Llama et Qwen : que vend vraiment l'éditeur qui donne ses poids
Axel Morel · Fondateur & analyste, ProbansL'essentiel
Meta et Alibaba misent sur la diffusion massive de leurs modèles plutôt que sur la vente d'accès. Une stratégie qui ne joue pas sur le même terrain que les labs à modèle propriétaire fermé.
- Meta ne vend pas de modèle de langage. Meta ne vend pas de modèle de langage comme produit principal ; son revenu vient de la publicité et de ses plateformes sociales. Rendre gratuit et largement disponible ce que d'autres entreprises vendent comme produit central affaiblit leur modèle économique, sans coûter à Meta le manque à gagner d'une vente qu'elle ne cherchait pas à faire.
- Les chiffres de téléchargement ne se comparent pas terme à terme. Mi-août 2026, Alibaba a annoncé par communiqué plus de 3 milliards de téléchargements cumulés de la famille Qwen sur les six mois précédents. La veille, Hugging Face avait publié, indépendamment, un rapport situant Google à 418 millions de téléchargements et Meta à 227 millions en 2026 : les deux chiffres viennent de sources distinctes, publiées à un jour d'écart, sans qu'on sache si leur fenêtre et leur méthode d'agrégation coïncident exactement.
- La grille refuse de conclure sur DeepSeek. Ce qu'elle vend réellement ailleurs que ses modèles n'est pas établi publiquement de façon aussi nette que pour Meta ou Alibaba, ce qui rend la grille inapplicable en l'état à ce cas précis, faute d'un « ailleurs » identifiable.
Meta et Alibaba, deux des plus grandes entreprises technologiques du monde, publient leurs modèles de langage en poids ouverts plutôt que de les enfermer derrière une API payante. Pour deux groupes de cette taille, ce n’est pas un choix de nécessité budgétaire, contrairement à un jeune laboratoire qui manquerait de moyens pour commercialiser un produit fini. Les sections qui suivent examinent en quoi cette stratégie ne joue pas sur le même terrain que les labs à modèle propriétaire fermé.
Ce que veut dire “poids ouverts”
Un modèle à poids ouverts publie ses paramètres entraînés (les millions ou milliards de nombres qui définissent son comportement) en téléchargement libre, réutilisables et modifiables (fine-tuning) par quiconque. C’est différent du code source ouvert au sens strict : la donnée d’entraînement complète et le détail exact de la méthode ne sont pas toujours publiés avec les poids. Un développeur peut ainsi télécharger le modèle et l’adapter à son usage, sans nécessairement avoir accès à la façon dont il a été construit.
Llama : la stratégie assumée de Meta
Ce que les données établissent. Meta publie ses modèles Llama depuis 2023 (Touvron et al., “LLaMA: Open and Efficient Foundation Language Models”, arXiv:2302.13971) [1], en poids ouverts. Mark Zuckerberg a explicité cette stratégie dans une lettre ouverte publiée en juillet 2024, “Open Source AI Is the Path Forward” [2] : plutôt que de vendre l’accès à un modèle propriétaire comme produit principal, Meta choisit de diffuser largement des modèles ouverts pour que l’écosystème (développeurs, entreprises, chercheurs) s’appuie dessus et y ancre ses propres produits.
Ce que la méthode interprète. Cette logique a un nom en stratégie d’entreprise : commoditiser le complément, concept formulé par Joel Spolsky (Strategy Letter V, 2002) [5]. Meta ne vend pas de modèle de langage comme produit principal ; son revenu vient de la publicité et de ses plateformes sociales. Rendre gratuit et largement disponible ce que d’autres entreprises vendent comme produit central affaiblit leur modèle économique, sans coûter à Meta le manque à gagner d’une vente qu’elle ne cherchait pas à faire. Zuckerberg explicite ce calcul économique dans sa lettre (“That means openly releasing Llama doesn’t undercut our revenue, sustainability, or ability to invest in research like it does for closed providers”), tout en le présentant aussi dans un registre de bénéfice collectif plus large (“AI has more potential than any other modern technology to increase human productivity […] Open source will ensure that more people around the world have access”) : les deux registres coexistent dans le texte de Zuckerberg, et cet article retient ici le premier parce qu’il explique la structure du modèle économique de Meta, sans prétendre que Zuckerberg exclue le second.
