Dire non à OpenAI et Anthropic : plaidoyer pour les modèles open-weights

Le débat sur la dépendance aux laboratoires américains de pointe trouve un nouvel écho avec le plaidoyer publié par Micah Flee, ingénieur logiciel et sécurité, qui appelle à abandonner ChatGPT et Claude au profit de modèles open-weights. Son argumentaire repose sur trois axes : la confidentialité des échanges, l'absence de verrouillage fournisseur et le refus de financer des entreprises dont il critique la gouvernance et la vision de l'intelligence artificielle générale (AGI).

L'auteur reproche notamment à OpenAI et Anthropic de ne proposer que des versions fermées de leurs modèles, en dépit du nom de la première entreprise. Selon lui, l'option permettant de désactiver l'utilisation des données pour l'entraînement ne garantit pas que les conversations soient privées : les fournisseurs conservent l'accès à l'ensemble des échanges et peuvent, en théorie, les partager avec des gouvernements ou des entreprises. Il souligne également que les garde-fous en cybersécurité sont stricts, avec des faux positifs fréquents, et que des accès élargis sont accordés par des programmes sélectifs (Trusted Access for Cyber chez OpenAI, Cyber Verification Program chez Anthropic), dont bénéficient notamment des entreprises de cybersécurité américaines.

Sur le plan technique, l'article avance que les modèles open-weights seraient environ quatre mois en retrait par rapport aux modèles propriétaires les plus avancés. L'auteur cite GLM-5.3, du chinois Z.ai, qu'il estime comparable à Claude Opus 5.5 pour le génie logiciel, selon une appréciation qu'il qualifie lui-même de « fondée sur les sensations » plutôt que sur des mesures formelles. Il mentionne aussi les familles DeepSeek, Qwen et Kimi, ainsi que Mistral Large 4, présenté comme le modèle de pointe ouvert d'une entreprise française. Il précise que ces chiffres et comparaisons relèvent de son expérience personnelle et qu'il existe d'autres données et benchmarks, sans les détailler.

Pour l'exécution, l'article distingue plusieurs options. L'inférence locale est possible, mais suppose un matériel conséquent, par exemple une machine dotée d'une grande quantité de RAM. L'inférence privée via enclaves sécurisées (secure enclaves et remote attestation) est proposée par Tinfoil, avec facturation au token, et par Maple AI, plus orienté grand public avec un abonnement Pro à 20 dollars par mois. Pour les usages non sensibles, des routeurs d'inférence comme OpenCode Go offrent des tarifs réduits, mais impliquent que le routeur et le fournisseur final accèdent aux données, même si leurs politiques de conservation sont publiées.

L'article soulève également une question de confiance envers les fournisseurs. L'auteur déconseille de confier ses données à Z.ai, rappelant qu'un outil de sa filiale ZCode aurait transmis silencieusement des dépôts de code source local à Alibaba Cloud sans consentement, et estime qu'il faut supposer que les entreprises chinoises partagent les données avec le gouvernement chinois. Il considère Mistral comme une option plus acceptable pour un hébergeur européen, sans développer ce point.

Plusieurs questions restent ouvertes. L'article ne mesure pas les performances de manière systématique, et la rapidité d'évolution des modèles ouverts rend toute comparaison rapidement obsolète, comme le reconnaît l'auteur. La confidentialité offerte par les enclaves sécurisées n'est pas absolue, et leur robustesse dépend de la confiance accordée aux implémentations matérielles et aux procédures d'attestation. Enfin, le texte n'aborde pas les enjeux de responsabilité liés à l'usage de modèles sans garde-fous, notamment en cybersécurité, ni la question de savoir si la disponibilité de modèles puissants et peu encadrés modifie les risques d'usage malveillant. Ces points relèvent d'un débat plus large sur la gouvernance des modèles d'IA, que l'article évoque sans le trancher.