IA Open Source : Rapport de tendance pour les PME

KI & Automatisierung · 27. Mai 2026 · Rebecca Kupka

L'IA Open Source modifie les prix, le "lock-in" et la stratégie GenAI dans les PME. Découvrez ce que les fabricants DACH décideront avant le cycle budgétaire de 2025.

Mardi dernier, 8h17, je suis dans notre bureau berlinois en appel avec Thomas, directeur général d'un fournisseur près de Heilbronn. À côté de lui, une machine à café ronronne, quelque part en arrière-plan, un chariot élévateur bipe en reculant, et sur son écran, un fichier Excel avec les prix des fournisseurs, les réclamations et 2 861 activités CRM ouvertes. « 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 San Francisco. » C'est précisément sur cette phrase que repose actuellement le marché de l'IA Open Source. Pas sur les benchmarks. Pas sur les vidéos de démonstration. Sur la peur d'avoir, dans cinq ans, enchaîné sa propre valeur ajoutée à un modèle de tarification API.

Ma prévision, qui semble encore inconfortable dans de nombreuses réunions 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, cependant, se déplacera discrètement vers les entreprises qui peuvent échanger leurs modèles.

C'est le point crucial pour les PME européennes. Quiconque traite une stratégie d'IA en 2025 uniquement comme un choix d'outils 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, où ses rapports de service, ses programmes CNC et sa logique d'offre seront traités.

IA Open Source 2025 : Où en est le marché aujourd'hui

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

Du côté ouvert, le tableau est plus fragmenté, mais pas petit. Hugging Face a levé 235 millions de dollars en 2023, notamment avec Salesforce, Google, Nvidia, Intel, AMD et IBM, et a été évalué à 4,5 milliards de dollars selon les rapports de l'époque. Stability AI a reçu environ 100 millions de dollars en 2022 avec une valorisation d'environ 1 milliard de dollars, a ensuite rencontré des difficultés financières, mais est resté influent pour les modèles d'images ouverts. Aleph Alpha de Heidelberg a obtenu en 2023 un tour de financement stratégique d'environ 500 millions de dollars, soit 400 à 500 millions d'euros, soutenu par SAP, Bosch, Schwarz Gruppe, Hewlett Packard Enterprise et d'autres acteurs industriels et financiers allemands. Mistral AI de Paris est un cas particulier : positionné ouvertement, structuré commercialement, avec 105 millions d'euros en amorçage en 2023 et plus tard environ 385 millions d'euros en série A, avec des discussions de valorisation autour de 5 milliards de dollars en 2024.

Lorsque j'en discute avec des directeurs financiers, je vois souvent le même réflexe. « Donc, les modèles fermés gagnent », m'a dit Andrea, responsable des ventes chez un champion caché à Bielefeld, il y a trois semaines, tandis que quelqu'un déplaçait un caisson à roulettes sur le carrelage dans la salle de conférence voisine. 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 a estimé en 2023 le potentiel économique annuel de l'IA générative entre 2,6 et 4,4 billions de dollars, avec des contributions importantes de la fabrication, de la chaîne d'approvisionnement, du développement de produits et de l'interaction client. Goldman Sachs a écrit en 2023 que la GenAI pourrait augmenter le PIB mondial d'environ 7 % sur dix ans. IDC, Gartner et d'autres analystes ont estimé en 2023 et 2024 les dépenses mondiales en logiciels, matériel et services d'IA à 300 à 500 milliards de dollars par an d'ici 2026 ou 2027, selon la définition. Ces chiffres semblent abstraits. Dans une usine de Tuttlingen, cela signifie : qui rédige le rapport de service ? Qui recherche la documentation des pièces de rechange ? Qui vérifie les e-mails des fournisseurs ? Qui priorise les leads des clients existants ?

Bitkom a rapporté en septembre 2024 que 20 % des entreprises allemandes 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 l'ingénierie mécanique, de l'électrotechnique et de la sous-traitance automobile, cela semble très réel : presque tout le monde a un test Copilot, un pipeline Azure-OpenAI, un projet de chatbot interne ou au moins un étudiant qui expérimente avec LLaMA, Mixtral ou Mistral. Mais peu ont une stratégie de modèle. Très peu.

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

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

L'IA Open Source vend autre chose, souvent de manière plus indirecte : des alternatives. Un modèle LLaMA, un modèle Mixtral ou un modèle auto-hébergeable d'Aleph Alpha n'a pas besoin d'être le meilleur modèle du monde pour chaque tâche. Il doit être suffisamment bon, suffisamment transparent, moins cher à l'usage continu et suffisamment flexible contractuellement 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 là que réside le levier. Pas romantique. Économique.