Qwen : la même logique portée par Alibaba
Ce que les données établissent. Alibaba publie sa famille Qwen en poids ouverts depuis 2023 (Bai et al., “Qwen Technical Report”, arXiv:2309.16609) [3], avec une gamme couvrant plusieurs tailles de modèles. Cette diffusion s’est traduite par une adoption mesurable : mi-août 2026, Alibaba a annoncé par communiqué plus de 3 milliards de téléchargements cumulés de la famille Qwen sur les six mois précédents. La veille, Hugging Face avait publié, indépendamment, un rapport sur l’état des modèles ouverts situant Google à 418 millions de téléchargements et Meta à 227 millions en 2026 (Fortune, 15 août 2026, citant ce rapport et le communiqué Alibaba) [4] : les deux chiffres viennent de sources distinctes, publiées à un jour d’écart, sans qu’on sache si leur fenêtre et leur méthode d’agrégation par famille de modèles coïncident exactement. Le total Qwen reste une annonce d’Alibaba sur son propre modèle ; les deux chiffres de comparaison, eux, viennent d’une mesure tierce indépendante.
Ce que la méthode interprète. Le parallèle avec Meta est net, même si le contexte d’entreprise diffère : Alibaba ne vend pas non plus l’IA générative comme cœur de métier historique. Diffuser Qwen largement sert vraisemblablement à ancrer la marque et l’écosystème cloud d’Alibaba chez des développeurs qui, une fois leurs outils construits sur Qwen, auraient un coût de changement à assumer pour migrer vers un concurrent : une logique d’adoption plausible, pas de vente directe, mais reconstruite par déduction plutôt que confirmée par une déclaration d’Alibaba aussi explicite que celle de Zuckerberg pour Meta (voir réserves).
Le test du vrai produit : une grille pour lire n’importe quel modèle ouvert
Ce que la méthode interprète, à partir des éléments ci-dessus. Llama et Qwen ne sont pas des cas isolés : ils illustrent une direction stratégique que d’autres acteurs partagent partiellement, dont Mistral (voir la fiche dédiée du dossier), avec une motivation différente : souveraineté numérique européenne plutôt que défense d’un modèle publicitaire ou d’un écosystème cloud. La lecture “commoditiser le complément” appliquée à l’IA générative circulait déjà dans l’analyse stratégique avant cet article, par exemple chez Peterson dès avril 2024, quatorze mois après le lancement de Llama (Peterson, 2024) [6]. Peterson rapporte l’explication déjà avancée à l’époque pour l’open source de Meta, éviter une dépendance à des plateformes tierces comme Apple ou Google, mais il en doute explicitement (“But I’m not so sure I believe him”) et propose à la place son propre cadre, “commoditiser le complément” : selon lui, l’IA sert avant tout à consolider les applications sociales de Meta, pas à contourner Apple et Google. Ce sont deux explications concurrentes chez Peterson, pas l’une au service de l’autre ; ce n’est pas cette lecture en elle-même qui constitue mon apport propre, mais sa mise en forme comme grille testable. Ce qui rassemble ces acteurs, au-delà de leurs motivations propres, tient à une question simple, et transposable à n’importe quel futur modèle ouvert : qu’est-ce que cet éditeur vend réellement ailleurs ?
| Éditeur | Ce qu’il vend réellement ailleurs | Rôle du modèle ouvert | Ce qui invaliderait cette lecture |
|---|---|---|---|
| Meta | Publicité sur ses plateformes sociales | Ancrer un écosystème de développeurs, pas un produit à part | Meta commercialise Llama comme produit autonome payant |
| Alibaba | Écosystème cloud (Alibaba Cloud) | Capter des développeurs qui migrent ensuite vers ce cloud | Alibaba restreint l’usage de Qwen en dehors de son cloud |
| Mistral | Souveraineté numérique (positionnement revendiqué par l’entreprise, non chiffré) | Asseoir une alternative crédible aux modèles américains et chinois | Mistral ferme ses poids et ne mise plus que sur une API propriétaire |
Grille construite à partir des éléments déjà sourcés ci-dessus (Zuckerberg, 2024 [2] ; Bai et al., 2023 [3] ; Fortune, 2026 [4]) et de la fiche Mistral du dossier liée ci-dessus. Cette fiche documente elle-même la souveraineté numérique comme une lecture du débat public autour de Mistral, pas comme une déclaration mesurable et vérifiable chiffre à l’appui : la ligne Mistral de ce tableau reprend le même degré de prudence. La colonne « ce qui invaliderait cette lecture » est un test de falsification proposé ici, pas une donnée observée : à surveiller, pas encore constaté.
