Modèle d’IA ouvert : quelles preuves avant de migrer un traitement ?

L’annonce de Meta du 15 octobre 2026 présente Muse Spark Open comme un modèle aux poids téléchargeables, accessible aussi auprès de plusieurs fournisseurs d’inférence. Elle ouvre la possibilité de choisir un autre opérateur. Elle ne prouve pas qu’un traitement existant gagnerait à être déplacé. Meta, 2026.

Pour autoriser une migration, un dirigeant doit partir du traitement concerné : quel bénéfice attend-il, quel service doit être préservé et dans quelles conditions l’entreprise pourrait-elle revenir en arrière ? C’est sur ce périmètre que l’alternative doit être éprouvée.

Une alternative doit être utilisable et exploitable

Des poids téléchargeables permettent d’envisager une exécution sur une infrastructure choisie. Cette liberté dépend d’abord des droits attachés à l’usage prévu. Selon la licence liée à Muse Spark Open, un accord distinct avec Meta est requis lorsque le titulaire ou ses affiliés fournissent des modèles comme service et que leur chiffre d’affaires cumulé dépasse 20 millions de dollars sur douze mois consécutifs. Le texte distingue ce cas de l’usage interne et de l’intégration dans un produit qui ne constitue pas un tel service. Le juridique doit vérifier cette lecture et les autres conditions de la licence pour le projet précis. Meta, licence du 15 octobre 2026.

Le lieu d’hébergement ne suffit pas non plus à établir la maîtrise des données. L’application peut transmettre des journaux ou appeler des outils externes : les flux, leurs destinations et les accès d’administration doivent être examinés. Il faut également désigner qui maintiendra le service, répondra aux incidents et assurera la capacité nécessaire. Sans ces éléments, l’entreprise ne dispose pas encore d’une solution définie à comparer avec son fournisseur actuel.

La comparaison porte sur le traitement complet

Une interface compatible peut faciliter une partie de l’intégration sans garantir le même comportement. La documentation de vLLM décrit une interface compatible avec les API d’OpenAI, ainsi que des paramètres supplémentaires et des réglages par défaut susceptibles de venir du dépôt du modèle. Pour interpréter les essais, la DSI doit donc fixer la version du modèle, sa configuration et les fonctions effectivement utilisées. Projet vLLM, documentation.

Le métier peut alors juger des dossiers représentatifs selon les conséquences d’une erreur. Il peut vérifier si une information décisive placée à la fin d’un document long est prise en compte, si une réponse privée d’un champ obligatoire est rejetée et ce qui se passe lorsqu’un outil est indisponible. Ces essais servent à définir les écarts acceptables dans le travail réel ; un score moyen de qualité ne dit pas, à lui seul, si une erreur donnée l’est.

Considérons un exemple hypothétique dans l’assurance. Un assistant prépare une demande de pièce complémentaire. Après validation humaine, l’application l’envoie au client, mais ne reçoit pas la confirmation technique et relance l’opération. Le traitement attendu est une seule demande envoyée, avec un statut vérifiable et une trace de la reprise. Un doublon peut désorienter le client ; un échec affiché à tort peut mobiliser inutilement le gestionnaire. La qualité du texte produit ne permet pas d’évaluer ces effets.

AWS décrit le principe d’API idempotentes : une requête peut être répétée sans produire un effet supplémentaire si le service reconnaît, notamment, son identifiant. Cette protection relève de l’application et des services qui exécutent l’action, pas d’une consigne donnée au modèle. AWS, 2021. L’essai doit aussi vérifier que le statut reste retrouvable après l’interruption. Dans l’exemple hypothétique, revenir au fournisseur précédent n’est utile que si le gestionnaire peut savoir quelle demande a été envoyée et validée. Reconnecter l’ancienne interface ne suffit pas à rétablir cette information.

Le coût dépend du niveau de service obtenu

Les exigences de qualité et de reprise déterminent ce qu’il faut chiffrer. Stanford HAI rapporte qu’entre novembre 2022 et octobre 2024, le coût d’interrogation d’un modèle atteignant un niveau comparable à GPT-3.5 sur le test MMLU est passé de 20 à 0,07 dollar par million de jetons. Cette mesure sur un test donné invite à réexaminer les options d’inférence ; elle ne démontre ni l’avantage économique d’un modèle ouvert ni une économie sur le traitement envisagé. Stanford HAI, AI Index 2025.

La comparaison utile porte sur le coût par dossier correctement traité, selon les critères fixés avec le métier. Elle inclut l’inférence, l’hébergement éventuel, l’exploitation, les reprises et les vérifications humaines. Les dépenses de migration, adaptation, qualification, fonctionnement temporaire des deux solutions et préparation du retour arrière, doivent apparaître séparément. Si une solution moins chère à interroger exige davantage de corrections ou ne permet pas de retrouver les statuts, son tarif ne suffit pas à justifier le déplacement du traitement.

Autoriser l’essai avant de décider de la migration

Si une alternative paraît pertinente pour un traitement identifié, la prochaine décision est de financer un essai de réversibilité borné. Son mandat précise le bénéfice recherché, les données autorisées, les critères d’acceptation, le budget, la durée et les conditions d’arrêt. Un responsable rassemble les résultats : le métier valide les écarts acceptables ; la DSI documente la configuration, les reprises et le retour arrière ; les achats et le juridique vérifient les droits et les conditions de sortie ; la sécurité examine les accès et les flux.

La migration ne peut ensuite être autorisée que sur le périmètre où le service rendu, le coût complet et les conditions d’exploitation sont établis. Si l’essai laisse incertain le statut d’une action après interruption, ou si le bénéfice reste indémontré, le service actuel peut être maintenu pendant que cette preuve est recherchée.