IA LLM : choisir le bon modèle pour votre entreprise

Comprendre les modèles de langage, leurs usages réels et leurs limites.

Parlons de votre projet
Demander un audit IA

Un LLM, ou large language model, est un modèle de langage entraîné sur d’immenses ensembles de données textuelles pour prédire la suite d’une phrase. Les modèles de langage, LLM en abrégé, sont appelés large language models en anglais : un LLM, language model de grande taille, produit du texte à partir de cet apprentissage. De cette mécanique naissent des capacités concrètes : rédiger, résumer, traduire, extraire une information ou produire du code. Ces modèles de langage excellent sur les tâches de traitement du langage naturel, ou NLP, et sur la génération de texte. Ils se déclinent aujourd’hui en modèles propriétaires comme GPT et en modèles open source comme Llama ou Mistral. Ces modèles constituent le socle de l’intelligence artificielle générative. Cette page explique leur fonctionnement, leurs applications en entreprise, leurs coûts et leurs limites, afin de vous aider à choisir celui qui convient à votre contexte.

Qu’est-ce qu’un LLM, ou grand modèle de langage ?

Un grand modèle de langage est un programme entraîné sur d’énormes quantités de texte pour prédire la suite d’une phrase. Cette mécanique paraît rudimentaire, mais elle fait émerger une capacité générale à rédiger, résumer, traduire ou répondre à une question posée en français.

Une caractéristique essentielle de ces modèles mérite d’être gardée en tête : un LLM ne consulte aucune base de données au moment où il répond. Il produit sa réponse à partir de ce qu’il a appris pendant son entraînement, et cette connaissance s’arrête à la date à laquelle cet entraînement a été réalisé.

Ce qui distingue un LLM des autres formes d’intelligence artificielle

Un modèle d’intelligence artificielle ne se réduit pas aux modèles linguistiques. Les autres formes d’intelligence artificielle classent, prédisent ou détectent à partir de données structurées. Un score de crédit attribue une note à partir de variables financières. Une détection de fraude repère un comportement anormal dans une série de transactions. Une reconnaissance d’image identifie un objet dans une photographie. Ces applications reposent sur du machine learning ou du deep learning appliqué à des données chiffrées ou catégorisées.

Les modèles linguistiques, LLM en abrégé, travaillent sur une matière différente : le langage. Ils manipulent du texte et en produisent du nouveau. C’est également la première technologie d’intelligence artificielle qui s’utilise sans compétence technique particulière, en formulant simplement une demande en français. Cette accessibilité explique en grande partie la vitesse à laquelle ces modèles se sont répandus dans les entreprises, souvent sans décision formelle de la direction.

Les serveurs MCP, pour connecter l’IA à vos outils

Un LLM ne comprend pas au sens où un humain comprend. Il modélise des régularités statistiques du langage, sans intention propre et sans vérifier ce qu’il avance. Cette absence de vérification interne explique un comportement déroutant pour qui le découvre : le modèle produit une réponse fausse avec exactement le même aplomb qu’une réponse juste.

L’absence de vérification interne d’un LLM conditionne tous ses usages professionnels. Avant de déployer un LLM sur un processus qui engage votre entreprise, la question à trancher est celle de la relecture : qui vérifie, à quel moment, et selon quels critères.

Comment fonctionne un modèle de langage ?

Le fonctionnement d’un LLM peut s’expliquer sans entrer dans les mathématiques qui le sous-tendent. Trois notions suffisent à comprendre l’essentiel : la prédiction mot à mot, le mécanisme d’attention, et les deux temps de l’entraînement.

Un modèle de langage prédit le mot suivant à partir de tout ce qui précède, puis recommence l’opération avec ce nouveau mot, et ainsi de suite jusqu’à la fin de sa réponse. Un texte de plusieurs paragraphes est donc produit mot après mot, sans que le modèle ait planifié à l’avance ce qu’il allait écrire.

Le mécanisme d’attention, introduit en 2017 par l’architecture Transformer, a transformé les modèles de langage. Le modèle pèse l’importance relative de chaque mot du texte qu’il a reçu, au lieu de le parcourir linéairement du début à la fin. Il devient ainsi capable de relier une information mentionnée au début d’un document à une question posée à la fin, et de tenir compte d’un contexte long.

L’apprentissage d’un LLM se déroule en deux phases distinctes. Le pré-entraînement d’abord : le modèle absorbe des quantités massives de texte et apprend la structure de la langue, les faits qu’elle véhicule et les régularités du raisonnement écrit.