Ce que la méthode interprète. L’intérêt d’une telle grille se mesure sur un cas encore incertain, pas sur trois cas déjà tranchés. DeepSeek, couvert ailleurs dans ce dossier pour son architecture, en est un bon test : ce qu’elle vend réellement ailleurs que ses modèles n’est pas établi publiquement de façon aussi nette que pour Meta ou Alibaba, ce qui rend la grille inapplicable en l’état à ce cas précis, faute d’un “ailleurs” identifiable. C’est un résultat utile en soi : la grille ne force pas une réponse là où l’information manque, elle signale l’incertitude au lieu de l’habiller en conclusion. Le jour où l’un des trois acteurs du tableau commence à monétiser son modèle comme un produit autonome plutôt que comme un levier d’adoption, la lecture “commoditiser le complément” cesse de s’appliquer à lui.
Enjeu ressources et coût
Ce que la méthode interprète. Les poids ouverts permettent à un acteur plus petit de faire tourner un modèle sur sa propre infrastructure (auto-hébergement) plutôt que de payer un accès API à chaque requête, un avantage de coût réel et immédiat pour l’écosystème qui adopte ces modèles. La contrepartie revient à l’éditeur du modèle ouvert : il ne monétise pas directement chaque usage individuel de son modèle, contrairement à un fournisseur d’API propriétaire qui facture chaque requête.
Dans la lecture proposée ici, Llama et Qwen ne sont pas des produits que Meta et Alibaba cherchent à vendre. Ce sont des fondations qu’elles cherchent à faire adopter : la vente vient ensuite, ailleurs, sur l’écosystème qui se construit autour.
Concrètement, une équipe technique qui envisage de construire une dépendance durable sur un modèle en poids ouverts gagne à appliquer la grille ci-dessus avant de choisir : identifier le vrai produit de l’éditeur, puis surveiller les signaux qui indiqueraient un changement de calcul économique de sa part, par exemple un nouveau palier de tarification pour un usage jusque-là gratuit, une clause de licence resserrée sur l’usage commercial, ou le lancement d’une offre payante autonome autour du modèle plutôt qu’autour de l’écosystème. C’est ce calcul économique sous-jacent, pas la licence affichée au jour J, qui prédit si l’ouverture tiendra dans la durée. En pratique, ces trois signaux se surveillent à chaque changement de licence ou de conditions d’usage annoncé par l’éditeur, et à défaut d’annonce, une revue trimestrielle suffit pour une dépendance déjà en production.
Mes réserves
- “Poids ouverts” n’équivaut pas à une transparence complète. Ni Meta ni Alibaba ne publient l’intégralité de leurs données d’entraînement ni le détail complet de leurs procédures d’alignement : un développeur peut réutiliser le modèle sans pouvoir en auditer entièrement la construction.
- La licence Llama comporte une restriction chiffrée : au-delà de 700 millions d’utilisateurs actifs mensuels, tout usage commercial nécessite une licence séparée accordée à la seule discrétion de Meta (Llama 3.1 Community License Agreement, section 2) [7]. À mon sens, une telle clause l’écarte des définitions strictes de l’open source au sens de l’Open Source Initiative, mais ce rapprochement est ma lecture : le document lui-même ne s’auto-qualifie pas au regard de cette norme. “Poids ouverts” reste une description plus précise que “open source” au sens logiciel classique.
- La lecture “commoditiser le complément” proposée ici est une interprétation stratégique, assumée par Zuckerberg dans sa communication publique pour Meta, mais reconstruite par déduction pour Alibaba faute de déclaration aussi explicite de sa part. Le cadre lui-même vient de Spolsky (Strategy Letter V), qui l’illustre par le cas de Netscape tout en doutant lui-même qu’il s’agisse d’une stratégie délibérée plutôt que d’une maladresse de gestion (“upper management was technologically inept”) : l’exemple d’origine de Spolsky est fragile, ce qui n’affecte pas son application à Meta, documentée indépendamment par la lettre de Zuckerberg.
