- Oui, sous conditions, et la première n’est pas technique : lisez la licence avant tout le reste, elle peut exclure votre territoire.
- Open source et poids ouverts sont deux choses différentes : presque tous les modèles dits ouverts publient leurs paramètres, pas les jeux de données ni le code.
- Le pays d’origine ne dit pas où vont vos données : c’est le point d’accès, API ou auto-hébergement, qui décide du trajet.
- Les accusations de copie ne sont tranchées par aucune juridiction : ce qu’elles font peser sur vous est un risque de disponibilité, pas un verdict.
- Testez sur 20 à 30 cas réels tirés de votre activité, jamais sur un classement public.
- Sachez renoncer : quatre critères d’exclusion suffisent, et les poser tôt ne coûte rien. C’est par là que nous commençons chez IA Agency.
« On nous a parlé d’un modèle chinois deux fois moins cher, on le prend ? » La question revient en comité de direction, et elle en cache une autre. Savoir si un modèle est bon techniquement, et savoir si vous avez le droit de l’installer chez vous, sont deux questions distinctes. Cet article traite la seconde.
Open source ou poids ouverts : que publie-t-on vraiment ?
Le mot « open source » recouvre des réalités très différentes, et cette confusion est à l’origine de bien des malentendus. L’Open Source Initiative a publié en octobre 2024 sa définition de l’intelligence artificielle open source. Elle exige quatre libertés, utiliser, étudier, modifier, partager, et réclame l’accès à la forme préférée pour effectuer des modifications, qui comporte trois éléments :
- Les informations sur les jeux de données ayant servi à construire le modèle, assez détaillées pour reconstruire un système équivalent.
- Le code complet d’apprentissage et d’exécution.
- Les paramètres du modèle, sous des conditions approuvées par l’Open Source Initiative.
La plupart des modèles présentés comme open source, Llama compris, ne satisfont pas cette définition : ils publient les paramètres, pas les jeux de données ni le code. Le terme exact est alors poids ouverts. La distinction n’est pas un débat de développeurs : avec des poids ouverts, vous pouvez exécuter et mesurer le modèle, jamais vérifier ce qu’il a lu. Cette limite vaut pour les modèles chinois comme pour les autres.
Ouvrez le fichier de licence avant toute évaluation technique, et cherchez quatre mots : territoire, usage commercial, redistribution, amélioration d’un autre modèle. Cinq minutes suffisent, et elles éliminent parfois un candidat avant la première mesure.
La licence : le premier filtre, et celui que personne ne regarde
Le fait le plus utile tient en une phrase : un modèle peut être librement téléchargeable et juridiquement fermé à une entreprise française. Le bouton de téléchargement n’accorde aucun droit, la licence si.
Le cas de MiniMax H3, un modèle de génération vidéo publié en poids ouverts, est vérifiable. Le fichier de licence publié sur son dépôt officiel, daté du 2 août 2026, applique le texte au monde entier à l’exception de territoires exclus, qu’il nomme : l’Union européenne, le Royaume-Uni, la République de Corée et les États-Unis. Une entreprise française qui récupère ces paramètres sort du cadre prévu, quelle que soit la qualité du modèle. Trois autres clauses engagent un projet : autorisation écrite au-delà de 20 millions de dollars de revenu annuel, interdiction d’utiliser le modèle ou ses sorties pour améliorer un autre système, obligation d’afficher la mention du modèle dans l’interface d’un produit commercial. Dès qu’un modèle sous ce type de licence est exposé à vos clients, dans un chatbot IA sur mesure par exemple, cette clause vous concerne dès le premier jour. Une agence IA qui recommande un modèle sans avoir lu sa licence ne vous rend pas service.
