Convergence ou divergence : les grands labs IA visent-ils tous la même chose ?

Sept fiches, sept laboratoires, une seule question qui revient à chaque fois qu’on les pose côte à côte : est-ce qu’ils courent tous vers le même but, avec juste un peu d’avance ou de retard les uns sur les autres ? La réponse tient en un mot, et ce n’est pas “convergence”. Chaque lab a choisi un axe de spécialisation différent, et personne ne semble viser le même point d’arrivée.

Sept directions déclarées, pas un seul chemin

Chaque fiche de cette série détaille une direction propre. Pour résumer sans les réexpliquer : OpenAI mise sur le produit grand public de référence, prolongé par du raisonnement via calcul étendu et de l’agentique. Anthropic mise sur la fiabilité vérifiable et l’usage professionnel agentique à long contexte. Mistral mise sur l’efficience, les poids ouverts et la souveraineté européenne. Google/Gemini mise sur le multimodal natif intégré à son propre écosystème, porté par une infrastructure TPU maison. DeepSeek mise sur la rupture par l’efficience architecturale (mélange d’experts) à coût revendiqué très inférieur. xAI mise sur les données temps réel de X et une course à l’échelle de calcul brute. Et la mouvance open source (Llama, Qwen) mise sur l’adoption et l’écosystème plutôt que sur un produit propriétaire unique.

Sept paris différents. Aucun n’annule les six autres.

Les axes qui séparent, plus qu’ils ne rapprochent

Vu bout à bout, ce ne sont pas sept variations d’une même stratégie. Ce sont des choix qui s’opposent sur des lignes de fracture précises.

Produit grand public visible contre brique d’infrastructure invisible : OpenAI et Google construisent une interface que l’utilisateur final reconnaît et utilise directement ; Mistral, en misant sur des poids ouverts intégrables ailleurs, peut tout aussi bien devenir un composant que personne ne voit, glissé dans le produit d’un tiers.

Poids fermés contre poids ouverts : OpenAI, Anthropic, Google et xAI gardent leurs modèles propriétaires ; Mistral, DeepSeek et la mouvance Llama/Qwen misent au contraire sur la diffusion libre des poids, un choix qui change qui peut auditer, adapter ou héberger le modèle soi-même.

Échelle de calcul brute contre efficience architecturale : xAI construit un cluster de calcul massif (Colossus) et parie que la puissance brute l’emporte ; DeepSeek revendique l’inverse, un résultat comparable pour une fraction du coût de calcul, grâce à une architecture plus économe. Ce sont deux paris sur ce qui gagnera dans la durée, pas une nuance de degré.

Généraliste contre professionnel agentique : le grand public d’OpenAI et l’usage professionnel long contexte d’Anthropic ne visent pas le même acheteur, ni le même niveau d’exigence de fiabilité.

Le clivage qui traverse tout le secteur : calcul brut ou efficience

Ce dernier point mérite d’être isolé, parce qu’il n’a rien d’un détail technique. OpenAI et xAI parient que l’échelle de calcul reste le facteur qui décide de la course, dans la durée : plus de puissance, plus de données, plus de paramètres actifs. Mistral et DeepSeek parient l’inverse : que l’efficience architecturale — faire plus avec moins de calcul — l’emportera à mesure que le coût de l’énergie et du matériel devient le facteur limitant. Ce n’est pas une querelle de laboratoire, c’est un vrai clivage stratégique du secteur, avec des conséquences directes sur le coût d’accès à l’IA pour tout le monde.

Le pont avec le reste du dossier

Cette absence de convergence n’est pas propre aux entreprises. Notre analyse de synthèse sur ce qui vient après les LLM aboutit à la même conclusion, à l’échelle des architectures cette fois : le marché ne va vraisemblablement pas remplacer les LLM par un paradigme unique — ni TRM, ni Mamba, ni JEPA ne prennent toute la place. Il va plutôt désassembler l’IA généraliste en briques spécialisées, chaque tâche routée vers l’architecture la plus efficiente pour elle.

La série sur les labs montre exactement la même dynamique, un cran au-dessus : à l’échelle des entreprises. Chaque lab choisit sa brique de spécialisation — grand public, souveraineté, efficience, échelle brute, écosystème ouvert — plutôt que de converger vers une seule stratégie gagnante. Le secteur ne produit pas un vainqueur unique qui adopterait toutes les qualités à la fois. Il produit une répartition de spécialisations, à l’image de ce qui se joue déjà à l’intérieur même des modèles.

La bonne question à se poser

Pour un décideur qui doit choisir un fournisseur ou une brique IA, la question utile n’est donc pas “quel lab va gagner”. Aucune des sept directions décrites ici n’est conçue pour éliminer les six autres ; elles répondent à des besoins différents. La question qui a une réponse est : quelle direction correspond à mon besoin réel ? Produit grand public prêt à l’emploi, souveraineté et maîtrise des coûts avec des poids ouverts, fiabilité professionnelle sur des tâches agentiques longues, ou écosystème ouvert qu’on peut auto-héberger. C’est la même logique de décision que celle du reste du dossier : juger chaque option au niveau de preuve et d’adéquation qui est le sien, pas à l’attention médiatique qu’elle reçoit.

Mes réserves

• Cette synthèse s’appuie sur les directions publiques déclarées de chaque lab, pas sur leurs feuilles de route internes réelles. Un lab peut communiquer une chose et arbitrer autrement en interne ; l’écart entre discours et pratique n’est pas mesurable depuis l’extérieur.
• Les sept fiches sœurs qui détaillent chaque lab sont rédigées en parallèle de cette synthèse : certains liens ci-dessus pointent vers des pages en cours de publication au moment de l’écriture de cet article.
• La répartition en un axe dominant par lab simplifie une réalité plus enchevêtrée : la plupart de ces labs poursuivent plusieurs axes à la fois (Google fait aussi de l’agentique, Mistral n’exclut pas des modèles propriétaires), ce classement retient l’angle le plus distinctif de chacun, pas une exclusivité stricte.
• Le clivage “calcul brut contre efficience” est une lecture de la situation à la date de publication. Rien ne garantit qu’il perdure : le coût de l’énergie, l’accès au matériel ou une percée architecturale peuvent redistribuer les positions.

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.