- Comme pour Alibaba, les sources qui décrivent la stratégie de Meta pour Llama (Touvron et al., lettre de Zuckerberg) sont produites par Meta elle-même : aucune n’est une lecture tierce indépendante de cette stratégie.
- Le chiffre total de téléchargements Qwen (plus de 3 milliards sur les six mois précédant août 2026) reste une annonce d’Alibaba sur son propre modèle, non un décompte tiers consultable directement. Seule la comparaison avec Google et Meta, au niveau entreprise, vient d’une mesure indépendante, le rapport Hugging Face du 14 août 2026.
Retour au dossier Comprendre les modèles post-LLM. Voir aussi Mistral AI : la direction stratégique choisie et Convergence ou divergence des grands labs IA.
I source primaire indépendante · S secondaire spécialisée · P partie prenante ayant un intérêt commercial sur le sujet traité.
Modification apportée · mis à jour le 4 septembre 2026
J'ai retiré un fait non sourcé sur la ligne Mistral du tableau et reformulé la note associée, corrigé une imprécision factuelle sur la période du chiffre de volume mensuel Qwen (décembre 2025, pas janvier 2026), ajouté une source secondaire (Peterson, 2024) qui documente que la lecture « commoditiser le complément » était déjà appliquée à l'IA générative avant cet article, ajouté une cadence de surveillance concrète pour les signaux de fin d'article, et renforcé la réserve sur le sourçage des chiffres Qwen. J'ai ajouté deux encadrés en langue courante, l'un sur le calcul économique qui rend la gratuité rationnelle, l'autre sur ce que l'auto-hébergement déplace entre l'utilisateur et l'éditeur. Mis à jour le chiffre de téléchargements Qwen, obsolète d'un facteur proche de 4 : remplacé les 700 millions de janvier 2026 (source précédente mal caractérisée) par l'annonce d'Alibaba de plus de 3 milliards de téléchargements sur les six mois précédant août 2026, avec une comparaison à Google et Meta au niveau entreprise sourcée à une mesure indépendante (rapport Hugging Face du 14 août 2026, via Fortune). Corrigé une citation de la lettre de Zuckerberg qui n'était pas un verbatim exact, et complétée par le registre de bénéfice collectif qu'elle porte aussi, à côté du seul calcul économique déjà cité. Restructuré le passage sur Peterson pour distinguer ses deux explications concurrentes (il doute de l'une, propose l'autre) plutôt que de les présenter comme liées. Retiré une affirmation non sourcée en tête d'article et dans le blockquote de conclusion, une généralisation sur la durée de circulation d'une lecture stratégique, et une attribution OSI non couverte par la source citée (recadrée comme lecture d'auteur). Ajouté une source sur le seuil chiffré de la licence Llama (700 M d'utilisateurs actifs mensuels) et une réserve de symétrie sur les sources Meta pour Llama, aucune n'étant indépendante, comme pour Alibaba. Ajouté une réserve sur l'exemple Netscape de Spolsky, dont il doute lui-même, et sur le doute exprimé par Peterson concernant la version officielle de Zuckerberg. Gate de fidélité des preuves passé deux fois, plafond de deux tours atteint : le second tour reste techniquement FAIL sur deux contradictions internes déjà corrigées ci-dessus (sous-titre trop absolu par rapport au corps, négation absolue sur l'accès à la méthode de construction) faute d'un troisième tour pour les revérifier ; les cinq points non bloquants du même tour ont également été traités.
Développe une méthode d'analyse destinée à distinguer ce que les preuves établissent, ce qu'elles suggèrent et ce qu'elles ne permettent pas de conclure, puis à traduire cette distinction en décisions professionnelles.
Choix du sujet, direction de la rédaction, validation ou modification des sources, validation et retravail du texte et des illustrations : Axel Morel. Rédaction, choix des sources initiales et plan de rédaction initial : assistance IA.
Responsabilité éditoriale : Axel Morel. Recherche et rédaction assistées par IA selon la méthodologie Probans, sources vérifiées avant publication. Charte éditoriale.
En savoir plus