobile, cela semble très concret : presque tout le monde a un test Copilot, un pipeline Azure OpenAI, un projet de chatbot interne ou au moins un stagiaire qui expérimente avec LLaMA, Mixtral ou Mistral. Mais peu ont une stratégie de modèle. Très peu.

Status Quo : Les modèles fermés encaissent, les modèles ouverts disciplinent

Les fournisseurs fermés vendent trois choses : la performance, la commodité et le regroupement. OpenAI via Microsoft, Anthropic via AWS et Google, Gemini dans Google Cloud, Copilot dans Microsoft 365, Salesforce Einstein, SAP Joule. Vous obtenez des modèles, des API, des interfaces de gouvernance, la facturation et parfois le sentiment rassurant que les achats n'ont qu'à étendre un contrat-cadre existant. C'est attrayant. Surtout pour les entreprises dont l'équipe IT se compose de 14 personnes et doit gérer en parallèle SAP S/4HANA, des problèmes EDI et le remplacement d'un pare-feu.

L'IA Open Source vend autre chose, souvent de manière plus indirecte : des options de repli. Un modèle LLaMA, un modèle Mixtral ou un modèle auto-hébergé d'Aleph Alpha n'a pas besoin d'être le meilleur modèle au monde pour chaque tâche. Il doit être assez bon, assez transparent, moins cher en exploitation continue et contractuellement assez flexible pour qu'un DSI d'Ulm n'ait pas à accepter le prix par million de tokens d'un fournisseur américain pour chaque nouvelle application. C'est précisément là que se situe le levier. Pas de manière romantique. De manière économique.

Ce que nous voyons concrètement chez Amplifa : au cours des 12 derniers mois, dans des projets de découverte et d'implémentation auprès d'entreprises B2B de la construction mécanique, des composants industriels et des services techniques, nous n'avons presque jamais vu de pure stratégie Open Source, mais dans 7 cas sur 10, une architecture secondaire discrète. Le schéma est clair : GPT-4 ou Claude pour les tâches complexes d'analyse et de rédaction en phase pilote, puis des modèles ouverts ou auto-hébergeables pour les tâches récurrentes comme la classification de leads, le résumé d'e-mails, le remplissage de champs CRM et l'extraction de documents. Le point de bascule ne survient pas avec une « meilleure IA ». Il survient avec le volume. Dès qu'un processus génère quotidiennement des milliers de petits appels de modèles, la curiosité se transforme en question de coût.

Tendance 1 : L'IA Open Source tire les prix vers le bas

L'impact le plus important des modèles ouverts sur le marché n'est pas que chaque PME entraîne demain son propre Foundation Model. Cela n'arrivera pas. Un fabricant d'outils de Remscheid n'achète pas non plus sa propre machine de lithographie chez ASML simplement parce que les puces sont stratégiques. L'effet provient des alternatives crédibles. Si LLaMA 3, Mixtral, Qwen, Falcon ou un modèle européen suffisent pour 60 à 80 % des tâches de routine, alors les fournisseurs fermés perdent leur fantaisie tarifaire sur ces tâches précises.

Les benchmarks de coûts issus de la pratique varient fortement, car il faut intégrer les prix des tokens, l'hébergement, la charge, la taille du modèle, la quantification, les exigences de latence et le support. Néanmoins, nous observons dans les analyses de marché et les calculs Cloud une tendance récurrente : l'inférence et le réglage fin avec des modèles ouverts peuvent être 5 à 20 fois moins chers pour certains flux de travail à haut volume que l'achat permanent via API de modèles fermés de pointe. Ce n'est pas toujours vrai. Si une entreprise n'a pas d'infrastructure, a une mauvaise utilisation et nécessite trois prestataires externes pour l'exploitation, l'avantage fond. Mais pour les tâches structurées avec de nombreuses répétitions, la pression sur les coûts est réelle.

Un exemple tiré d'une discussion client en mars 2025 : Markus, directeur commercial d'un fabricant de composants de Nuremberg, voulait classer automatiquement toutes les demandes entrantes : pièces de rechange, projets, demandes de prix, réclamations, demandes de revendeurs. Modèle fermé ? Cela a fonctionné immédiatement. Petit modèle ouvert ? Après 300 exemples annotés et un prompt propre plus du Retrieval, le taux de réussite pour les quatre classes principales était assez proche du modèle fermé pour que le CFO ne parle plus de qualité de modèle, mais de coûts mensuels. C'est le moment où le marché bascule. Discrètement, dans Excel.