La phase d’alignement vient ensuite : des humains apprennent au modèle à répondre de façon utile, à suivre des consignes et à refuser certaines demandes. Le pré-entraînement donne la connaissance, l’alignement donne le comportement. C’est l’alignement qui explique pourquoi deux modèles aux capacités comparables répondent avec un style et une prudence différents.

Les données d’entraînement d’un LLM proviennent principalement de texte issu du web, de livres numérisés et de code public, notamment celui publié sur GitHub. Ces ensembles de données textuelles se comptent en milliers de milliards de mots.

Deux questions découlent de l’origine de ces données d’entraînement. Le droit d’auteur d’abord, plusieurs procédures étant en cours entre des éditeurs et des concepteurs de modèles. Les biais ensuite : un modèle reproduit les schémas présents dans les données d’entraînement, avec les représentations et les angles morts que cela suppose.

Quel modèle pour votre besoin ?

Le choix d’un modèle dépend de vos contraintes de confidentialité, de votre volume d’usage et des compétences disponibles en interne. Un premier échange suffit à poser ces critères.

Prendre contact

Comprendre les chiffres et les catégories de modèles

Un système RAG (Retrieval-Augmented Generation) fait répondre l’intelligence artificielle à partir de vos propres documents et non du web. C’est ce qui permet de citer vos procédures, vos tarifs ou vos comptes rendus, avec leurs sources. Huit usages se déclinent à partir de ce socle.

Le nombre de paramètres indique la taille d’un modèle. On parle couramment de modèles de 8 milliards, 70 milliards ou plusieurs centaines de milliards de paramètres. Cette taille donne une indication sur la capacité brute du modèle, mais elle ne garantit pas sa qualité : un petit modèle récent surpasse fréquemment un gros modèle plus ancien, parce que les méthodes d’entraînement et la qualité des données ont progressé.

La fenêtre de contexte désigne la quantité de texte qu’un modèle peut prendre en compte en une seule fois. Elle s’exprime en tokens, l’unité de découpage du texte, un token représentant environ trois quarts d’un mot en français.

La taille de la fenêtre de contexte change concrètement les usages possibles. Une fenêtre étroite ne permet de soumettre qu’un document court. Une fenêtre d’un million de tokens autorise le traitement d’un corpus entier en une seule requête, ce qui ouvre des usages d’analyse documentaire jusqu’ici impossibles.

Trois catégories de modèles coexistent aujourd’hui, et le choix entre elles dépend de la tâche à traiter.

Le premier type, le modèle généraliste, répond rapidement et convient à la rédaction, au résumé et à la reformulation. Le modèle de raisonnement prend le temps de décomposer un problème avant de formuler sa réponse : il est plus lent et plus coûteux, mais il apporte un vrai gain sur l’analyse et sur la production de code. Le modèle spécialisé, enfin, a été ajusté à un domaine précis et se montre plus pertinent sur ce périmètre restreint.

Modèles propriétaires ou LLM open source ?

Le marché des LLM, modèles de langage propriétaires comme ouverts, se partage entre deux familles. D’un côté les modèles accessibles par abonnement ou par API. De l’autre les open source LLM, dont les poids sont publiés et que vous pouvez héberger vous-même. Les termes open source, LLM open weight et licence libre recouvrent d’ailleurs des réalités distinctes, détaillées plus bas.

Plusieurs LLM open source atteignent aujourd’hui un niveau professionnel, et l’utilisation de LLM open source progresse rapidement en entreprise. Côté source ouverte, les LLM open weight se sont imposés : nous travaillons principalement avec Llama 3, développé par Meta, Qwen publié par Alibaba, ainsi que Mistral et Mixtral, conçus par Mistral AI en France. Nous utilisons également DeepSeek, notamment ses architectures à mélange d’experts, qui offrent de bonnes performances sur les modèles de grande taille. Côté embeddings, notre choix se porte sur bge-m3.

Nous ne recommandons pas un modèle plutôt qu’un autre par principe. Le choix se fait en fonction des contraintes techniques du projet, des exigences de confidentialité et du niveau de performance recherché.

Un quatrième critère de choix intervient, moins souvent évoqué : le style de réponse attendu en sortie. Chaque modèle possède une manière d’écrire qui lui est propre, héritée de son alignement. Un modèle répondra de façon concise et directe, un autre développera davantage, un troisième multipliera les précautions. Sur un usage de rédaction, cette différence pèse autant que les performances brutes.

