Dans un document publié début novembre 2026, intitulé Open-Weight Models Will Run 90% of Enterprise Agentic Workflow Steps, les analystes Gartner Mark Petty (senior director) et Raymond Paquet (group vice president) posent un constat qui tranche avec le discours des grands laboratoires d'IA américains : neuf étapes sur dix des workflows pilotés par des agents IA en entreprise peuvent déjà être exécutées par des modèles ouverts (open weight), à qualité équivalente à celle des modèles frontier fermés, pour une fraction du coût.
Ce que mesure réellement Gartner
Le périmètre de l'étude est précis : les workflows agentiques en entreprise, c'est-à-dire des séquences d'étapes automatisées comme la classification, l'appel d'outils, la transmission, la validation ou la réconciliation de données. Selon les deux analystes, ce type de tâches se répète par centaines dans un workflow opérationnel typique, et les modèles ouverts « peuvent gérer des centaines de ces étapes routinières pour chaque étape qui nécessite un raisonnement de niveau frontier ».
Face au modèle fermé le moins cher capable d'obtenir le même score, le modèle ouvert coûte quatre fois moins cher. Face à un modèle frontier haut de gamme exécuté sur chaque étape sans distinction, l'écart grimpe jusqu'à un facteur vingt. Les analystes tempèrent toutefois ce chiffre théorique : les modèles ouverts ont tendance à être plus verbeux et à retenter davantage d'essais pour atteindre le même résultat. En tenant compte de ce correctif, l'économie réelle se situe entre cinq et six fois moins cher.
| Comparaison | Économie en théorie | Économie en pratique (essais multiples inclus) |
|---|---|---|
| Face au modèle fermé le moins cher à qualité égale | 4 fois moins cher | 5 à 6 fois moins cher |
| Face à un modèle frontier haut de gamme exécuté sur chaque étape | jusqu'à 20 fois moins cher | 5 à 6 fois moins cher |
Ce que cela change pour l'équation financière d'une DSI française
Pour un directeur des systèmes d'information en France, ce rapport n'annonce pas une rupture technologique, il documente une tendance déjà observable sur le terrain : de plus en plus de workloads pilotés par l'IA basculent des modèles frontier vers des LLM moins chers, voire vers des modèles open weight. Gartner ne formule pas une prédiction, il part de la situation actuelle du marché.
La conséquence budgétaire est directe. Les coûts d'API vers des modèles frontier sont facturés au token et pèsent lourd quand un workflow comporte des centaines d'appels routiniers. Réserver les modèles frontier aux seules étapes qui exigent un raisonnement complexe, et confier le reste à des modèles ouverts, change la structure de coût d'un budget IA : une partie bascule de la dépense variable liée à l'usage vers une dépense d'exploitation plus prévisible, en particulier lorsque ces modèles tournent en interne ou chez un hébergeur européen.
Le contrôle des données pèse plus lourd que le prix
Gartner insiste sur un point qui dépasse la seule logique de coût : la rétention du contrôle. Les workflows d'agents IA et l'historique de leurs étapes constituent des données précieuses pour une entreprise. Selon les analystes, « des années d'historique de workflow représentent une large part de ce qu'un acquéreur paie dans une société SaaS, et chaque étape routinière envoyée à une API frontier en fait sortir une tranche hors de son périmètre ». Les modèles ouverts, à l'inverse, permettent de garder cette connaissance en interne, même lorsqu'il ne s'agit que de métadonnées d'usage. L'économie financière, concluent-ils, n'est qu'un bonus face à cet enjeu de souveraineté opérationnelle.
Pour une organisation française qui envoie des requêtes à des modèles tiers hébergés hors d'Europe, cet argument recoupe une question déjà familière aux responsables conformité : chaque appel à un modèle fermé externe fait transiter une partie du savoir-faire métier chez son fournisseur. Les plateformes qui proposent une pseudonymisation des données personnelles avant leur envoi à des modèles tiers, comme le fait Moon Blur sur la plateforme française Moon AI en remplaçant les données identifiantes par des jetons réversibles avant de les rétablir au retour, répondent à une partie de cette préoccupation, sans pour autant constituer une anonymisation au sens du RGPD ni une garantie de conformité en soi.
Le harnais devient la brique de valeur, pas le modèle
Le rapport Gartner reprend une observation déjà formulée par de grandes entreprises SaaS : les LLM eux-mêmes deviennent des produits banalisés. Ce qui crée de la valeur, c'est le « harnais » autour du modèle, c'est-à-dire l'outil qui route chaque tâche vers le modèle le plus approprié, fournit le contexte nécessaire et impose des garde-fous de sécurité, sans que l'utilisateur final ne perçoive la bascule. Un bon harnais fait économiser de l'argent, impose des garanties solides et gère des flottes d'agents. Un harnais moins sophistiqué laisse davantage de travail manuel à l'utilisateur.