Yann LeCun soutient depuis des années que les plateformes d'IA ouvertes créent à long terme des écosystèmes plus robustes que quelques gardiens fermés. Pour les entreprises industrielles, ce n'est pas une idéologie, mais une position d'achat.

— Yann LeCun, Chief AI Scientist chez Meta

Je trouve le terme « parapluie de prix Open Source » trop faible. C'est plutôt un pied-de-biche. Dès que les achats peuvent prouver qu'une alternative ouverte réalise 70 % de la tâche pour 20 % du coût, la discussion avec Microsoft, Google, Salesforce ou un fournisseur d'IA spécialisé change. La variante ouverte ne gagne pas toujours. Mais elle oblige l'autre partie à expliquer pourquoi son prix est justifié.

Tendance 2 : Les architectures hybrides deviennent le cas normal

La phrase la plus ennuyeuse des ateliers de stratégie d'IA est malheureusement aussi la plus juste : il n'y aura pas qu'un seul modèle. Je sais, personne ne veut gérer un portefeuille supplémentaire. Les directeurs généraux veulent de la clarté, l'IT veut moins de variantes, les achats veulent moins de contrats. Pourtant, les architectures réelles s'orientent vers un mix de modèles. Des modèles fermés pour les tâches où la meilleure performance de raisonnement compte. Des modèles ouverts pour les volumes élevés, les données sensibles, la latence courte ou les processus devant être audités.

Chez Festo, Trumpf, DMG Mori, Phoenix Contact ou Schaeffler, on voit publiquement des initiatives d'IA très diverses, mais la tension fondamentale est similaire à celle des PME : la connaissance produit, les données de service, la logique de production et le dialogue client ne doivent pas migrer arbitrairement vers des plateformes tierces. Un chef des ventes de Stuttgart m'a dit en avril 2025 : « Notre historique de prix n'est pas un matériau d'entraînement. » Il a ri après. Brièvement. Puis le silence s'est installé dans la pièce, on n'entendait plus que le ventilateur du projecteur. C'est précisément ce silence qui pose la question de l'architecture.

Des schémas hybrides typiques émergent en fonction des risques liés aux données. Un Microsoft 365 Copilot pour le travail de bureau interne peut être judicieux si les autorisations sont propres et qu'aucune donnée de conception hautement sensible n'est traitée. Un assistant RAG pour les techniciens de maintenance, qui parcourt les manuels de machines, les codes d'erreur, les rapports de service et les données de pièces de rechange, appartient plutôt à un environnement contrôlé. Un processus de Lead Scoring combinant données CRM, données d'entreprise et signaux Web peut, selon la classe de données, passer par une architecture orchestrée : un modèle fermé puissant pour les textes ambigus, un modèle ouvert pour la classification et l'extraction, une couche basée sur des règles pour la conformité.

Les meilleures implémentations que je vois ne séparent pas selon le logo du fournisseur, mais selon le risque du processus. Que se passe-t-il si la réponse est fausse ? Combien coûte un appel de modèle pour 50 000 opérations par mois ? Quelles données quittent le réseau ? Puis-je changer de fournisseur sans reconstruire l'application ? Cela semble aride. Ça l'est. Mais c'est précisément là que se décide si l'IA reste une expérience ou apparaît dans le compte de résultat.

Un CFO peut d'abord percevoir cette discussion sur la gouvernance comme un frein. C'est compréhensible. Cela ressemble à des diapositives sur la protection des données et à de longues réunions avec le service juridique. Mais sans classification des données, tout projet d'IA devient politique. La conception bloque parce que les données CAO pourraient être concernées. Les ventes bloquent parce que les prix clients deviennent visibles. L'IT bloque parce que personne ne connaît les règles de journalisation. À la fin, c'est le plus petit projet pilote qui gagne : un chatbot pour le règlement de la cantine. Sympathique. Stratégiquement non pertinent.