« Le bouton de téléchargement n’accorde aucun droit. La licence, elle, en accorde ou en refuse, et c’est le seul document qui décide. »
Ce que les accusations de copie changent, et ce qu’elles ne changent pas
Depuis février 2026, plusieurs laboratoires américains accusent des acteurs chinois d’avoir extrait les capacités de leurs modèles. Voici ce qui a été affirmé, et par qui.
| Date | Ce qui a été affirmé publiquement | Source |
|---|---|---|
| 12 février 2026 | OpenAI transmet à une commission de la Chambre des représentants un mémo : DeepSeek profiterait sans contrepartie des capacités des laboratoires américains. | Rest of World |
| 24 février 2026 | Anthropic accuse DeepSeek, Moonshot AI et MiniMax d’avoir extrait ses capacités, évoquant plus de 16 millions d’interactions via environ 24 000 faux comptes. | CNN, CNBC |
| 23 juillet 2026 | Michael Kratsios, conseiller de la Maison Blanche, accuse Moonshot AI de distillation à partir d’Anthropic. Moonshot dément et attribue les gains de Kimi K3 à son architecture. | South China Morning Post, CyberScoop |
| 24 juillet 2026 | Des responsables américains évoquent d’éventuelles sanctions. | CyberScoop |
| 27 juillet 2026 | La Chine dénonce un hégémonisme américain en matière d’IA et menace de contre-mesures. | Reuters |
Aucune de ces affaires n’a fait l’objet d’une décision de justice établissant la copie. Ce sont des accusations publiques que les entreprises visées contestent : DeepSeek a répondu que son modèle V3 reposait sur des données collectées par exploration du web. Ce qui vous concerne est ailleurs : ce contentieux ouvre la possibilité de sanctions, donc un risque de disponibilité de l’outil que vous aurez intégré. Le sujet n’est pas moral, il est opérationnel : il se traite par une porte de sortie prévue dès la conception.
API ou auto-hébergement : c’est le point d’accès qui décide du trajet de vos données
C’est la confusion la plus coûteuse. L’origine du modèle ne dit rien de la destination de vos données. Des paramètres exécutés sur une machine que vous contrôlez en Europe n’établissent aucune liaison avec leur éditeur : un modèle est un fichier, pas un service connecté. Appeler l’API du même éditeur produit l’inverse, chaque requête partant chez lui. Le contrat et l’architecture décident, pas le drapeau.
| Critère | Appel par API | Auto-hébergement des poids |
|---|---|---|
| Trajet des données | Chaque requête sort vers l’éditeur | Les données restent sur votre infrastructure |
| Matériel requis | Aucun | Une ou plusieurs cartes graphiques, achetées ou louées |
| Compétence interne | Intégration applicative classique | Exploitation et sécurité d’un service en continu |
| Structure du coût | Variable, proportionnel à l’usage | Fixe, indépendant du volume traité |
| Dépendance à l’éditeur | Forte : un arrêt de service interrompt votre application | Faible : les paramètres récupérés continuent de fonctionner |
La dernière ligne relie ce chapitre au précédent : sur un modèle exposé à des restrictions, l’auto-hébergement transforme un risque politique en contrainte technique. C’est un arbitrage d’architecture, à poser à la conception avec votre agence de développement IA, pas six mois après la mise en production.
À lire également : Pourquoi le coût de l’inférence IA baisse-t-il, et que change-t-il pour vos agents IA ?
Qui décide, qui documente et qui répond en cas d’incident ?
Un modèle intégré dans vos outils cesse d’être un choix technique dès qu’il produit une sortie que quelqu’un doit assumer. La question n’est plus « ce modèle est-il performant », mais « qui, chez nous, en répond ». Là où ce point n’est pas écrit, il se règle dans l’urgence, et généralement mal.
Trois responsabilités doivent être nommées avant le déploiement, et confiées à des personnes plutôt qu’à des services. Celle qui décide du modèle et des usages autorisés. Celle qui documente ce qui est installé, sous quelle licence, avec quelles clauses actives. Celle qui répond en cas d’incident : couper l’accès, prévenir les clients, déclencher le repli.
Les clauses vues plus haut, affichage obligatoire, seuil de revenu, interdiction d’améliorer un autre système, ne se respectent pas toutes seules : quelqu’un doit les connaître quand le produit évolue. C’est la logique de notre charte IA éthique et responsable, et elle vaut pour tout modèle.
