Défi des laboratoires d’IA open source en Chine : analyse de Forbes

Le tableau de classement des modèles d’IA ressemblait autrefois à une facture cloud accompagnée de droits de vantardise : entraînements plus massifs, accès plus verrouillé, affirmations de performances plus élevées. Forbes pointe maintenant vers un autre tableau de bord, où Kimi, Deepseek et Qwen sont décrits comme des outils d’IA dominants, tandis que Poolside, Thinking Machines de Mira Murati et Reflection AI tentent de répondre du côté américain de l’open source. C’est une histoire de stratégie produit qui porte le maillot d’une course aux modèles. Si les développeurs choisissent l’outil qu’ils peuvent inspecter, adapter et diffuser, l’échelle des modèles fermés commence à ressembler moins à un fossé défensif qu’à un mur de château très coûteux.

Forbes nomme les challengers

Forbes présente clairement l’affrontement actuel : des modèles open source chinois comme Kimi, Deepseek et Qwen sont des outils d’IA dominants, et des jeunes pousses américaines, dont Poolside de Jason Warner, Thinking Machines et Reflection AI, essaient de les défier. C’est la véritable analyse de lancement ici, même s’il ne s’agit pas d’une démo produit unique avec des confettis. Poolside est utile comme point d’ancrage, car il signale le pari que font les laboratoires américains : la confiance des développeurs et l’architecture peuvent compter autant que la taille brute du modèle.

La tentation est de lire cela comme un nouveau duel de classement entre les États-Unis et la Chine. Ce serait passer à côté du mouvement produit. La distribution de l’IA open source se comporte comme une place de marché d’outils pour développeurs : le modèle qui est forké, affiné, évalué, intégré et débattu gagne des intérêts composés en public. Les modèles fermés peuvent encore remporter des contrats d’entreprise, mais les modèles ouverts peuvent gagner la conversation de couloir avant même que les achats n’obtiennent un identifiant de connexion.

L’USCC explique le cercle vertueux

La U.S. China Economic and Security Review Commission donne l’explication la plus claire de la raison pour laquelle la stratégie chinoise gagne du terrain. Son document du 23 mars 2026 indique que la Chine a misé à fond sur une approche d’IA open source, la plupart des laboratoires chinois publiant le code source et les poids, tout en facturant beaucoup moins cher que leurs concurrents mondiaux pour des produits haut de gamme. Le même rapport indique que les modèles Qwen d’Alibaba comptaient plus de 100 000 dérivés sur Hugging Face au moment de la publication, ce qui n’est pas seulement de l’usage, mais une surface d’écosystème.

The Daily Herald, en rendant compte du même organisme consultatif, a décrit la domination chinoise dans l’open source comme créant un « avantage concurrentiel auto-renforcé » et a indiqué que des grands modèles de langage chinois moins chers, issus notamment d’Alibaba, Moonshot et MiniMax, dominent les classements d’usage mondiaux sur HuggingFace et OpenRouter. C’est le cercle vertueux que les fondateurs devraient remarquer : une faible friction stimule l’adoption, l’adoption stimule les retours, les retours stimulent l’itération, et l’itération stimule encore plus l’adoption. C’est l’équivalent logiciel de placer les échantillons gratuits à l’entrée du magasin, sauf que les échantillons apprennent de toutes les personnes qui en ramènent un chez elles.

Rest of World montre le choix produit

Rest of World illustre la différence de philosophie d’ingénierie à travers Tiezhen Wang, ancien responsable de l’écosystème Asie-Pacifique chez Hugging Face. La publication écrit qu’OpenAI et Anthropic privilégient une approche à code fermé, en gardant le code propriétaire des modèles derrière une interface commerciale, tandis que les laboratoires chinois d’IA publient agressivement des modèles open source que les développeurs peuvent télécharger, inspecter et personnaliser. Cette différence n’est pas théorique. Elle change qui peut construire des produits adjacents, qui définit les réglages par défaut et qui devient la plateforme dont les autres équipes dépendent discrètement.

The Wall Street Journal ajoute un autre point de données utile du côté du lancement produit : Moonshot AI a déclaré prévoir de rendre Kimi K3 entièrement open source d’ici la fin du mois, et a indiqué que le modèle comptait 2,8 billions de paramètres. Le nombre de paramètres attire les titres, mais le modèle de publication prévu est le détail le plus stratégique. Un modèle géant derrière une interface verrouillée est un fournisseur ; un modèle géant que les développeurs peuvent adapter commence à agir comme une infrastructure.

New Scientist montre que la panique s’estompe

New Scientist a rapporté que le modèle open source R1 de DeepSeek, lancé en janvier 2025, avait fait les gros titres dans le monde entier parce qu’il était téléchargeable gratuitement et qu’il était présenté comme rivalisant avec de puissants modèles d’entreprises américaines. La publication a aussi noté qu’un billion de dollars avait été effacé de la valeur des entreprises technologiques américaines après cette sortie, tandis que le lancement de GLM-5.2 de Z.ai le mois dernier a suscité des affirmations de performances similaires sans provoquer la même panique.

Cette normalisation compte. Une fois que le marché cesse de traiter chaque modèle ouvert chinois performant comme une surprise, les laboratoires américains doivent rivaliser sur une adoption durable plutôt que sur la nouveauté. Pour les fondateurs, la leçon n’est pas d’agrafer une licence open source sur un produit faible et d’appeler cela une stratégie. La leçon est de décider où vit votre boucle d’accumulation. Si elle vit dans des contrats de données d’entreprise, l’accès fermé peut être rationnel. Si elle vit dans l’attention des développeurs, l’architecture, la personnalisation et l’expérimentation bon marché, l’open source n’est pas un geste caritatif : c’est de la distribution avec un compilateur attaché.

Le prochain mouvement logique pour Poolside, Thinking Machines et Reflection AI n’est pas simplement de publier des tableaux de benchmarks impressionnants. C’est de rendre leurs modèles faciles à adopter, faciles à étendre et difficiles à remplacer une fois qu’ils sont installés dans les flux de travail des développeurs. Observez les forks, les dérivés, les pages de prix et les intégrations. Dans les batailles de plateformes, le gagnant est souvent celui autour duquel tout le monde construit avant même que quiconque n’admette que la bataille a commencé.