Tendance 3 : La Sovereign AI devient un argument d'achat, pas de la RP

Sovereign AI sonne comme Bruxelles, demande de subvention et table ronde. J'ai longtemps boudé ce terme. Trop grand. Trop flou. Mais dans les discussions clients, il a une signification très concrète : où tournent les modèles ? Qui voit les logs ? Qui peut augmenter les prix ? Qui peut supprimer une fonctionnalité ? Qui détermine quelles données peuvent être utilisées pour l'entraînement ? Un directeur de production d'Augsbourg l'a formulé plus simplement récemment : « Je veux voir la prise. »

L'Europe a ici un réflexe différent des USA. GDPR, EU AI Act, comités d'entreprise, exigences sur la chaîne d'approvisionnement, contrôle des exportations, audits clients. Cela freine parfois. Mais cela protège aussi d'une consommation aveugle de plateformes. L'EU AI Act a été finalisé en 2024 ; de nombreuses obligations s'appliquent de manière échelonnée à partir de 2025 et 2026. Pour les applications industrielles, cela signifie plus de documentation, de classification des risques, de traçabilité et de responsabilités claires. Les modèles ouverts ou auto-hébergeables ne résolvent pas automatiquement ces exigences. Mais ils facilitent certaines preuves, car l'exploitation, la journalisation et les flux de données deviennent plus contrôlables.

Aleph Alpha est donc stratégiquement plus intéressante pour la zone DACH que ne le suggèrent certaines discussions purement basées sur les benchmarks. Heidelberg plutôt que la Californie n'est pas un argument de qualité en soi. Mais un fournisseur qui prend au sérieux la langue allemande, la conformité européenne, les options On-Premise et les références industrielles modifie les listes d'achat. Mistral AI en France joue un rôle similaire au niveau européen, même si l'entreprise adopte des modèles commerciaux hybrides et que tout n'est pas ouvert. Hugging Face, de son côté, n'est pas une entreprise classique de Sovereign AI, mais l'infrastructure pour la comparabilité : modèles, jeux de données, classements, options de déploiement. Sans de telles plateformes, les modèles ouverts seraient à peine accessibles pour les PME.

La dimension politique est sous-estimée. Lorsque SAP, Bosch et Schwarz Gruppe investissent dans Aleph Alpha, ce n'est pas un pur trade de rendement. C'est un signal : l'industrie européenne ne veut pas acheter chaque fonction d'IA via des Hyperscalers américains. En même temps, ces mêmes entreprises continuent bien sûr d'investir dans les écosystèmes Microsoft, AWS, Google et Nvidia. Ce n'est pas une contradiction. C'est du Hedging.

Amplifa ICP Playbook — Pour les équipes stratégiques qui ne veulent pas planifier l'IA de manière abstraite : l'ICP Playbook aide à affiner les clients cibles, les segments et les priorités sur la base de données.

Ce que l'IA Open Source signifie pour les PME

Pour les directeurs généraux dans la fabrication, la question centrale n'est pas : l'Open Source est-il meilleur que le Closed Source ? La question est : quelle dépendance est-ce que j'achète si je base mes processus sur un modèle que je ne contrôle pas ? Un équipementier automobile de Bavière a des risques différents d'une startup SaaS de Berlin-Mitte. Dessins CAO, données d'outillage, prix fournisseurs, rapports de contrôle, historique des réclamations, notes d'équipe, paramètres machine – ce ne sont pas des textes interchangeables. C'est le patrimoine de l'entreprise.

Je suis volontairement tranchant ici : celui qui, en 2026, lie toute sa feuille de route IA à un seul Hyperscaler américain, sans architecture de repli, agit avec négligence. Non pas parce que Microsoft, Google ou Amazon seraient de mauvais partenaires. Au contraire, ils sont souvent la route la plus rapide vers la production. Ce qui est négligent, c'est le sens unique. Les PME ont déjà assez souvent vécu avec l'ERP, le PLM et le MES ce qui arrive lorsque le modèle de données, la logique de processus et le pouvoir contractuel sont entre une seule main.

Le calcul économique se joue sur trois niveaux. Premièrement, les coûts directs : tokens, licences, hébergement, effort d'intégration, support. Deuxièmement, les coûts de changement : combien cela coûtera-t-il si le modèle doit être remplacé ? Troisièmement, les coûts stratégiques : quelles données sont standardisées, journalisées et enrichies dans quel écosystème ? Le troisième point est le plus difficile à chiffrer et c'est précisément pour cela qu'il est dangereux. Dans les cycles budgétaires, c'est souvent la ligne que l'on peut compter qui gagne.