Pour en savoir plus : Gouvernance des agents IA : par où commencer pour garder le contrôle en entreprise ?
Tester sur vos propres cas plutôt que sur un classement
Les classements publics comparent des modèles sur des tâches standardisées, sur des données qui ne sont pas les vôtres. Ils ne disent rien du comportement du modèle sur vos contrats, vos comptes rendus ou votre jargon interne. Un protocole simple répond à la vraie question :
- Constituez 20 à 30 requêtes réelles, prises dans le travail de vos équipes, y compris les cas pénibles et ambigus.
- Écrivez vos critères de réussite avant le test. Décidés après coup, ils s’ajustent inconsciemment au résultat obtenu.
- Faites passer ce même jeu à un modèle de référence déjà en production chez vous, pour avoir un point de comparaison.
- Mesurez le temps de traitement complet, pas seulement la qualité : un modèle lent change l’expérience de vos équipes.
- Faites juger les sorties par la personne dont c’est le métier, jamais par celle qui pilote le projet.
Ce protocole a un effet utile : il révèle souvent que le sujet n’était pas le modèle. Beaucoup de projets bloqués relèvent d’un travail d’automatisation IA mal cadré, où changer de modèle n’y changerait rien.
Écrivez ces trois rôles sur une page, avec des noms, et datez-la. Une page tenue à jour protège mieux qu’une politique de trente pages jamais relue.
Le coût réel : ce que le prix affiché ne dit pas
Le prix par million de jetons est l’argument le plus visible, et le plus trompeur pris seul. Il ne dit rien tant que vous n’avez pas mesuré la consommation du modèle pour une tâche identique. Un modèle deux fois moins cher qui en consomme trois fois plus revient plus cher, cas fréquent chez ceux qui produisent de longs raisonnements. La seule comparaison qui vaut porte sur le coût complet d’un même travail, de bout en bout.
En auto-hébergement, le prix unitaire disparaît, remplacé par un coût de possession qui additionne :
- Le matériel : cartes graphiques achetées ou louées chez un hébergeur, électricité comprise.
- L’exploitation : mise en service, supervision, gestion des pannes, temps d’équipe récurrent.
- La sécurité : accès, journalisation, cloisonnement, mises à jour.
- La maintenance : chaque nouvelle version publiée relance le travail de qualification.
Ce total ne devient intéressant qu’à partir d’un volume d’appels régulier. En dessous, l’API reste plus économique.
À découvrir absolument : Pourquoi tant de projets d’agents IA autonomes échouent-ils avant d’atteindre la production ?
Quand vaut-il mieux renoncer à un modèle ?
Une méthode d’évaluation ne vaut que si elle sait dire non. Quatre situations justifient d’arrêter un projet, et un seul de ces critères suffit :
- La licence exclut votre territoire ou votre usage. Aucun arbitrage technique ne rattrape ce point, et il se vérifie en quelques minutes.
- Vos données relèvent d’un secteur réglementé ou sont personnelles et sensibles, sans que l’architecture garantisse qu’elles restent dans votre périmètre.
- Un engagement contractuel avec un client vous interdit certains sous-traitants ou impose une localisation du traitement. La clause est courante en grands comptes.
- Vous n’avez pas d’équipe capable d’exploiter un service auto-hébergé, alors que c’est la seule architecture acceptable pour votre cas.
Renoncer sur l’un de ces points ne veut pas dire renoncer à l’intelligence artificielle, mais que ce modèle, pour cet usage, n’est pas le bon. La plupart des projets que nous voyons échouer n’ont pas manqué de technologie, mais de ce filtre.
Ne confondez jamais les mesures visant une application grand public avec celles visant un modèle : ce sont deux objets différents. Une décision sur une application mobile ne dit rien de votre droit à exécuter des poids ouverts sur votre infrastructure.
