30. Open source vs closed source

Prérequis

27. FT vs ICL vs RAG vs distillation · 28. Tradeoffs — la décision OSS vs fermé conditionne quelles techniques restent accessibles.

Notes liées

31-on-prem-vs-cloud · 32-fine-tuning-en-pratique · 07-post-training-alignment · 19-model-routing-fallback

Le concept

La dichotomie “open source vs closed source” est en réalité un spectre d’accès aux poids et aux droits d’usage. La vraie question n’est pas “le code est-il public” (il l’est rarement intégralement, même chez les acteurs OSS), mais : ai-je les poids, sous quelle licence, et avec quels droits de modification, redistribution et usage commercial ?

Le spectre réel

fermé total ←——————————————————————————————→ ouvert permissif

GPT-4o      Claude       Gemini     Mistral     Llama 3    Mistral 7B
OpenAI      Anthropic    Google     Large       Meta       Mixtral
                                    (paid)      (Community  Qwen 2.5
                                                license)    DeepSeek
                                                            (Apache 2.0)

Quatre niveaux pratiques :

1. API-only fermé — poids inaccessibles, fine-tuning impossible ou via API contrainte (Claude, Gemini, GPT-4o).
2. API + fine-tuning managé — poids inaccessibles mais le provider expose un FT API (OpenAI sur GPT-4o-mini et GPT-3.5, Gemini sur certains modèles).
3. Poids ouverts avec licence restrictive — téléchargeables, usage limité (Llama Community License : gratuit jusqu’à 700M MAU ; Mistral Large/Medium sous licence commerciale).
4. Poids ouverts permissifs — Apache 2.0 ou MIT : redistribution, modification, usage commercial sans restriction (Mistral 7B, Mixtral 8x7B, Qwen 2.5, DeepSeek, Gemma 2 avec quelques limites).

Closed source

Exemples : GPT-4o, Claude Sonnet/Opus, Gemini Pro.

Avantages :

• Capability frontier — gap réel sur reasoning long, tool use complexe, multimodalité.
• Aucune infra à gérer.
• Mises à jour automatiques (qui sont aussi un risque, cf. prompt drift dans 29-production-failure-modes).
• Safety tuning massif déjà fait.

Inconvénients :

• Lock-in : changer de provider = re-tuner prompts, re-évaluer, re-instrumenter.
• Pas de vraie customization des weights.
• Pas d’on-prem (cf. 31) — data quitte le périmètre.
• Pricing imposé, parfois revu unilatéralement.
• Pas d’inspection des biais ou des refus.

Open weights

Exemples : Llama 3.x, Mistral 7B / Mixtral, Qwen 2.5, DeepSeek-V3, Gemma 2.

Avantages :

• Fine-tuning complet possible (LoRA, full FT, DPO custom).
• On-prem viable — souveraineté, data residency.
• Coût marginal proche de zéro à très haut throughput (CAPEX amorti).
• Inspectable : biais, refus, attention patterns observables.
• Quantization et distillation possibles sans accord du provider.

Inconvénients :

• Capability gap sur les tâches frontier (en réduction rapide depuis 2024).
• Ops cost : GPU infra, monitoring, autoscaling à gérer.
• Safety tuning à faire ou compléter soi-même.
• Pas de mises à jour automatiques (avantage et inconvénient).

Licences en pratique

Licence	Modèles typiques	Usage commercial	Modification	Redistribution
Apache 2.0 / MIT	Mistral 7B, Mixtral, Qwen 2.5, DeepSeek	Libre	Libre	Libre
Llama Community License	Llama 3.x	Libre jusqu’à 700M MAU	Libre	Avec attribution
Gemma Terms of Use	Gemma 2	Libre avec restrictions d’usage	Libre	Avec terms
Mistral Commercial License	Mistral Large / Medium	Payant, contrat	Selon contrat	Interdit
Closed API ToS	GPT, Claude, Gemini	Pay-per-token	N/A	N/A

La lecture des licences avant industrialisation est non-négociable. La clause à surveiller : redistribution des poids fine-tunés (souvent interdite ou conditionnée), et clause “outputs ne peuvent pas servir à entraîner un modèle concurrent” (présente chez OpenAI, Anthropic, Google).

Études de cas comparées (2025-2026)

Chaque acteur frontier occupe une position distincte sur le spectre. Les comparer permet de voir les modèles économiques sous-jacents.