Pour les ventes, l'impact est particulièrement tangible. Un modèle ouvert n'a pas besoin d'écrire de la poésie parfaite. Il doit identifier proprement si un client cible correspond à l'ICP, si une demande ressemble à un projet, si un e-mail de client existant contient un signal d'Up-Sell ou si une donnée CRM est corrompue. Beaucoup de ces tâches sont classificatoires, pas magiques. Lorsqu'elles tournent des millions de fois, la logique du coût unitaire compte. Lorsqu'elles utilisent des données clients sensibles, le lieu des données compte. Lorsqu'elles sont intégrées dans Salesforce, HubSpot, SAP C/4HANA ou Microsoft Dynamics, l'interchangeabilité compte.

Chez un fabricant de composants industriels de Westphalie orientale, nous avons fait une observation simple en janvier 2025 : les problèmes de vente les plus coûteux ne résidaient pas dans le manque de leads, mais dans une segmentation floue. 18 % des comptes dans le CRM étaient clairement en dehors du segment cible, mais continuaient d'être sollicités par des campagnes. En même temps, des clients existants avec des schémas d'achat similaires se trouvaient dans trois listes de segments différentes. L'IA n'a pas aidé parce qu'elle était « intelligente ». Elle a aidé parce qu'elle a rendu les schémas cohérents à travers les sources de données. Pour cela, on n'a pas toujours besoin du modèle fermé le plus puissant. On a besoin d'un système contrôlé.

Les fabricants DACH ont besoin de portefeuilles de modèles plutôt que de jouets IA

Un portefeuille de modèles sonne comme une grande entreprise. Ce n'est pas le cas. Même une entreprise de 280 employés peut définir une règle claire : quelles tâches peuvent passer par des API fermées ? Lesquelles doivent rester dans des centres de données de l'UE ? Lesquelles appartiennent à l'On-Premise ? Quelles classes de données sont taboues ? Quels modèles sont testés trimestriellement par rapport à des tâches réelles ? Ce n'est pas un programme de recherche. C'est de la gestion d'exploitation.

Je vois trop d'entreprises commencer par le mauvais point de départ. Elles demandent : « Quel outil devons-nous acheter ? » Il vaudrait mieux demander : « Quels processus génèrent assez de volume, de risque ou de marge pour qu'une architecture d'IA propre en vaille la peine ? » Chez Kärcher, Webasto, Brose ou Wittenstein, personne n'achèterait une nouvelle ligne de production sans calculer les temps de cycle, les rebuts et la maintenance. Avec l'IA, c'est exactement ce qui se passe encore constamment. Une licence est réservée, un pilote tourne, tout le monde est impressionné, puis vient la protection des données, puis le comité d'entreprise, puis la courbe des coûts. Le pilote ne meurt pas bruyamment. Il disparaît dans le canal Teams.

FAQ : L'IA Open Source est-elle vraiment moins chère ?

Oui, souvent. Mais pas automatiquement. L'IA Open Source devient moins chère lorsqu'une entreprise a des tâches répétitives à haut volume, que la qualité du modèle est suffisante, que l'infrastructure est bien utilisée et que l'exploitation n'explose pas à cause des coûts de spécialistes. Un modèle fermé peut être moins cher en phase pilote car aucune infrastructure propre ne doit être mise en place. En exploitation continue avec des milliers ou des millions d'appels par mois, le calcul bascule souvent. Ma règle d'or issue des discussions avec les directeurs IT et commerciaux : en dessous d'un volume pertinent, la commodité est une valeur réelle ; au-dessus, la commodité est un risque de coût.

FAQ : L'IA Open Source perd-elle en qualité ?

Pour les tâches générales de pointe, la plupart du temps encore oui. La classe GPT-4, Claude et Gemini sont souvent en tête pour le raisonnement large, le traitement de contextes longs, l'utilisation d'outils et les mécanismes de sécurité. Pour les tâches plus ciblées, l'écart est beaucoup plus réduit. Résumé de documents techniques, extraction à partir de commandes, classification de leads, QA augmentée par récupération (RAG), assistants de connaissances internes, aide au code pour des dépôts définis – ici, les modèles ouverts peuvent s'approcher de très près après adaptation. Parfois, ils suffisent amplement. L'erreur est d'évaluer la qualité du modèle de manière abstraite. Un processus de vente n'a pas de score Elo.

