Actualités

IA en entreprise : pourquoi les DSI français doivent rester agnostiques

Le Databricks AI Index, tableau de bord actualisé chaque semaine, montre qu’un modèle d’IA phare peut passer de marginal à dominant en six semaines, et inversement. Claude Opus 5.5 est ainsi passé de 7,2 % à près de 38 % des tokens propriétaires consommés sur la passerelle Unity Gateway, pendant que Claude Fable 5.1, pourtant en tête des benchmarks, s’effondrait.

Dans cette page6 parties

Le Databricks AI Index agrège le trafic de plus de 10 000 entreprises clientes de Unity Gateway, la passerelle par laquelle elles accèdent aux modèles d’IA, ainsi qu’un benchmark maison d’agents de code. Les données d’usage couvrent la période du 20 juillet au 2 novembre 2026, et montrent une volatilité que peu de directions informatiques avaient anticipée à ce rythme.

Un leader qui change en six semaines

Depuis mai 2026, un nouveau modèle phare sort environ chaque semaine selon le décompte de Databricks, soit tous les 3,7 jours en comptant les laboratoires régionaux. À la mi-année, la plupart des clients de la passerelle s’appuyaient surtout sur une poignée de modèles d’Anthropic. OpenAI a ensuite gagné du terrain avec GPT-6 Sol et Astra, avant que la sortie de Claude Opus 5.5, fin septembre, ne redonne l’avantage à Anthropic.

Le basculement a été rapide : en six semaines, Opus 5.5 est passé de 7,2 % à 37,9 % des tokens consommés sur les modèles propriétaires, ce qui en fait le premier modèle de la passerelle. Dans le même temps, la part globale d’Anthropic sur l’ensemble des modèles propriétaires est passée de 57,6 % à 68,8 %. À l’inverse, Claude Fable 5.1, pourtant en tête du benchmark de code de l’éditeur avec 96 % de réussite, est tombé de 5,5 % à 0,6 % sur la même période. Databricks résume la situation ainsi : la qualité des modèles continue d’influencer fortement les parts de marché des fournisseurs, mais la qualité perçue ne coïncide pas toujours avec le classement des benchmarks.

Le prix affiché ne dit pas le coût réel

Le benchmark de l’index soumet des modèles de neuf laboratoires à des tâches tirées du travail des développeurs de Databricks, puis mesure le taux de réussite et le coût moyen par tâche menée à bien. Les écarts sont considérables à niveau de performance proche.

ModèleTaux de réussiteCoût moyen par tâcheObservation
GPT-6 Luna89 %0,05 dollarEnviron 32 fois moins cher qu’Opus 5.5 à score égal
Claude Opus 5.589 %1,62 dollarDevenu le modèle le plus consommé malgré son surcoût
Claude Fable 5.196 %7,47 dollarsMeilleur score du benchmark, part de marché en chute
Muse Wonder (Meta)95 %1,53 dollarScore proche de Fable 5.1 pour environ cinq fois moins cher
Gemini 3.8 Flashnon communiqué11,97 dollarsPrix du token bas mais 140 tours d’échange par tâche en moyenne
DeepSeek V4.1 Flash / GLM 5.393 %non communiquéEx aequo à la 3e place du benchmark, modèles open weight

Databricks en tire une conclusion simple : des prix du token plus bas ne garantissent pas des coûts plus faibles lorsqu’un modèle doit multiplier les tours d’échange pour aboutir. L’éditeur, qui vend par ailleurs un outil de routage automatique entre modèles, conseille de réserver les modèles les plus coûteux aux tâches complexes. Le succès d’Opus 5.5, bien plus cher que Luna à score égal, montre toutefois que le coût ne dicte pas seul les arbitrages : la qualité perçue pèse lourd.

La fin du fournisseur unique

La bascule vers le multi-fournisseurs se lit dans les chiffres de l’index. En juillet, environ 64 % des clients de Unity Gateway ne passaient que par un seul fournisseur de modèles. Au 2 novembre, cette part était tombée à 28 %. L’indicateur est cumulatif : il compte tous les fournisseurs utilisés par une entreprise depuis le 20 juillet, ce qui signifie que le point de juillet ne porte que sur une semaine d’usage contre plus de trois mois pour celui de novembre. Il mesure la part d’entreprises qui ont essayé plusieurs fournisseurs, pas nécessairement celles qui les utilisent en parallèle au quotidien.

Databricks applique la même logique en interne. L’éditeur dit évaluer chaque nouveau modèle dans les jours qui suivent sa sortie. Il a ainsi renoncé à passer d’Opus 4.8 à Opus 5, faute d’un gain suffisant pour ses usages au regard du surcoût, mais a fait d’Opus 5.5 le modèle par défaut de Claude Code après avoir mesuré un coût par session inférieur de 29 % à celui de son prédécesseur.

Les modèles open weight chinois s’installent, l’Europe reste en retrait

L’index relève aussi la montée des modèles open weight, dont les poids sont publiés et que chacun peut héberger. Sur les modèles servis directement par Databricks, leur part des tokens est passée de 7,3 % en juillet à 31 % début novembre. Ce périmètre exclut le trafic routé vers Anthropic ou OpenAI et ne dit donc rien de la place de l’open weight dans l’ensemble des usages. La progression s’est concentrée entre juillet et fin septembre, et la part plafonne depuis.

Les fournisseurs open weight détaillés par l’index, Zhipu (GLM), DeepSeek et Moonshot AI (Kimi), sont tous chinois. Trois modèles open weight figurent dans le top 10 du benchmark de code, dont DeepSeek V4.1 Flash et GLM 5.3, à égalité à la troisième place avec 93 % de réussite, devant Opus 5.5 sur ce test précis. Côté européen, Mistral AI a publié le 29 octobre les poids de Mistral Large 4 sur Hugging Face, mais le modèle ne figure pas parmi les familles open weight recensées par l’index, qui cite GLM, Kimi, DeepSeek, Qwen, Llama, GPT-OSS et Gemma.