L’expression open source appliquée aux modèles de langage recouvre des réalités différentes qu’il faut connaître avant de s’engager. La plupart des modèles qualifiés d’ouverts diffusent leurs poids sans publier les données d’entraînement qui ont servi à les construire : on parle alors de modèles open weight plutôt que véritablement open source.

Certaines licences de modèles ouverts restreignent par ailleurs l’usage commercial au-delà d’un seuil d’utilisateurs ou de chiffre d’affaires. Des poids ouverts ne signifient donc pas automatiquement une licence libre, et cette distinction protège le client d’une mauvaise surprise contractuelle.

Trois critères guident l’arbitrage entre un modèle propriétaire et un LLM open source hébergé en interne.

La sensibilité des données constitue le premier critère, parce qu’elle peut interdire purement et simplement tout envoi vers un service tiers. Le volume d’usage vient ensuite : un usage intensif rend l’auto-hébergement progressivement plus économique. Les compétences internes closent l’arbitrage, car un modèle auto-hébergé sans personne pour le maintenir devient une dette technique plutôt qu’un actif.

Héberger un LLM en interne : ce que cela suppose vraiment

L’hébergement d’un LLM sur vos propres serveurs, en local ou sur une infrastructure dédiée, est présenté comme la solution souveraine par excellence. Cette option est réelle, mais elle suppose des engagements que les articles généralistes passent sous silence.

L’investissement matériel est lourd. Une infrastructure d’hébergement repose sur des GPU professionnels dotés de très grandes quantités de mémoire vidéo, dont le coût se compte en dizaines de milliers d’euros pour une infrastructure capable de servir plusieurs utilisateurs simultanément.

Les compétences requises sont pointues. Maintenir un LLM en production demande des savoir-faire en MLOps, l’ingénierie d’exploitation du machine learning : optimiser les moteurs d’inférence, absorber les pics de charge et assurer la maintenance des serveurs.

La rentabilité n’apparaît qu’à partir d’un volume massif. En dessous d’un usage quotidien élevé de votre modèle, les API des services managés reviennent nettement moins cher qu’une infrastructure dédiée.

En contrepartie de ces trois engagements, l’hébergement interne d’un LLM vous donne un contrôle total sur vos données, une confidentialité absolue puisque rien ne sort de votre réseau, et une latence minimale. Le débit d’utilisateurs simultanés reste en revanche strictement limité par la capacité physique de votre infrastructure, là où une API absorbe les pics sans que vous ayez à vous en préoccuper.

Quel modèle recommander selon votre situation ?

Pour une entreprise qui découvre le sujet et souhaite expérimenter sans investissement lourd, les modèles propriétaires accessibles par API restent le point d’entrée le plus raisonnable : aucune infrastructure à monter, une facturation à l’usage, et la possibilité d’arrêter à tout moment.

Pour une organisation qui ne peut rien envoyer à l’extérieur, hôpital, collectivité, secteur de la défense ou activité soumise au secret professionnel, nous recommandons aujourd’hui des modèles d’IA open source, hébergés en interne sur un serveur dédié ou une machine locale suffisamment puissante, comme ceux proposés par Deepseek, Mistral ou Qwen par exemple. Pour découvrir tous ces modèles vous pouvez utiliser Hugging Face.

Ces recommandations de modèles correspondent à l’état du marché en août 2026 et sont réévaluées trimestriellement.

Les usages concrets d’un LLM en entreprise

Un LLM ne convient pas à toutes les tâches. Distinguer ce qu’il fait bien de ce qu’il fait mal évite la plupart des déconvenues.

Cinq familles de tâches donnent des résultats fiables : la reformulation et le résumé d’un texte que vous fournissez, la traduction, la production d’une première version à retravailler, l’extraction d’une information précise dans un document long, et l’aide à la production de code. Le service client figure parmi les applications les plus répandues en entreprise, dès lors que les réponses s’appuient sur une documentation fournie au modèle.

Ces cinq familles de tâches réussies ont un point commun : la matière est fournie au modèle, qui se contente de la transformer. C’est dans cette configuration qu’un LLM donne le meilleur de lui-même.

Un LLM déçoit dès qu’on lui demande une exactitude vérifiable sans lui fournir la source. Les calculs, les données chiffrées récentes et les références juridiques précises entrent dans cette catégorie.

