Labs IA : le pivot de Meta, de Llama ouvert à Muse Spark fermé

En avril 2026, Meta a fait ce qu’elle avait juré de ne jamais faire. Après trois ans à ériger les poids ouverts en doctrine (le manifeste de Zuckerberg « Open Source AI Is the Path Forward », juillet 2024), l’entreprise a lancé Muse Spark, son premier modèle fermé et payant. La preuve, à ciel ouvert, que la position d’un lab sur l’axe ouvert-fermé n’est pas une conviction stable, mais la conséquence d’un calcul économique qui peut basculer en quelques mois. Sept laboratoires, sept trajectoires déclarées, une seule question derrière la comparaison habituelle : qu’est-ce qui prédit, avant que le lab ne le déclare lui-même, la case dans laquelle il va se ranger ?

1. La position d’un lab sur poids ouverts ou fermés, et sur calcul brut ou efficience, suit moins un choix technique que le mandat économique de son bailleur de capital.
2. Le pivot de Meta (Llama ouvert jusqu’en 2025, Muse Spark fermé depuis avril 2026, survenu après l’investissement de 14,3 Md$ dans Scale AI) est le cas le plus documenté pour tester cette hypothèse, sans que la chronologie n’exclue une causalité inverse, discutée plus loin dans le texte.
3. Cette grille de lecture peut justifier de surveiller le mandat d’un bailleur, pas seulement la doctrine affichée d’un lab, avant de dépendre en production d’un poids ouvert.

Sept directions déclarées, pas un seul chemin

Chaque fiche de cette série détaille une direction propre, résumée ici sans être réexpliquée : produit grand public pour OpenAI, fiabilité professionnelle pour Anthropic, efficience et souveraineté pour Mistral, multimodal sur infra TPU maison pour Google, rupture par l’efficience pour DeepSeek, calcul brut pour xAI, adoption et écosystème pour l’open source (Llama, Qwen).

Ce qui est vérifiable, lab par lab

Ces sept chiffres ne se lisent pas sur un même axe : utilisateurs actifs, chiffre d’affaires, montant levé, coût d’infrastructure comparé, taille de modèle, capacité de calcul et téléchargements cumulés mesurent chacun une chose différente, sans valorisation commune qui les relie. Trois précisions supplémentaires : le TCO cité pour Google porte sur le coût de l’infrastructure, pas sur la capacité multimodale de Gemini, et c’est une estimation SemiAnalysis pour un grand client cloud, pas un chiffre général du marché ; le montant levé par Mistral documente sa trajectoire de financement, pas l’efficience de ses modèles, et le partenariat franco-allemand cité n’était qu’annoncé au moment de la rédaction, l’accord-cadre étant attendu mi-2026 ; le chiffre d’affaires d’Anthropic mesure l’adoption commerciale, pas une fiabilité technique au sens strict.

Deux précisions avant de creuser pourquoi ces positions divergent. Se faire concurrence et dépendre du même fournisseur ne sont pas contradictoires : Anthropic est l’un des plus gros clients TPU de Google (jusqu’à un million de puces, communiqué Anthropic du 23 octobre 2025) tout en lui faisant concurrence sur le produit (c’est Anthropic qui communique sur son propre contrat, pas une mesure neutre). Et l’entrée “open source” masque une bascule consommée sur un seul indicateur : Qwen d’Alibaba a dépassé Llama en téléchargements cumulés Hugging Face, plus de 700 millions selon un chiffre publié par Alibaba et relayé par le South China Morning Post, journal qui appartient à Alibaba (la seule source datée dont je dispose sur ce point, pas une mesure tierce indépendante). Un compteur de téléchargements cumulés mesure une diffusion, pas un usage actif : sous cette réserve, c’est en diffusion que Qwen devance aujourd’hui Llama parmi les poids ouverts, pas nécessairement en adoption.

Ce qui sépare les sept, en deux axes

Vu bout à bout, ce ne sont pas sept variations d’une même stratégie : poids fermés pour leurs modèles phares (OpenAI, Anthropic, Google, xAI, et désormais Meta avec Muse Spark) contre poids ouverts pour leurs modèles phares (Mistral, DeepSeek, l’écosystème Llama/Qwen, avec la nuance du retour partiel de Muse Spark 1.2 vers l’open source), et échelle de calcul brute (xAI, OpenAI) contre efficience architecturale (Mistral, DeepSeek). Ce sont deux paris distincts sur ce qui gagnera dans la durée, pas une nuance de degré.