Meta / Llama — open-weight quasi-permissif

• Llama 3.x, Llama 4 sous Llama Community License : usage commercial libre jusqu’à 700M MAU, redistribution avec attribution, restrictions sur usages mil/AML.
• Revenue model indirect : Meta n’a pas de produit LLM commercial direct ; les poids ouverts cristallisent l’écosystème autour de l’infra Meta (PyTorch, vLLM contributions, recommandations), réduisent la dépendance à OpenAI/Google côté Meta-products, et appliquent une pression deflationniste sur les closed providers.
• Outillage officiel : torchtune, recipes Hugging Face. Llama 4 (2025) marque le passage au multimodal natif et au reasoning.
• Position : le standard de fait OSS mondial.

DeepSeek — frontier OSS quasi-pur

• DeepSeek-V3, DeepSeek-R1 sous MIT license : permissif au maximum, y compris pour la concurrence directe.
• DeepSeek-R1 (janv. 2025) : premier reasoning model frontier open-weight, RL pur sans SFT pour les traces de raisonnement, 671B MoE / 37B actifs. Voir 34-reasoning-models.
• Revenue model : API à prix cassé sur DeepSeek.com (~10-20× moins cher qu’OpenAI), monétise les services adjacents.
• Position : le pari “frontier OSS, pression prix”.

Mistral — hybride Apache 2.0 + propriétaire

• Apache 2.0 sur Mistral Small / Mixtral / Ministral / Magistral Small / Voxtral Small — adoption communautaire et fine-tuning libre.
• Propriétaire sur Mistral Large 3 / Magistral Medium / Voxtral TTS — capability frontier monétisée.
• La Plateforme (managed cloud API), Mistral AI Studio (hybrid/dedicated/self-hosted production), Mistral Compute (cloud GPU dédié), Mistral Forge (training enterprise sur données propriétaires).
• Revenue model : “your data, your model, your infra” — déploiement souverain UE comme proposition différenciante (BNP Paribas, Schneider Electric, Thales, Armées françaises).
• Sept 2025 : Series C €1.7B avec ASML lead (€1.3B, ~11% stake), valorisation €11.7B.
• Position : hybride avec ancrage EU et souveraineté.

OpenAI — closed API premium

• GPT-4o, o-series (o1, o3) : poids inaccessibles, fine-tuning API limité aux modèles autorisés (4o-mini, certains 3.5).
• Revenue model : pay-per-token + ChatGPT subscriptions + enterprise contracts (Azure OpenAI co-distribution).
• Capability frontier sur reasoning (o3 a posé l’ARC-AGI à 88%), agentic, multimodal.
• Position : closed pur, capability max, lock-in maximal.

Anthropic — closed avec accent safety

• Claude Sonnet / Opus : poids inaccessibles, pas de fine-tuning API en accès général.
• Revenue model : API + enterprise contracts (AWS Bedrock co-distribution, Vertex AI), tier Claude Code.
• Différenciation : Responsible Scaling Policy publique, Constitutional AI, longest deep work (extended thinking).
• Position : closed orienté safety/enterprise.

Google DeepMind — mix Gemma OSS + Gemini fermé

• Gemma 2 / 3 sous Gemma Terms of Use (open avec restrictions d’usage).
• Gemini 2 / 3 Pro/Ultra fermés via Vertex AI / Gemini API.
• Revenue model : intégration Google Cloud + Workspace + Search.
• Position : hybride “Gemma pour pénétration, Gemini pour monétisation”.

Qwen (Alibaba) — open frontier multilingue

• Qwen 2.5, Qwen 3, QwQ sous Apache 2.0 (la plupart des tailles).
• Reasoning model QwQ comparable à o1 sur benchmarks math/code.
• Revenue model : Alibaba Cloud, dominance écosystème Chine.
• Position : frontier OSS multilingue, écosystème non-occidental.

Lecture des patterns

Lab	Stratégie	Levier de revenu
Meta	OSS pour casser les rentes des closed	Indirect (écosystème PyTorch, pression deflationniste)
DeepSeek	OSS frontier + prix cassé sur l’API	Volume API à très bas prix
Mistral	Hybride OSS + propriétaire + souveraineté EU	Mix La Plateforme + propriétaire + contrats enterprise
OpenAI	Closed pur, capability frontier	API premium + ChatGPT + Azure
Anthropic	Closed + safety + dev tooling	API + Bedrock + Claude Code
Google	Mix Gemma OSS + Gemini fermé	Cloud + Workspace + Search
Qwen	OSS frontier multilingue	Alibaba Cloud Chine

Aucune position n’est “la bonne” — chacune correspond à une thèse stratégique cohérente. Le choix client se fait selon les contraintes : souveraineté (Mistral, DeepSeek si pas de friction Chine, Llama on-prem), prix (DeepSeek API, Qwen), capability frontier closed (OpenAI o3, Anthropic Opus), écosystème (Llama si bibliothèques tierces, Gemini si Google Workspace).

Coût total

Le coût n’est pas comparable token-par-token. Il faut intégrer.