« Un classement public vous dit qu’un modèle est bon. Vos 30 requêtes vous disent s’il est bon pour vous. Une seule de ces deux informations engage votre production. »
Obtenez votre devis personnalisé
Pourquoi travailler avec IA Agency sur ce choix ?
Notre apport n’est pas de désigner le modèle le plus performant du moment : cette information dure quelques semaines. Il est de traduire un arbitrage technique en décision d’entreprise : lire les licences des candidats, cartographier le trajet réel de vos données, et faire passer à chaque modèle vos cas d’usage plutôt qu’un test standardisé.
Nous travaillons sur des projets d’intelligence artificielle en entreprise depuis 2022, auprès de PME qui ont vos contraintes : une équipe réduite, des engagements clients à tenir, aucune marge pour un chantier de six mois sans résultat. Le livrable attendu n’est pas une maquette, c’est une décision documentée.
Ce qu’il faut retenir
La confiance ne se décide pas au niveau du pays d’origine. Elle se construit sur quatre points vérifiables : ce que le modèle publie, ce que sa licence autorise pour votre territoire et votre usage, le trajet effectif de vos données, et le comportement mesuré sur vos cas. Un modèle chinois peut passer ces quatre filtres, comme il peut échouer au premier. Ce qui compte est de les appliquer dans cet ordre, avant l’intégration.
Vous hésitez sur un modèle, ou vous voulez objectiver un choix engagé ? Demandez votre audit et conseil IA : nous repartons de vos cas d’usage et de vos contraintes contractuelles.
Quelle différence entre une IA open source et une IA à poids ouverts ?
L’open source, au sens de la définition publiée par l’Open Source Initiative en octobre 2024, suppose trois éléments : les informations sur les jeux de données, le code complet et les paramètres. Un modèle à poids ouverts ne publie que les paramètres, comme Llama.
Une licence peut-elle m’interdire d’utiliser un modèle en France ?
Oui. La licence de MiniMax H3, datée du 2 août 2026, s’applique au monde entier à l’exception de territoires exclus, parmi lesquels l’Union européenne. Une entreprise française qui télécharge ces paramètres sort du cadre prévu et doit demander une licence spécifique à l’éditeur.
Un modèle chinois téléchargé et hébergé en Europe envoie-t-il des données en Chine ?
Non, si vous exécutez les paramètres sur votre propre infrastructure. Un modèle téléchargé est un fichier : chargé sur une machine que vous contrôlez en Europe, il n’établit aucune liaison avec son éditeur. Appeler l’API du même éditeur produit l’effet inverse.
Les modèles IA chinois ouverts sont-ils compatibles avec le RGPD ?
La question ne porte pas sur le modèle mais sur le traitement que vous en faites. Un fichier de paramètres ne traite aucune donnée personnelle tant qu’il n’est pas exécuté. Ce qui s’analyse, c’est l’architecture : où tournent les calculs, qui héberge, qui accède aux données.
Peut-on auto-héberger un modèle IA chinois en Europe ?
Techniquement oui, à deux conditions. La licence doit l’autoriser pour votre territoire et votre usage, certaines excluant l’Union européenne. Et vous devez disposer des cartes graphiques nécessaires ainsi que d’une équipe capable d’exploiter le service en continu, sans quoi la dépendance s’aggrave.
Les accusations de copie visant les laboratoires chinois ont-elles été prouvées ?
Non. OpenAI a transmis un mémo en ce sens à une commission de la Chambre des représentants le 12 février 2026, Anthropic a formulé des accusations comparables le 24 février 2026, et la Maison Blanche a visé Moonshot AI le 23 juillet 2026. Aucune juridiction ne s’est prononcée.
Que risque une entreprise qui utilise un modèle en dehors des conditions de sa licence ?
Elle sort du cadre contractuel qui l’autorisait à l’utiliser, ce qui expose son produit à une mise en demeure, une obligation de retrait ou une renégociation. Le risque est différé : il se matérialise quand le produit prend de la valeur, donc au pire moment.