Ce que cela change pour les DSI françaises

Pour une direction informatique en France, ces chiffres ont une consequence directe : parier sur un seul modèle ou un seul fournisseur revient à figer une décision dans un marché qui se renouvelle toutes les quelques semaines. Un contrat signé autour d’un modèle précis peut devenir sous-optimal avant même sa mise en production complète. L’enjeu n’est plus de choisir le meilleur modèle au moment T, mais de construire une architecture capable de router les requêtes vers plusieurs modèles, de comparer leur coût réel par tâche, et de changer de fournisseur sans réécrire les intégrations.

C’est le terrain sur lequel se positionnent les plateformes françaises qui agrègent plusieurs modèles sous un accès unique. Moon AI, éditée par Stellarr Studio SAS, propose par exemple plus de 100 modèles accessibles via un abonnement unique, incluant GPT, Claude, Gemini, Mistral, DeepSeek, Llama, Grok, Qwen et son propre modèle Moon 6, avec des formules allant de 9,90 à 249,90 euros TTC par siège et par mois, et une offre gratuite sans carte bancaire. Cette logique d’accès mutualisé répond directement au constat de l’index : plutôt que de renégocier un contrat à chaque sortie de modèle, l’entreprise dispose d’un point d’entrée commun pour tester et basculer.

La question du traitement des données se pose avec la même urgence quand les requêtes circulent vers plusieurs fournisseurs tiers à la fois. Moon AI intègre à ce titre un dispositif nommé Moon Blur, qui détecte les données personnelles présentes dans une requête, les remplace par des repères avant l’envoi aux modèles tiers, puis restitue les vraies valeurs dans la réponse lue par l’utilisateur. L’application et le stockage sont hébergés chez OVHcloud, à Strasbourg et Roubaix, mais les requêtes adressées aux modèles tiers partent bien chez leurs fournisseurs une fois les données sensibles masquées. Ce mécanisme ne dispense pas une DSI de ses propres analyses de conformité, mais il illustre une réponse technique au problème soulevé par l’index : multiplier les fournisseurs de modèles sans multiplier les points de fuite de données sensibles.

Questions fréquentes

Pourquoi les entreprises changent-elles de modèle d’IA aussi vite ?

Parce qu’un nouveau modèle phare sort environ chaque semaine depuis mai 2026, et que les écarts de qualité entre versions successives peuvent être importants. Quand un modèle comme Claude Opus 5.5 apporte un gain jugé suffisant, les entreprises déplacent une part significative de leur trafic en quelques semaines, comme le montre son passage de 7,2 % à 37,9 % des tokens propriétaires en six semaines.

Le modèle le moins cher au token est-il toujours le plus rentable ?

Non. Gemini 3.8 Flash affiche un prix du token bas mais nécessite en moyenne 140 tours d’échange par tâche, pour une facture finale de 11,97 dollars par tâche, l’une des plus élevées du benchmark de Databricks. Le coût réel dépend du nombre d’allers-retours nécessaires pour aboutir, pas seulement du tarif affiché au token.

Les modèles open weight chinois présentent-ils un risque particulier pour une entreprise française ?

Les fournisseurs open weight détaillés par l’index, Zhipu, DeepSeek et Moonshot AI, sont tous chinois, et leur part des tokens servis par Databricks est passée de 7,3 % à 31 % en quelques mois. Côté européen, Mistral AI a publié les poids de Mistral Large 4 fin octobre, mais ce modèle n’apparaît pas dans les familles open weight recensées par l’index. Chaque DSI doit évaluer ces options selon ses propres contraintes de sécurité et de conformité, l’index ne tranchant pas cette question.

Comment une DSI peut-elle se protéger de l’obsolescence rapide des modèles ?

En évitant de lier son architecture à un seul modèle ou un seul fournisseur. Databricks dit évaluer chaque nouveau modèle dans les jours suivant sa sortie avant de décider d’un changement, une méthode qui suppose justement de ne pas dépendre d’un fournisseur unique. Des plateformes qui donnent accès à plusieurs dizaines de modèles via un point d’entrée commun permettent de tester et de basculer sans reconstruire les intégrations à chaque sortie.

Lire au format Markdown.

Essayez Moon AI sur vos propres questions.

Claude, GPT, Gemini et plus de 100 modèles dans un seul espace. Moon Blur masque les données sensibles détectées avant l’envoi. La formule gratuite ne demande pas de carte bancaire.

Moon AI

Moon AI en action

0:00

À découvrir

Captures de chat.realmoon.ai du 29 octobre 2026, avec des données fictives.

Moon AI

Vos préférences

Visites comptées sans cookie.

Notre serveur compte les visites sans cookie ni traceur. Votre thème et votre réponse sur la mesure des publicités sont mémorisés sur cet appareil.

Mesure des publicités

Avec votre accord, les traceurs de nos régies publicitaires (Google) mesurent nos annonces, de la visite à l’inscription puis au premier abonnement et son montant, et peuvent vous montrer nos publicités. Votre réponse vaut 13 mois ; vous pouvez la changer ici à tout moment.

Aucune réponse enregistrée sur cet appareil.

Après un refus, plus aucune balise n’est chargée et le site efface les cookies qu’elles avaient déposés sur realmoon.ai. Ceux des domaines des régies se gèrent chez elles ou dans votre navigateur.

L’application Moon AI possède ses propres réglages de confidentialité.