Closed (API) :

• Pricing token-based, OPEX pur.
• Pas de CAPEX, pas d’ops cost direct.
• Surcoût caché : observability, logging, vendor management.

Open (self-hosted) :

• CAPEX GPU (8x H100 ≈ $300k/an amorti sur 3 ans avec colocation et énergie).
• Ops team (1-2 ETP minimum pour un serving stack production).
• Coût marginal par token ≈ électricité + amortissement.

Break-even indicatif (à 2025) pour un workload Mistral Large équivalent :

• < 1M tokens/jour : closed wins largement.
• 1M-10M tokens/jour : zone grise, dépend du provider et du tarif négocié.

• 10M tokens/jour soutenu : open self-hosted devient économiquement supérieur, et l’avantage croît avec le volume.

Mais le calcul économique n’est qu’un axe. Souveraineté, data isolation et latency peuvent justifier l’open weight bien en dessous du break-even.

Quand chacun est le bon outil

Scénario	Choix typique	Pourquoi
Prototype rapide, < 100 users	Closed API (n’importe lequel)	Time-to-market, zéro ops
SaaS scale-up, multi-tenant standard	Closed + routing (19-model-routing-fallback)	Pas le moment de gérer GPU ops
Vertical régulé (legal, santé EU, finance)	Open weight on-prem (Llama, Mistral)	Data ne peut pas sortir
Domain-specific avec dataset propriétaire	Open weight + [[06-meta/32-fine-tuning-en-pratique	FT]]
Volume soutenu > 10M tokens/jour	Open weight self-hosted ou DeepSeek API	Break-even économique
Edge / on-device	Open weight quantized (Llama 3.2 1B, Phi, Gemma)	Closed n’expose pas le modèle
Reasoning frontier (math, code, agentic)	o3 / Claude extended thinking / R1 / Magistral	Capability ou cost selon contrainte
Multimodal vision+audio	GPT-4o, Gemini 2, Pixtral+Voxtral, Llama 4	Selon couverture modale et latency

Risques moins évidents

Side du closed :

• Deprecation forcée des anciennes versions (OpenAI a déprécié GPT-3 davinci en mois).
• Changement de pricing.
• Refus de catégories d’usage sans warning (compliance, enforcement).
• Risque de censure ou de refus accru au fil des mises à jour.

Side de l’open :

• Sécurité supply chain : modèle téléchargé depuis Hugging Face avec poids modifiés malveillamment (rare mais déjà documenté).
• Pas de moderation embedded : à intégrer côté harness.
• Compétence ops requise.
• Risque de cesser le maintien : Llama 4 sort, l’écosystème migre, on porte une dette sur Llama 3.

Pattern hybride en production

Beaucoup de prod 2025-2026 combinent :

• Closed pour la capability frontier (Claude Opus / GPT-4o / o3 sur les requêtes complexes ou reasoning).
• Open self-hosted pour le volume (Llama 3.x, Mistral Small/Magistral Small, Qwen, DeepSeek-V3 sur les requêtes courantes).
• Router qui dispatche selon classifier.

Permet de capter le meilleur des deux : capability max où nécessaire, cost optimal sur la majorité du traffic.

Vocabulaire clé

open weights, closed source, Apache 2.0, MIT license, Llama Community License, commercial license, vendor lock-in, capability frontier, data residency, sovereign AI, self-hosted, managed API, break-even, CAPEX vs OPEX, supply chain attack, model deprecation, pricing risk, hybrid deployment.

Synthèse

La dichotomie open vs closed est un spectre — du closed API total (Claude, GPT-4o, o3) au permissif Apache 2.0 / MIT (Mistral Small, Qwen, DeepSeek), en passant par les licences restrictives (Llama Community, Mistral commercial). Closed donne capability frontier et zéro ops mais lock-in et data hors périmètre. Open donne fine-tuning complet, on-prem viable et coût marginal proche de zéro à scale, mais demande compétence ops. Break-even indicatif autour de 10M tokens/jour pour le self-hosted. Chaque lab incarne une thèse stratégique : Meta/Llama = OSS pour casser les rentes closed, DeepSeek = frontier OSS avec API à prix cassé, Mistral = hybride avec ancrage souveraineté EU, OpenAI = closed pur capability max, Anthropic = closed safety/enterprise, Google = Gemma OSS + Gemini fermé, Qwen = frontier OSS multilingue Asie. Aucune position n’est “la bonne” — chaque choix client se résout selon la contrainte dominante : souveraineté, prix, capability frontier, écosystème ou réglementation. En production, pattern dominant : hybride avec router qui envoie le volume simple sur open weight self-hosted et la complexité frontier (reasoning, multimodal) sur closed API.