Ce qui prédit la position : le mandat du bailleur, pas la technologie

Le cas Meta fournit le test le plus net, parce qu’il s’agit du même acteur observé à deux moments avec deux mandats différents. De 2023 à 2025, Llama reste ouvert : la doctrine de Zuckerberg, énoncée en juillet 2024, consiste à « commoditiser » la couche modèle pour protéger le cœur publicitaire de Meta. Deux événements changent le calcul. En juin 2025, Meta investit 14,3 milliards de dollars pour 49 % de Scale AI, un actif de données propriétaire. Aucune des sources disponibles ne documente explicitement le lien entre cette acquisition et la fermeture des poids de Muse Spark deux mois plus tard : CNBC, seule source sur cette prise de participation, porte sur son montant et sa structure, pas sur ses motivations déclarées. Deux mois plus tôt, une controverse de benchmark avait déjà entamé la crédibilité de la famille Llama 4 (un modèle sœur, Maverick, soumis à un classement public dans une version optimisée différente de celle livrée). Llama 4 Behemoth, lui, est mis en pause en mai 2025 pour des raisons de performance technique. En avril 2026, Meta Superintelligence Labs lance Muse Spark, premier modèle fermé et payant de l’entreprise. Muse Spark est lancé dix mois après l’investissement dans Scale AI, sans que cette seule chronologie établisse laquelle des causes en jeu, la controverse Llama 4, l’investissement Scale AI ou une réorganisation interne, a pesé le plus. Nuance immédiate : Muse Spark 1.2 est repassé partiellement en open source cinq jours avant la publication de cet article. Ce retour partiel est un second point de données que la matrice mandat-position n’explique pas encore à elle seule : soit il signale un nouveau changement de mandat depuis avril 2026, à documenter, soit il questionne la lecture strictement binaire du cas Meta. Aucune source disponible n’établit que ce dernier mouvement répond au calcul économique plutôt qu’à une autre raison, technique, réputationnelle ou commerciale.

Une prédiction testable découle malgré tout de ce cas pour la suite du dossier. Si le mandat d’un autre bailleur bascule, par exemple un actionnaire de Mistral qui exigerait un retour produit plutôt que souverain, la position sur les deux axes devrait basculer avec lui. Il en irait de même pour une levée de DeepSeek hors de Chine qui desserrerait la contrainte matérielle, sans qu’un changement technique précède ce basculement dans les deux cas.

Dans le cas de Meta, le seul testé avec précision, la position sur poids ouverts ou fermés a suivi le mandat du capital qui le finance, et elle a bougé quand ce mandat a bougé.

Le pont avec le reste du dossier

Cette absence de convergence n’est pas propre aux entreprises. Ma synthèse sur ce qui vient après les LLM aboutit à la même conclusion à l’échelle des architectures : le marché désassemble l’IA généraliste en briques spécialisées plutôt que de converger vers un paradigme unique. La série sur les labs ajoute une couche causale que l’échelle des architectures ne fournit pas : le mandat du bailleur.

La bonne question à se poser

Pour un décideur qui choisit un fournisseur ou une brique IA, la question utile n’est pas “quel lab va gagner”, mais deux questions : quelle direction correspond à mon besoin réel, et le mandat qui finance ce lab est-il aussi stable que la doctrine qu’il affiche. Meta montre qu’une doctrine d’ouverture peut basculer en quelques mois, sans avertissement technique préalable.

Mes réserves

• L’hypothèse du mandat du bailleur s’appuie sur un seul basculement documenté avec précision, celui de Meta : une corrélation observée sur un cas, pas une causalité établie sur les sept. La position de Meta reste elle-même mouvante (Muse Spark 1.2 repassé partiellement ouvert cinq jours avant l’écriture) : toute lecture figée serait déjà datée.
• Pour DeepSeek, la contrainte matérielle sur les puces avancées (RAND, février 2025) et l’hypothèse du mandat pointent dans la même direction sans être la même explication, contrainte externe subie contre préférence économique choisie, sans que je puisse isoler la part de chacune.
• La matrice mandat-position ne rattache pas Qwen/Alibaba, cité plus haut comme le pari le plus téléchargé sur les poids ouverts, à un bailleur ni à un mandat identifié : un septième cas échappe à la grille qui prétend expliquer les sept.
• Le mandat du bailleur, tel que je le documente, se lit à travers des indicateurs d’activité (utilisateurs, chiffre d’affaires, GPU, téléchargements), pas à travers les clauses réelles des tours de financement ou les attentes de retour des investisseurs, que je n’ai pas.
• Cette synthèse s’appuie sur les directions publiques déclarées de chaque lab, pas sur leurs feuilles de route internes ; la répartition en un axe dominant simplifie une réalité où la plupart poursuivent plusieurs axes à la fois.

Retour au dossier « Comprendre les modèles post-LLM ». Voir aussi l’analyse de synthèse Après les LLM : ce que TRM, Mamba et JEPA prouvent vraiment, ainsi que les fiches OpenAI, Anthropic, Mistral et DeepSeek.