C'est précisément sur ce terrain que se positionnent les plateformes françaises d'accès multi-modèles. Moon AI, par exemple, regroupe plus de soixante-dix modèles (GPT, Claude, Gemini, Mistral, DeepSeek, Llama, Grok, Qwen, ainsi que le modèle maison Moon 6) sous un abonnement unique dont l'entrée de gamme démarre à 9,90 euros TTC par poste et par mois, avec une offre gratuite sans carte bancaire. L'intérêt pratique, à la lumière du rapport Gartner, n'est pas d'accumuler des modèles pour accumuler des modèles, mais de pouvoir orienter chaque tâche vers l'outil le mieux adapté à son coût et à sa sensibilité, sans renégocier un contrat par fournisseur.
Une fenêtre d'opportunité pour les acteurs européens
Gartner note que la majorité des modèles open weight actuellement disponibles sont chinois, mais pas tous. Mistral, présenté comme le plus grand laboratoire d'IA européen, vient de rendre open source son modèle Mistral Large 4, surnommé Le Chonk. Les analystes anticipent que ce modèle gagnera rapidement du terrain, en particulier auprès des organisations pour lesquelles le contrôle et la souveraineté figurent en haut de l'agenda, un public qui recoupe directement les préoccupations des DSI français soumis au RGPD et aux exigences de localisation des traitements.
Le rapport ne fournit cependant aucune donnée chiffrée spécifique au marché français ou à l'adoption de ces modèles par les entreprises hexagonales : son analyse reste globale et sectorielle, sans ventilation par pays.
Ce que le rapport ne change pas (encore)
Gartner conserve un rôle aux laboratoires frontier, mais pas celui qu'espèrent leurs investisseurs. Pour les analystes, ces modèles seraient voués, à court terme, à devenir le moteur de la recherche et du développement plutôt que l'infrastructure de production des entreprises : une sorte de dépense d'investissement (capex), tandis que les modèles ouverts endosseraient le rôle de dépense d'exploitation (opex) une fois le travail de défrichage effectué par les frontier.
| Modèles frontier fermés | Modèles ouverts (open weight) | |
|---|---|---|
| Rôle anticipé par Gartner | Moteur de recherche et développement | Exécution des tâches opérationnelles répétitives |
| Nature budgétaire | Dépense d'investissement (capex) | Dépense d'exploitation (opex) |
| Part des étapes de workflow agentique visée d'ici 2030 (hypothèse Gartner) | 10 % | 90 % |
Cette répartition se vérifie déjà en partie, selon Gartner : les modèles les plus puissants d'Anthropic, de Google ou d'OpenAI restent champions de leurs capacités, mais jamais longtemps. Dans l'année qui suit, des modèles ouverts apparaissent systématiquement, capables d'exécuter une partie équivalente de ces capacités, mieux adaptés aux workflows gérés par un harnais que les grands généralistes coûteux. L'analyse s'oppose frontalement aux attentes d'Anthropic, qui table au contraire sur une hausse de la consommation de ses modèles à l'approche de son introduction en Bourse. Gartner juge également que les arguments de simplicité avancés en faveur des modèles fermés ne tiennent pas : la complexité d'une implémentation IA se situe aujourd'hui surtout au niveau du harnais, dans lequel changer de LLM n'est pas particulièrement difficile.
Questions fréquentes
Les modèles ouverts vont-ils remplacer totalement les modèles frontier ?
Non, selon Gartner. Le cabinet formule l'hypothèse stratégique que, d'ici 2030, 90 % des étapes des workflows agentiques opérationnels en entreprise s'exécuteront sur des modèles ouverts, mais il conserve un rôle aux modèles frontier comme moteur de recherche et de développement, hors du périmètre strictement opérationnel.
Pourquoi Gartner évoque-t-il le contrôle des données avant même le coût ?
Parce que l'historique des workflows d'agents IA représente, selon les analystes, une donnée stratégique pour une entreprise. Chaque étape routinière envoyée à une API frontier externe fait sortir une partie de ce savoir hors du périmètre de l'organisation, même quand il ne s'agit que de métadonnées d'usage. L'économie de coût n'est présentée que comme un bénéfice secondaire face à cet enjeu.
Est-ce facile de passer d'un modèle fermé à un modèle ouvert dans un workflow existant ?
Gartner estime que la complexité d'une implémentation d'IA en entreprise se situe surtout au niveau du harnais, l'outil qui orchestre les agents et distribue les tâches, et non au niveau du modèle lui-même. Changer de LLM au sein d'un harnais bien conçu ne pose pas de difficulté majeure selon les analystes, ce qui facilite la bascule vers des modèles ouverts.
Quels modèles ouverts sont concernés par cette analyse ?
Le rapport mentionne que la majorité des modèles open weight disponibles aujourd'hui sont chinois, mais pas tous. Il cite l'exemple de Mistral Large 4 (Le Chonk), rendu open source par le laboratoire français Mistral, comme modèle susceptible de gagner du terrain auprès des organisations attentives à la souveraineté de leurs traitements.