Un LLM déçoit également lorsqu’on attend de lui un jugement métier qu’aucun humain n’a formalisé au préalable. Un modèle ne peut pas restituer une règle de décision qui n’existe que dans la tête de vos experts.

Trois situations appellent une autre solution qu’un modèle de langage.

Première situation : lorsque la règle est stable et connue, une automatisation classique fait mieux, coûte moins cher et se comporte de façon prévisible. Lorsque la donnée existe déjà dans une base ou dans un ERP, une simple requête suffit et donne un résultat exact. Lorsque l’erreur n’est pas rattrapable, enfin, un contrôle humain reste indispensable quelle que soit la qualité du modèle.

Un cas d’usage déployé : support technique et facture électronique

Nous avons déployé un assistant de support technique et réglementaire dédié à la facture électronique, un domaine où la documentation technique et légale ne laisse aucune place à l’approximation.

Cet assistant sert trois publics au sein de la même organisation. Les clients obtiennent des réponses directes à leurs interrogations techniques et juridiques, en autonomie. Les agents du support disposent d’un outil de recherche accélérée pendant les appels téléphoniques. À l’issue de chaque appel, une fiche de procédure est générée automatiquement.

La génération de fiches s’est révélée l’usage le plus apprécié : l’agent produit en un clic un document récapitulatif pas-à-pas, envoyé au client pour guider sa résolution et enrichir ses propres procédures internes.

Le dispositif repose sur Ocade RAG, couplé à un modèle choisi pour son respect strict des consignes, Llama 3.1 8B ou Mistral Small selon les déploiements. Le découpage des documents suit rigoureusement les articles et les spécifications réglementaires, afin de garantir l’absence d’hallucination sur les normes de facturation.

L’assistant de support a produit trois effets mesurables. Du côté des agents, le temps de saisie et de rédaction après appel a été nettement réduit. Du côté des clients, le support écrit reçu est clair, traçable et immédiatement réexploitable en interne. Sur le plan de la fiabilité, les réponses produites sont conformes aux exigences strictes de la réglementation sur la facture électronique.

Trois critères guident l’arbitrage entre un modèle propriétaire et un LLM open source hébergé en interne.

La sensibilité des données constitue le premier critère, parce qu’elle peut interdire purement et simplement tout envoi vers un service tiers. Le volume d’usage vient ensuite : un usage intensif rend l’auto-hébergement progressivement plus économique. Les compétences internes closent l’arbitrage, car un modèle auto-hébergé sans personne pour le maintenir devient une dette technique plutôt qu’un actif.

Le LLM seul ne suffit pas

Un modèle de langage écrit remarquablement bien, mais il ne sait rien de votre entreprise. Trois briques se combinent pour transformer cette capacité générale en outil utile à votre activité.

Chacune de ces trois briques joue un rôle distinct. Le LLM produit le langage. La génération augmentée par récupération, ou RAG, lui fournit vos documents pour qu’il réponde à partir de vos contenus plutôt que de sa seule mémoire. L’automatisation, enfin, déclenche les traitements et enchaîne les étapes sans intervention humaine.

Découvrir le RAG
Découvrir l’automatisation IA

Coûts, limites et risques d’un LLM

Le coût d’un LLM varie considérablement selon le mode de déploiement retenu. Via une API managée, il se situe entre quelques centimes et une trentaine d’euros par million de tokens, selon la taille et la sophistication du modèle appelé.

Un hébergement local d’un LLM sur GPU dédié relève d’une logique différente : il implique un investissement fixe de plusieurs dizaines de milliers d’euros d’infrastructure, et cet investissement ne devient rentable qu’à partir de très gros volumes quotidiens de requêtes.

Quatre limites d’un modèle de langage se manifestent régulièrement dans les projets. Les hallucinations, d’abord, c’est-à-dire des réponses inventées présentées avec assurance. La connaissance figée ensuite, arrêtée à la date de fin d’entraînement du modèle. Le non-déterminisme, qui fait varier la réponse d’une exécution à l’autre sur une même question. Et la dépendance au fournisseur, qui peut modifier ou retirer un modèle sans préavis.

Le traitement des données envoyées à un LLM dépend du service utilisé et de la formule souscrite. Les offres grand public peuvent utiliser les échanges pour améliorer les modèles, tandis que les offres professionnelles l’excluent généralement par contrat.

La question à se poser avant tout usage professionnel n’est donc pas de savoir si le service est sécurisé, mais de savoir ce que prévoit exactement le contrat que votre entreprise a signé.