Faut-il un accord écrit de l’éditeur au-delà d’un certain chiffre d’affaires ?
Cela dépend de la licence, et certaines le prévoient. Celle de MiniMax H3 impose une autorisation écrite préalable lorsque les produits commerciaux issus du modèle génèrent plus de 20 millions de dollars de revenu annuel. Cette clause se lit avant l’intégration.
Peut-on utiliser un modèle chinois pour entraîner ou améliorer son propre modèle ?
Pas toujours. La licence de MiniMax H3 l’interdit explicitement : sa section V.3 précise que ni le modèle ni ses sorties ne peuvent servir à améliorer un autre système d’intelligence artificielle. Vérifiez ce point si votre projet prévoit d’en tirer des données.
Comment tester un modèle sur ses propres cas d’usage plutôt que sur un classement ?
Constituez 20 à 30 requêtes tirées de votre activité réelle, écrivez vos critères de réussite avant de lancer le test, puis faites passer le même jeu à un modèle de référence déjà en production chez vous. Vous comparez des résultats, pas des positions.
Combien coûte réellement l’auto-hébergement d’un modèle à poids ouverts ?
Le coût ne se résume pas au matériel. Il additionne les cartes graphiques ou leur location, l’exploitation du service, la supervision, la sécurité, les mises à jour et le temps d’équipe associé. Ce total ne devient intéressant qu’à partir d’un volume d’appels régulier.
Un modèle moins cher au million de jetons revient-il vraiment moins cher ?
Pas nécessairement. Le prix affiché ne dit rien tant que vous n’avez pas mesuré la consommation du modèle pour une tâche identique. Un modèle deux fois moins cher qui consomme trois fois plus revient plus cher. Comparez le coût complet d’un même travail.
Dans quels cas vaut-il mieux renoncer à un modèle d’origine chinoise ?
Quatre situations le justifient : la licence exclut votre territoire ou votre usage, vos données relèvent d’un secteur réglementé ou sont sensibles, un engagement client vous interdit certains sous-traitants, ou vous n’avez pas d’équipe capable d’exploiter un service auto-hébergé. Un seul critère suffit.
Peut-on appeler un modèle chinois open source par API plutôt que de l’héberger ?
Oui, et c’est le mode le plus simple à mettre en place : aucun matériel, aucune compétence d’exploitation, un coût proportionnel à l’usage. En contrepartie, chaque requête sort vers l’éditeur et votre application dépend de la continuité de son service. Le choix se tranche sur la sensibilité de vos données et sur le volume traité, jamais sur l’origine du modèle.
Les modèles chinois ouverts valent-ils les modèles américains ?
Aucun classement public ne répond à cette question pour votre usage : il compare des modèles sur des tâches standardisées, avec des données qui ne sont pas les vôtres. La seule mesure qui engage votre production est celle faite sur vos propres requêtes, face à un modèle de référence déjà en service chez vous. Le comparatif utile est le vôtre.
Article mis à jour le 24 août 2026.
Ressources et liens utiles
[2] « MiniMax H3 Community License Agreement », dépôt officiel du modèle MiniMax H3, 2 août 2026
[3] OpenAI accuse DeepSeek dans un mémo transmis à une commission de la Chambre des représentants, Rest of World, 12 février 2026
[4] Anthropic accuse DeepSeek, Moonshot AI et MiniMax d’extraction de capacités, CNN, 24 février 2026
[5] Anthropic chiffre les interactions et les comptes mis en cause, CNBC, 24 février 2026
[6] Michael Kratsios accuse Moonshot AI de distillation à partir d’Anthropic, South China Morning Post, 23 juillet 2026
[7] La Chine dénonce l’hégémonisme américain en matière d’IA et menace de contre-mesures, dépêche Reuters reprise par Yahoo Finance, 27 juillet 2026
Auto-hébergement : à partir de quand ?
Le coût fixe d’un service exécuté chez vous ne devient intéressant qu’au-delà d’un volume d’appels régulier. En dessous, l’API reste plus économique.
Découvrir →