Ce que nous constatons concrètement chez Amplifa : Au cours des 12 derniers mois, dans les projets de découverte et d'implémentation chez des entreprises B2B de l'ingénierie mécanique, des composants industriels et des services techniques, nous n'avons presque jamais vu une stratégie purement Open Source, mais dans 7 cas sur 10, une architecture secondaire silencieuse. Le schéma est clair : GPT-4 ou Claude pour les tâches d'analyse et de texte difficiles en phase pilote, puis des modèles ouverts ou auto-hébergeables pour les tâches récurrentes comme la classification des leads, la synthèse d'e-mails, le remplissage de champs CRM et l'extraction de documents. Le point de bascule ne vient pas avec une « meilleure IA ». Il vient avec le volume. Dès qu'un processus génère des milliers de petits appels de modèle par jour, la curiosité devient une question de coût.

Tendance 1 : L'IA Open Source fait baisser les prix

L'effet de marché le plus important des modèles ouverts n'est pas que chaque PME entraînera son propre modèle de fondation demain. Cela n'arrivera pas. Un fabricant d'outils de Remscheid n'achète pas non plus sa propre machine de lithographie à ASML, juste parce que les puces sont stratégiques. L'effet est créé par 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 de prix pour ces tâches.

Les benchmarks de coûts pratiques varient fortement, car les prix des tokens, l'hébergement, l'utilisation, la taille du modèle, la quantification, les exigences de latence et le support doivent être inclus. Néanmoins, nous voyons dans les analyses de marché et les calculs de cloud une constante récurrente : l'inférence et le réglage fin avec des modèles ouverts peuvent être 5 à 20 fois moins chers pour certaines charges de travail à volume élevé que l'utilisation continue d'API de modèles fermés de premier plan. Ce n'est pas toujours vrai. Si une entreprise n'a pas d'infrastructure, a une mauvaise utilisation et a besoin de 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 conversation client en mars 2025 : Markus, directeur des ventes d'un fabricant de composants de Nuremberg, voulait classer automatiquement toutes les demandes entrantes : pièce de rechange, affaire de projet, demande de prix, réclamation, demande de revendeur. Modèle fermé ? Fonctionnait immédiatement. Modèle ouvert plus petit ? Après 300 exemples annotés et un prompt propre plus une récupération, le taux de réussite pour les quatre classes principales était suffisamment proche du modèle fermé pour que le directeur financier ne parle plus de qualité de modèle, mais de coûts mensuels. C'est le moment où le marché bascule. Silencieusement, 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 doux. C'est plutôt un levier. Dès que le service des achats peut prouver qu'une alternative ouverte accomplit 70 % de la tâche pour 20 % des coûts, la conversation avec Microsoft, Google, Salesforce ou un fournisseur d'IA spécialisé change. L'option ouverte ne gagne pas toujours. Mais elle oblige l'autre partie à expliquer pourquoi son prix est justifié.

Tendance 2 : Les architectures hybrides deviennent la norme

La phrase la plus ennuyeuse dans les ateliers de stratégie IA est malheureusement aussi la plus juste : il n'y aura pas un seul modèle. Je sais, personne ne veut gérer un autre portefeuille. Les directeurs veulent de la clarté, l'IT veut moins de variantes, les achats veulent moins de contrats. Pourtant, les architectures réelles évoluent vers un mélange 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 faible latence ou les processus qui doivent être audités.

Chez Festo, Trumpf, DMG Mori, Phoenix Contact ou Schaeffler, on observe publiquement des initiatives d'IA très différentes, mais la tension fondamentale est similaire à celle des PME : les connaissances produits, les données de service, la logique de production et le dialogue client ne doivent pas être transférés arbitrairement vers des plateformes étrangères. Un directeur commercial de Stuttgart m'a dit en avril 2025 : « Notre historique de prix n'est pas un matériel d'entraînement. » Il a ri après. Brièvement. Puis le silence s'est fait dans la pièce, seul le ventilateur du projecteur était audible. C'est précisément ce silence qui est la question architecturale.

Les schémas hybrides typiques apparaissent le long des risques liés aux données. Un Copilot Microsoft 365 pour le travail interne de bureau peut être utile 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 recherche dans 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 scoring de leads, qui combine les données CRM, les données d'entreprise et les signaux web, peut, selon la classe de données, fonctionner via une architecture orchestrée : un modèle fermé puissant pour les textes peu clairs, 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 par logo de fournisseur, mais par risque de 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 sec. Et 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 directeur financier 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 de longues réunions avec le service juridique. Mais sans classification des données, tout projet d'IA devient politique. Alors la conception bloque, car les données CAO pourraient être concernées. Les ventes bloquent, car les prix clients deviennent visibles. L'IT bloque, car personne ne connaît les règles de journalisation. Au final, le plus petit projet pilote gagne : un chatbot pour le règlement de la cantine. Sympa. Stratégiquement insignifiant.