Quatre mesures réduisent le risque d’hallucination sur un dispositif en production. Ancrer les réponses dans des documents fournis plutôt que dans la mémoire du modèle. Contraindre le format de sortie pour limiter la marge d’improvisation. Faire citer les sources systématiquement. Et prévoir une validation humaine sur tout contenu destiné à sortir de l’entreprise.

Aucune de ces quatre mesures ne supprime le risque d’hallucination : elles le réduisent, et c’est déjà considérable.

Cinq sujets méritent l’attention d’un dirigeant qui déploie des LLM. L’IA Act et ses obligations différenciées selon le niveau de risque du système. Le RGPD, dès lors que des données personnelles sont envoyées à un service. Le droit d’auteur des contenus produits par le modèle. Les biais reproduits depuis les données d’entraînement. Et l’empreinte environnementale de ces technologies. Découvrir notre audit IA

Les modèles open source rattrapent-ils les modèles propriétaires ?

L’écart entre les modèles open source et les modèles propriétaires s’est considérablement réduit. Sur les tâches de texte et de code, les meilleurs modèles ouverts atteignent aujourd’hui plus de 90 % du niveau des modèles fermés les plus avancés, avec des nuances techniques qu’il faut connaître.

Là où l’open source égale ou dépasse le propriétaire

Le premier domaine où les modèles open source égalent le propriétaire couvre la compréhension de texte, le RAG et la production de code : sur ces tâches, les plus grands modèles ouverts rivalisent avec les références propriétaires sur les jeux d’évaluation standards.

Le deuxième domaine est la spécialisation par fine-tuning, où l’avantage bascule franchement : un petit modèle ouvert de 8 à 14 milliards de paramètres, réentraîné sur vos propres données métier, dépasse souvent un modèle généraliste propriétaire sur un domaine précis.

Le troisième domaine est le coût d’inférence à grande échelle, où l’open source permet de diviser par cinq à dix-huit le coût par token sur des volumes très élevés.

Là où les modèles propriétaires conservent une avance

Le premier écart concerne le raisonnement en plusieurs étapes et l’usage d’outils, mieux maîtrisés par les modèles propriétaires que par les modèles open source. Suivre des consignes très complexes à contraintes multiples, ou orchestrer des agents sans défaillance, demeure plus solide de ce côté.

Le multimodal natif avancé constitue le deuxième écart. Le traitement croisé et simultané de la vidéo, de l’audio et du texte reste l’apanage des API propriétaires.

La taille d’infrastructure constitue le troisième écart. Pour égaler un modèle propriétaire de pointe, l’open source exige des modèles très massifs dont l’hébergement demande une infrastructure lourde.

Ce qu’il faut en retenir

L’open source n’est plus un choix de second rôle ni un compromis au rabais. Il constitue aujourd’hui une alternative de premier plan pour 80 à 90 % des cas d’usage en entreprise, en particulier lorsqu’un RAG est en jeu. Les modèles propriétaires conservent leur pertinence sur les cas les plus complexes et sur les usages multimodaux.

Notre position sur les modèles de langage

Nous ne vendons aucun modèle

Graciet & Co ne commercialise aucun modèle de langage et n’a donc aucun intérêt à en recommander un plutôt qu’un autre. Nous les mettons en œuvre chez des clients, ce qui nous permet de dire ce qui fonctionne, ce que cela coûte réellement et ce qui échoue.

La maîtrise avant la performance

Graciet & Co défend une position simple sur le choix d’un modèle : un modèle légèrement moins performant mais dont vous savez où passent les données vaut mieux qu’un modèle excellent dont le traitement vous échappe. Cette position guide nos recommandations, en particulier auprès des organisations soumises à des contraintes de confidentialité.

Ce que nous pouvons vous promettre

Nous nous engageons à vous aider à choisir un modèle adapté à votre contexte, à cadrer les usages au sein de votre entreprise, et à mettre en œuvre un dispositif dont vous gardez la maîtrise.

Deux promesses relatives aux LLM seraient excessives et nous ne les formulerons jamais : garantir l’absence totale d’erreur, et annoncer un gain de productivité chiffré avant d’avoir observé vos processus.

Parlons de votre projet

Choisir un modèle, cadrer les usages, mettre en œuvre un dispositif dont vous gardez la maîtrise.

Nous vous répondons sous 24 heures ouvrées.