FAQ : Comment cela s'accorde-t-il avec l'EU AI Act ?

L'EU AI Act ne rend pas l'IA impossible, mais il déplace la responsabilité vers l'entreprise. Celui qui utilise l'IA dans des processus à risque doit documenter proprement les flux de données, l'objectif du modèle, le contrôle humain, la journalisation et la gestion des risques. Les modèles ouverts ou auto-hébergés aident car ils peuvent donner plus de contrôle sur l'exploitation et les chemins de données. Ils ne remplacent pas la gouvernance. Un modèle sur son propre serveur n'est pas automatiquement conforme. Un modèle dans un Cloud américain n'est pas automatiquement interdit. La question est : puis-je prouver ce qui se passe ?

7 étapes de préparation pour les directeurs généraux et les équipes stratégiques

Si je ne devais donner qu'un seul conseil à un directeur général de PME, ce serait celui-ci : ne commencez pas par le modèle. Commencez par les processus où l'IA peut générer de la valeur de manière répétée. Ensuite, construisez la décision de modèle autour de cela.

1. Définir les classes de données : séparez les données publiques, les données clients, les informations de prix, la PI technique, les données personnelles et les données de production critiques pour la sécurité. Sans cette carte, chaque décision d'IA sera une intuition.
2. Trier les cas d'usage par volume et risque : un assistant stratégique mensuel doit être traité différemment d'une classification quotidienne d'offres, d'une analyse de rapports de service ou d'un routage de leads dans 12 pays.
3. Comparer le Closed et l'Open : testez GPT-4, Claude ou Gemini contre LLaMA, Mixtral, Mistral ou Aleph Alpha sur de vrais documents allemands. Pas sur des prompts de démo. Sur vos réclamations, manuels, notes CRM et e-mails d'offre.
4. Calculer le coût pour 1 000 opérations : ne comparez pas seulement les prix des tokens. Intégrez l'hébergement, la latence, le monitoring, l'effort d'intégration, le support et la croissance attendue. La valeur pertinente est le TCO sur 3 à 5 ans.
5. Prévoir une couche d'échange : utilisez l'orchestration, des interfaces claires et le versionnage des prompts ou des évaluations pour que le modèle reste interchangeable. Celui qui colle la logique du modèle directement dans les processus métier construit lui-même son verrouillage.
6. Clarifier tôt la gouvernance avec le juridique, l'IT et les métiers : documentez les flux de données, la journalisation, les autorisations, les validations humaines et les règles d'escalade avant le déploiement. Plus tard, ce sera plus cher et plus politique.
7. Mesurer le succès par des indicateurs de processus : dans les ventes, ce sont le taux de rendez-vous, la pertinence des segments, le temps de réaction, la qualité du pipeline et la propreté des données CRM qui comptent. Dans le service et la fabrication, ce sont le temps de recherche, le taux de résolution au premier contact, les rebuts, les minutes d'arrêt ou l'effort de documentation.

Produit Amplifa — Amplifa aide les équipes B2B à exploiter les signaux du marché, des comptes et des ventes grâce à l'IA – sans perdre le contrôle sur la logique des processus.

Logique d'investissement : pourquoi les budgets Open Source plus modestes sont trompeurs

Lorsque les investisseurs regardent le marché, ils voient d'abord l'intensité capitalistique. Les Foundation Models nécessitent des GPU, des données, des équipes de recherche, de l'énergie, des centres de données, des ventes et des partenariats. Clusters Nvidia H100, contrats Azure, engagements AWS, TPU Google – c'est la nouvelle industrie lourde du logiciel. C'est pourquoi les acteurs fermés attirent des sommes colossales. Ils ne vendent pas seulement des modèles, ils vendent l'accès à une infrastructure de calcul et de productivité.