Tendance 3 : L'IA souveraine devient un argument d'achat, pas de relations publiques

L'IA souveraine évoque Bruxelles, les demandes de subventions et les tables rondes. Je n'ai pas aimé ce terme pendant longtemps. Trop grand. Trop flou. Mais dans les conversations avec les clients, il a une signification très concrète : où fonctionnent les modèles ? Qui voit les journaux ? Qui peut augmenter les prix ? Qui peut annuler une fonctionnalité ? Qui décide 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 de celui des États-Unis. Règlement général sur la protection des données, EU AI Act, comités d'entreprise, exigences de la chaîne d'approvisionnement, contrôle des exportations, audits clients. Cela ralentit parfois. Mais cela protège aussi contre une consommation aveugle de plateformes. L'EU AI Act a été définitivement adopté en 2024 ; de nombreuses obligations entreront en vigueur 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-hébergés ne répondent pas automatiquement à ces exigences. Mais ils facilitent certaines preuves, car l'exploitation, la journalisation et les flux de données deviennent plus contrôlables.

Aleph Alpha est donc plus stratégiquement intéressant pour le DACH que certaines discussions de benchmark pures ne le suggèrent. Heidelberg au lieu de 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 sur site et les références industrielles modifie les listes d'achats. Mistral AI en France joue un rôle similaire au niveau européen, même si l'entreprise gère des modèles commerciaux hybrides et que tout n'est pas ouvert. Hugging Face, quant à lui, n'est pas une entreprise d'IA souveraine classique, mais l'infrastructure de comparabilité : modèles, ensembles de données, classements, options de déploiement. Sans de telles plateformes, les modèles ouverts seraient difficilement accessibles aux PME.

La dimension politique est sous-estimée. Si SAP, Bosch et Schwarz Gruppe investissent dans Aleph Alpha, ce n'est pas un simple investissement de rendement. C'est un signal : l'industrie européenne ne veut pas obtenir toutes les fonctions 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 une couverture.

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

Ce que l'IA Open Source signifie pour les PME

Pour les directeurs généraux de la fabrication, la question clé n'est pas : l'Open Source est-il meilleur que le Closed Source ? La question est : quelle dépendance j'achète si je base mes processus sur un modèle que je ne contrôle pas ? Un fournisseur automobile bavarois a des risques différents de ceux d'une startup SaaS du centre de Berlin. Les dessins CAO, les données d'outillage, les prix des fournisseurs, les rapports de test, l'historique des réclamations, les notes de quart, les paramètres des machines – ce ne sont pas des textes interchangeables. C'est un actif d'entreprise.

Je suis délibérément tranchant ici : quiconque, en 2026, accroche sa feuille de route IA complète à un seul hyperscaler américain, sans architecture de secours, agit avec négligence. Non pas parce que Microsoft, Google ou Amazon seraient de mauvais partenaires. Au contraire, ils sont souvent la voie la plus rapide vers la production. La négligence est le sens unique. Les PME ont déjà assez souvent expérimenté dans l'ERP, le PLM et le MES ce qui se passe lorsque le modèle de données, la logique de processus et le pouvoir contractuel sont entre les mains d'une seule entité.

Le calcul économique se fait 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 une poésie parfaite. Il doit reconnaître clairement si un client cible correspond à l'ICP, si une demande sent l'affaire de projet, si un e-mail de client existant contient un signal d'up-sell ou si un enregistrement CRM est corrompu. Beaucoup de ces tâches sont classificatoires, pas magiques. Si elles s'exécutent des millions de fois, la logique des coûts unitaires compte. Si elles utilisent des données clients sensibles, l'emplacement des données compte. Si elles sont intégrées dans Salesforce, HubSpot, SAP C/4HANA ou Microsoft Dynamics, la capacité de changement compte.

Chez un fabricant de composants industriels de Westphalie orientale, nous avons fait une simple observation 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 à être ciblés 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 entre 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 être exécutées via des API fermées ? Lesquelles doivent rester dans les centres de données de l'UE ? Lesquelles appartiennent sur site ? 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'entreprise.