Contactez-nous

Champs obligatoires (*)

Formulaire de contact

« * » indique les champs nécessaires

RGPD*

Pour en savoir plus sur les modalités de traitement de vos données, veuillez consulter notre politique de confidentialité relative à la protection de vos données personnelles récoltées par l’intermédiaire de ce site.

Questions fréquentes sur les LLM

Un LLM, ou large language model, est un modèle de langage entraîné sur d’immenses ensembles de données textuelles pour prédire la suite d’une phrase. Cette capacité lui permet de rédiger, résumer, traduire, extraire une information ou produire du code.

Ces modèles linguistiques relèvent du traitement du langage naturel et reposent sur des architectures de deep learning. Ils ne consultent aucune base de données au moment de répondre : ils produisent leur réponse à partir de ce qu’ils ont appris pendant leur entraînement.

L’intelligence artificielle désigne un ensemble de technologies dont les LLM ne constituent qu’une famille. D’autres formes d’IA classent, prédisent ou détectent à partir de données structurées : scoring de crédit, détection de fraude, reconnaissance d’image.

Un LLM se distingue par sa matière première, le langage, et par son accessibilité. C’est la première technologie d’intelligence artificielle qui s’utilise sans compétence technique, en formulant une demande en français.

Plusieurs LLM open source atteignent un niveau professionnel : Llama 3 de Meta, Qwen d’Alibaba, Mistral et Mixtral de Mistral AI, ainsi que DeepSeek et ses architectures à mélange d’experts.

Le meilleur modèle dépend de votre cas d’usage plutôt que d’un classement général. Nous choisissons selon les contraintes techniques, les exigences de confidentialité, le niveau de performance recherché et le style de réponse attendu en sortie.

Un LLM open source n’est pas toujours libre d’utilisation. La plupart des modèles qualifiés d’ouverts publient leurs poids sans diffuser les données d’entraînement, ce qui en fait des modèles open weight plutôt que de véritables modèles open source.

Certaines licences de modèles ouverts restreignent par ailleurs l’usage commercial au-delà d’un seuil d’utilisateurs ou de chiffre d’affaires. Il faut donc vérifier la licence avant tout déploiement en entreprise.

Le coût d’un LLM via une API managée se situe entre quelques centimes et une trentaine d’euros par million de tokens, selon la taille du modèle appelé. Ce mode convient aux volumes modérés et n’exige aucun investissement initial.

Un hébergement local sur GPU dédié demande, lui, plusieurs dizaines de milliers d’euros d’infrastructure. Cet investissement ne devient rentable qu’à partir de très gros volumes quotidiens de requêtes.

L’hébergement interne se justifie dans deux situations : lorsque la sensibilité des données interdit tout envoi vers un service tiers, ou lorsque le volume d’usage rend l’infrastructure dédiée plus économique que la facturation à l’usage.

L’hébergement interne suppose en contrepartie un investissement matériel lourd en GPU professionnels, des compétences en MLOps pour la maintenance, et une capacité d’utilisateurs simultanés limitée par votre infrastructure. Sans personne pour le maintenir, un modèle auto-hébergé devient une dette technique.

L’essentiel à retenir

Un LLM, ou grand modèle de langage, est un programme entraîné sur d’immenses ensembles de données textuelles pour prédire la suite d’une phrase. De cette mécanique naissent des capacités de rédaction, de résumé, de traduction, d’extraction d’information et de production de code. Ces modèles ne consultent aucune base de données : ils répondent à partir de leur apprentissage.

Le marché se partage entre des modèles propriétaires accessibles par API et des modèles open source comme Llama, Qwen, Mistral ou DeepSeek, que vous pouvez héberger vous-même. Les modèles ouverts couvrent aujourd’hui 80 à 90 % des cas d’usage en entreprise, les modèles propriétaires conservant l’avantage sur le raisonnement complexe et le multimodal.

Le choix d’un modèle repose sur quatre critères : la sensibilité de vos données, votre volume d’usage, les compétences disponibles en interne et le style de réponse attendu. Un modèle légèrement moins performant mais dont vous maîtrisez le traitement des données vaut mieux qu’un modèle excellent dont le fonctionnement vous échappe.

État des lieux arrêté en août 2026. Panorama des modèles et coûts réévalués trimestriellement.

Prendre contact

Glossaire des modèles de langage

Les termes que vous rencontrerez dans tout projet impliquant un modèle de langage.

Pour aller plus loin