Les entreprises proches de l'Open Source suivent une autre logique. Elles n'ont pas toujours besoin de posséder le plus grand modèle de base. Elles peuvent rendre l'inférence moins chère, organiser les modèles, simplifier le Fine-Tuning, sécuriser le déploiement, vendre du support d'entreprise ou construire des applications verticales. Hugging Face en est le meilleur exemple : c'est moins un fournisseur de modèles qu'une place de marché, une boîte à outils et une couche de confiance. MosaicML a été rachetée en 2023 pour 1,3 milliard de dollars US par Databricks car l'entraînement et l'exploitation de modèles ouverts sont devenus stratégiques pour les entreprises. Together AI, Anyscale, Replicate et d'autres fournisseurs occupent des couches similaires dans la pile.

Pour les investisseurs européens, la partie la plus excitante n'est pas la tentative de reconstruire OpenAI. C'est trop intensif en capital et probablement trop tard si l'on ne dispose pas d'une base de calcul étatique ou similaire à celle d'un Hyperscaler. Ce qui est passionnant, ce sont les couches autour des flux de travail industriels : routage de modèles, évaluation, connexion sécurisée des données, systèmes RAG spécifiques au secteur, agents d'IA pour les processus d'offre, le service, les pièces de rechange, la gestion de la qualité. C'est là que se trouvent les marges lorsque les modèles de base deviennent une commodité.

Je sais, « commodité » sonne brutal pour une technologie qui vient à peine d'arriver dans les comités de direction. Mais de nombreuses capacités de base vont devenir exactement cela : résumer du texte, extraire des données, classer des e-mails, remplir des tableaux. Si chaque fournisseur peut le faire, personne ne gagne de marges élevées durablement avec le seul appel du modèle. La valeur se déplace vers l'intégration dans SAP, Salesforce, Microsoft Dynamics, HubSpot, les systèmes PLM, MES et les espaces de données internes. C'est là que se décide si l'IA est une interface sympathique ou un levier de productivité.

L'IA Open Source dans la vente : pourquoi la gestion du pipeline en profite

J'écris sur le blog d'Amplifa, donc je regarde naturellement de près les ventes et le Go-to-Market. La plus grande erreur concernant l'IA dans la vente est de croire qu'il s'agit principalement de meilleurs e-mails. Non. Les e-mails ne sont que la partie visible. Le vrai travail réside dans la segmentation, la priorisation, le traitement des signaux, l'hygiène du CRM, le timing et la question de savoir si un compte est réellement prêt à l'achat ou s'il a juste une belle apparence dans le tableau de bord.

L'IA Open Source a ici un avantage pratique : de nombreuses tâches de vente ne sont pas créatives, mais structurées. Un modèle doit identifier à partir d'un site Web si une entreprise utilise des machines de moulage par injection. Il doit déduire d'une offre d'emploi si un projet de migration SAP est en cours. Il doit extraire d'un rapport annuel les investissements dans de nouvelles usines. Il doit identifier à partir de 18 notes CRM si un deal stagne parce que les achats, la technique ou la direction bloquent. Ce sont des tâches que l'on peut évaluer. Taux de réussite. Types d'erreurs. Coût par compte.

En mai 2025, nous avons réalisé en interne une analyse sur plusieurs configurations de campagnes où des listes de clients cibles pour des fournisseurs techniques B2B ont été enrichies et priorisées. Le schéma : le plus grand gain de qualité n'est pas venu du modèle le plus puissant, mais de meilleurs critères. Si l'ICP était flou, même un modèle de pointe produisait un bruit coûteux. Si l'ICP était propre, des modèles plus petits pouvaient classer les signaux de manière étonnamment stable. C'est désagréable pour tous ceux qui vendent l'IA comme un raccourci pour la stratégie. L'IA n'automatise pas la suppression du flou. Elle le met à l'échelle.

ICP Playbook pour la priorisation du marché assistée par l'IA — Le Playbook montre comment les entreprises B2B définissent les segments cibles, les déclencheurs d'achat et les critères d'exclusion de sorte que l'IA trouve des signaux fiables dans la vente.