Je vois trop d'entreprises qui commencent par le mauvais point de départ. Elles demandent : « Quel outil devons-nous acheter ? » Il serait préférable de demander : « Quels processus génèrent suffisamment de volume, de risque ou de marge pour qu'une architecture 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 rejets et la maintenance. Avec l'IA, c'est ce qui se passe encore constamment. Une licence est réservée, un pilote est lancé, 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 lorsque l'entreprise a des tâches répétables à volume élevé, 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 n'a besoin d'être construite. En fonctionnement continu avec des milliers ou des millions d'appels par mois, le calcul bascule souvent. Ma règle empirique issue de discussions avec les responsables informatiques 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 de pointe générales, la réponse est généralement oui. Les modèles de la classe GPT-4, Claude et Gemini sont souvent en avance en matière de raisonnement large, de traitement de contexte long, d'utilisation d'outils et de mécanismes de sécurité. Pour les tâches plus spécifiques, l'écart est beaucoup plus faible. Résumé de documents techniques, extraction de commandes, classification de leads, QA augmentée par récupération, assistants de connaissances internes, aide au code pour des référentiels définis – ici, les modèles ouverts peuvent s'en 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'inscrit-il dans l'EU AI Act ?

L'EU AI Act ne rend pas l'IA impossible, mais il renvoie la responsabilité à l'entreprise. Quiconque utilise l'IA dans des processus à risque doit documenter clairement 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 pouvais 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 dans lesquels l'IA peut générer de la valeur de manière répétée. Ensuite, construisez la décision du modèle autour de cela.

1. Définir les classes de données : Séparez les données publiques, les données clients, les informations de prix, la propriété intellectuelle technique, les données personnelles et les données de production critiques pour la sécurité. Sans cette carte, toute décision IA sera une intuition.
2. Trier les cas d'utilisation par volume et risque : Un assistant stratégique mensuel doit être traité différemment d'une classification quotidienne des offres, de l'évaluation des rapports de service ou du routage des leads dans 12 pays.
3. Comparer les modèles fermés et ouverts : Testez GPT-4, Claude ou Gemini contre LLaMA, Mixtral, Mistral ou Aleph Alpha sur de vrais documents allemands. Pas sur des prompts de démonstration. Sur vos réclamations, manuels, notes CRM et e-mails d'offres.
4. Calculer les coûts par 1 000 opérations : Ne comparez pas seulement les prix des tokens. Incluez l'hébergement, la latence, la surveillance, 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 la versionisation des prompts ou des évaluations afin que le modèle reste interchangeable. Quiconque colle la logique du modèle directement dans les processus métier crée lui-même un "lock-in".
6. Clarifier la gouvernance tôt avec le service juridique, l'IT et les départements métier : Documentez les flux de données, la journalisation, les autorisations, les approbations humaines et les règles d'escalade avant le déploiement. Plus tard, cela coûtera plus cher et sera plus politique.
7. Mesurer le succès par des indicateurs de processus : Dans les ventes, le taux de rendez-vous, la correspondance des segments, le temps de réponse, la qualité du pipeline et la propreté des données CRM comptent. Dans le service et la fabrication, le temps de recherche, le taux de résolution au premier contact, les rebuts, les minutes d'arrêt ou l'effort de documentation comptent.

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

Logique d'investissement : Pourquoi les budgets Open Source plus petits sont trompeurs

Lorsque les investisseurs regardent le marché, ils voient d'abord l'intensité capitalistique. Les modèles de fondation nécessitent des GPU, des données, des équipes de recherche, de l'énergie, des centres de données, des ventes et des partenariats. Les clusters Nvidia H100, les contrats Azure, les engagements AWS, les TPU Google – c'est la nouvelle industrie lourde du logiciel. C'est pourquoi les acteurs fermés attirent des sommes énormes. 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 réglage fin, 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 racheté par Databricks en 2023 pour 1,3 milliard de dollars, car la formation et l'exploitation de modèles ouverts sont devenues 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 d'essayer de reproduire OpenAI. C'est trop gourmand en capital et probablement trop tard, si l'on ne dispose pas d'une base de calcul étatique ou similaire à un hyperscaler. Ce qui est intéressant, ce sont les couches autour des flux de travail industriels : routage de modèles, évaluation, connexion de données sécurisée, systèmes RAG spécifiques à l'industrie, agents 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 des produits de base.

Je sais, « commodité » sonne brutal pour une technologie qui vient tout juste d'arriver dans les conseils d'administration. Mais de nombreuses capacités fondamentales deviendront exactement cela : résumer du texte, extraire des données, classer des e-mails, remplir des tableaux. Si chaque fournisseur peut le faire, personne ne gagnera durablement des marges élevées uniquement avec l'appel de 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 agréable ou un levier de productivité.

IA Open Source dans les ventes : Pourquoi la gestion du pipeline en profite

J'écris sur le blog Amplifa, donc je me concentre naturellement sur les ventes et le Go-to-Market. La plus grande erreur concernant l'IA dans les ventes est qu'il s'agit principalement de meilleurs e-mails. Non. Les e-mails ne sont que visibles. Le vrai travail réside dans la segmentation, la priorisation, le traitement des signaux, l'hygiène CRM, le timing et la question de savoir si un compte est vraiment prêt à acheter ou s'il a juste l'air bien 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 reconnaître 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 reconnaître à partir de 18 notes CRM si une affaire est bloquée 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 évaluation sur plusieurs configurations de campagnes, où les listes de clients cibles pour les fournisseurs B2B techniques ont été enrichies et priorisées. Le schéma : le plus grand gain de qualité ne venait pas 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'élimine pas le flou. Elle l'amplifie.

ICP Playbook pour la priorisation du marché basée sur l'IA Le Playbook montre comment les entreprises B2B définissent les segments cibles, les déclencheurs d'achat et les critères d'exclusion afin que l'IA trouve des signaux fiables dans les ventes.

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

Je ne veux pas faire comme si les modèles ouverts allaient simplement supplanter les fournisseurs fermés. C'est absurde. Les modèles fermés restent forts parce qu'ils combinent la vitesse de la recherche, l'expérience produit et la vente aux entreprises. Microsoft peut intégrer Copilot dans les interfaces de travail existantes. Google peut intégrer Gemini profondément dans Workspace et Cloud. Amazon peut intégrer Anthropic via AWS dans les processus d'approvisionnement. Salesforce peut intégrer l'IA dans les workflows CRM. SAP peut intégrer Joule dans les contextes ERP. Cette distribution est un fossé.

Pour les PME, cela signifie : utiliser, mais ne pas fusionner. Un pilote avec Azure OpenAI peut en apprendre plus en quatre semaines que six mois de documentation architecturale. Un déploiement de Copilot peut alléger le travail de connaissance. Un test Claude peut montrer la qualité possible pour des appels d'offres complexes. Mais chaque application qui structure les connaissances fondamentales de l'entreprise doit être construite de manière à ce qu'un changement de modèle reste possible. Je me répète ici volontairement. Le marché évolue trop vite pour des décisions de fournisseurs religieuses.

Un responsable des achats de Mannheim m'a dit en février 2025 : « Nous avons déjà cru, avec le cloud, que les prix baisseraient éternellement. » Puis il a souri. Pas amicalement. C'est précisément cette expérience qui marque de nombreux DSI. Au début, la facturation à la consommation est flexible. Puis les charges de travail augmentent. Puis viennent les dépendances. Puis l'optimisation devient un projet à part entière. Avec la GenAI, la même courbe peut être plus rapide, car chaque nouveau workflow 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 regrouper davantage, 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 manufacturières 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 images d'erreurs par rapport aux historiques des machines. Des agents de vente qui priorisent les comptes en fonction de véritables déclencheurs d'achat. Des agents de qualité qui structurent les rapports de test. Ces agents ne fonctionneront 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 de données est du théâtre. De nombreuses entreprises découvriront en 2025 et 2026 que leurs documents ne sont pas versionnés, que les champs CRM ne sont pas maintenus, que les données produits ne sont pas univoques et que les autorisations ont évolué historiquement. Ce n'est pas une critique de l'IA. C'est la facture de vingt ans de croissance des outils. Les modèles ouverts n'aident que si la base de données et la responsabilité des processus sont clarifiées.

Quatrièmement : L'IA souveraine passera du sujet de conseil d'administration à l'annexe d'achat. Dans les appels d'offres, les questions sur la résidence des données, le changement de modèle, la journalisation, l'utilisation de la formation, l'exploitation dans l'UE, l'auditabilité et les scénarios de sortie deviendront la norme. Les fournisseurs qui ne répondent qu'avec des diapositives marketing perdront. Les fournisseurs qui montrent des chemins architecturaux concrets – fermés, ouverts, hybrides, sur site, cloud privé – gagneront la confiance. Pas toujours l'affaire. Mais la deuxième conversation.

Quand je repense à Thomas de Heilbronn, je ne vois pas son 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 bataille entre l'IA Open Source et les modèles fermés ne se décidera pas dans les tableaux de benchmark, mais là où quelqu'un, à huit heures du matin, veut savoir si ses marges, ses dessins et ses relations clients lui appartiendront encore dans trois ans.