Le Closed Source reste fort – mais différemment de ce que beaucoup pensent

Je ne voudrais pas faire comme si les modèles ouverts allaient simplement évincer les fournisseurs fermés. C'est absurde. Les modèles fermés restent forts car ils combinent vitesse de recherche, expérience produit et vente d'entreprise. Microsoft peut pousser Copilot dans les interfaces de travail existantes. Google peut intégrer Gemini profondément dans Workspace et Cloud. Amazon peut amener Anthropic via AWS dans les processus d'approvisionnement. Salesforce peut emballer l'IA dans les flux de travail CRM. SAP peut placer Joule dans les contextes ERP. Cette distribution est un fossé défensif.

Pour les PME, cela signifie : utiliser, mais ne pas fusionner. Un pilote avec Azure OpenAI peut permettre d'apprendre plus en quatre semaines que six mois de document d'architecture. Un déploiement de Copilot peut soulager le travail intellectuel. Un test de Claude peut montrer quelle qualité est possible pour des appels d'offres complexes. Mais chaque application qui structure les connaissances de base de l'entreprise devrait être construite de manière à ce qu'un changement de modèle reste possible. Je me répète ici intentionnellement. Le marché bouge trop vite pour des décisions de fournisseurs religieuses.

Un responsable des achats de Mannheim m'a dit en février 2025 : « Avec le Cloud, nous avons déjà cru une fois que les prix baisseraient éternellement. » Puis il a souri. Pas de manière amicale. C'est précisément cette expérience qui marque de nombreux DSI. D'abord, la facturation à la consommation est flexible. Puis les flux de travail s'agrandissent. Puis viennent les dépendances. Puis l'optimisation devient un projet en soi. Avec la GenAI, la même courbe peut aller plus vite car chaque nouveau flux de travail brûle des tokens.

Ma prévision pour 2026 à 2028

Premièrement : l'écart entre les modèles ouverts et fermés deviendra si faible pour les tâches de routine que l'approvisionnement et la gouvernance deviendront plus importants que les benchmarks. Pas partout. Mais dans suffisamment de processus pour modifier les listes de prix. Je m'attends à ce que de nombreux fournisseurs fermés continuent de baisser leurs prix ou de renforcer leurs offres groupées car les modèles ouverts fixent la limite inférieure. Le client ne percevra pas cela comme une « victoire de l'Open Source ». Il obtiendra simplement de meilleures conditions.

Deuxièmement : les entreprises de fabrication européennes parleront moins de chatbots et plus d'agents de processus. Des agents d'offre qui extraient les exigences techniques des RFQ. Des agents de service qui vérifient les schémas d'erreur par rapport aux historiques des machines. Des agents de vente qui priorisent les comptes selon de réels déclencheurs d'achat. Des agents de qualité qui structurent les rapports de contrôle. Ces agents ne tourneront pas tous sur un seul modèle. Ils auront besoin d'un routage de modèles, et c'est précisément là que l'ouverture deviendra précieuse.

Troisièmement : les PME apprendront une dure leçon. L'IA sans travail sur les données est du théâtre. De nombreuses entreprises constateront en 2025 et 2026 que leurs documents ne sont pas versionnés, que les champs CRM ne sont pas entretenus, que les données produits ne sont pas uniques et que les autorisations ont grandi de manière historique. Ce n'est pas une critique de l'IA. C'est la facture de vingt ans de croissance d'outils. Les modèles ouverts n'aident que si la base de données et la responsabilité des processus sont clarifiées.

Quatrièmement : la Sovereign AI passera d'un sujet de comité de direction à une annexe d'achat. Dans les RFP, les questions sur la résidence des données, le changement de modèle, la journalisation, l'utilisation pour l'entraînement, l'exploitation dans l'UE, l'auditabilité et les scénarios de sortie deviendront la norme. Les fournisseurs qui n'y répondent qu'avec des diapositives marketing perdront. Les fournisseurs qui montrent des chemins d'architecture concrets – fermés, ouverts, hybrides, on-prem, private cloud – gagneront la confiance. Pas toujours le contrat. Mais le deuxième entretien.

Quand je repense à Thomas de Heilbronn, je ne vois pas son fichier Excel. J'entends la machine à café et le chariot élévateur en arrière-plan. Un son très analogique pour une décision très numérique. C'est peut-être la chute appropriée : la lutte entre l'IA Open Source et les modèles fermés ne se décide pas dans des tableaux de benchmarks, mais là où quelqu'un veut savoir, à huit heures du matin, si ses marges, ses dessins et ses relations clients lui appartiendront encore dans trois ans.