« IA open source » recouvre deux réalités. Voici ce qu'exigent la définition de référence et les licences.
Sommaire
- Trois briques, et une seule est généralement ouverte
- La définition de référence de l'IA open source, et ce qu'elle exige
- Ce que donne l'examen des modèles réels
- Ce que les licences interdisent vraiment
- La limite assumée sur les données
- Les quatre questions à poser
- Questions fréquentes
Trois briques, et une seule est généralement ouverte
Un système d'IA n'est pas un bloc unique : il se compose d'au moins trois éléments qui s'ouvrent séparément, et l'usage a pris l'habitude d'appeler « open source » l'ouverture du seul premier.
Les poids
Ce sont les paramètres numériques obtenus à l'issue de l'entraînement. C'est déjà beaucoup, et c'est ce que désigne le terme plus honnête d'open weights, poids ouverts.
Le code d'entraînement
Ce sont les programmes qui ont servi à produire ces poids. Certains acteurs les publient, beaucoup n'en publient qu'une partie.
Les données
C'est la brique la plus rarement ouverte et la plus décisive : une IA apprend à partir d'exemples, comme l'explique notre article sur le fonctionnement de l'intelligence artificielle.
La définition de référence de l'IA open source, et ce qu'elle exige
L'Open Source Initiative, l'organisation qui définit depuis la fin des années 1990 ce qu'est un logiciel open source, a publié en octobre 2024 une définition applicable aux systèmes d'IA, lors de la conférence All Things Open à Raleigh.
Les quatre libertés
La définition de l'IA open source reprend la logique des libertés du logiciel libre et les transpose : utiliser le système pour n'importe quel usage et sans demander la permission, l'étudier et inspecter ses composants, le modifier pour n'importe quel usage y compris pour changer ce qu'il produit, et le partager avec ou sans modification.
Les trois composants exigés
La définition réclame les paramètres du modèle, le code source complet utilisé pour entraîner et exécuter le système, et ce qu'elle appelle l'information sur les données : « une information suffisamment détaillée sur les données utilisées pour entraîner le système pour qu'une personne compétente puisse construire un système substantiellement équivalent ».
Concrètement, cela couvre la description complète des données utilisées, y compris celles qui ne peuvent pas être partagées, leur provenance, leur périmètre, la façon dont elles ont été obtenues et sélectionnées, les procédures d'étiquetage et les méthodes de filtrage, ainsi que la liste des données disponibles publiquement et de celles obtenables auprès de tiers.
Une précision qui coupe court à une échappatoire
La foire aux questions de l'OSI est explicite sur un point souvent utilisé comme argument commercial : la définition ne fait aucune distinction entre ce qu'on appellerait un système, un modèle, ou des poids et paramètres. Publier les poids sous une licence permissive ne suffit donc pas, puisque les autres composants restent exigés.
Ce que donne l'examen des modèles réels
L'OSI a passé plusieurs systèmes connus au crible de sa définition, et le résultat est plus tranché que ce que la communication du secteur laisse penser.
D'après le bilan 2024 publié par l'OSI, quatre systèmes évalués répondaient aux critères : OLMo, Pythia, CrystalCoder et T5. Quatre autres ne les remplissaient pas : Llama 2, Grok, Phi-2 et Mixtral. BLOOM, Starcoder2 et Falcon pourraient les remplir après modification de leur licence.
OLMo associe une licence Apache 2.0 au jeu Dolma publié ; Pythia associe la même licence au jeu public The Pile. Ce sont deux exemples où poids, code et données sont documentés ensemble.
L'OSI précise que ces évaluations ne sont pas des certifications mais une étape d'élaboration de la définition. Il faut donc vérifier la version du modèle concerné.
Ce que les licences interdisent vraiment
Lire une licence prend dix minutes et évite des surprises coûteuses. Voici ce que disent trois des plus répandues, dans leur texte.
Llama : un seuil qui vous rattrape si vous réussissez
La licence communautaire de Llama 3.1 publiée dans le dépôt officiel de Meta prévoit que si vos produits dépassent 700 millions d'utilisateurs actifs mensuels au cours du mois civil précédent, vous devez demander une licence à Meta. Le seuil est assez haut pour ne concerner presque personne, et sa seule existence suffit à écarter la licence des définitions open source, qui n'admettent pas de restriction liée à la taille de l'utilisateur.
Elle impose par ailleurs d'afficher de façon visible la mention « Built with Llama » sur un site, une interface, un billet ou une documentation produit, et de faire commencer par « Llama » le nom de tout modèle entraîné à partir de ces éléments. S'y ajoute une politique d'usage acceptable, incorporée par référence, qui interdit certains usages.
Gemma : des restrictions qui vous suivent chez vos utilisateurs
Les conditions d'utilisation de Gemma incorporent une politique d'usage interdit et obligent, en cas de redistribution, à reporter ces restrictions comme une clause opposable dans tout accord régissant l'usage du modèle. Google se réserve en outre le droit de restreindre, y compris à distance, l'usage des services concernés lorsqu'il estime raisonnablement que l'accord n'est pas respecté.
DeepSeek-R1 : une licence libre ne suffit pas
Le cas est instructif parce qu'il montre que le problème ne se réduit pas à des licences restrictives. La page du modèle DeepSeek-R1 indique que le dépôt de code et les poids sont sous licence MIT, que l'usage commercial est autorisé, ainsi que toute modification et tout travail dérivé, y compris la distillation pour entraîner d'autres modèles. La licence est donc aussi permissive qu'on puisse l'espérer.
La page du modèle ne fournit toutefois pas les données d'entraînement ni l'information détaillée exigée par la définition de l'OSI : une licence libre sur les poids ne suffit pas à rendre le système entier open source.
La limite assumée sur les données
La définition exige une description détaillée des données, mais pas toujours la publication des données d'entraînement elles-mêmes. Cette distinction est écrite dans le texte de l'OSI et doit rester visible quand on emploie le terme « open source ».
Ce qui doit être fourni
La définition réclame la liste des données publiques et accessibles auprès de tiers, ainsi qu'une description complète des données qui ne peuvent pas être partagées : provenance, périmètre, collecte, sélection, étiquetage et filtrage. Cette information doit permettre à une personne compétente de construire un système substantiellement équivalent.
Ce qui peut rester indisponible
La foire aux questions de l'OSI admet que certaines données non publiques ne puissent pas être partagées, par exemple lorsqu'elles contiennent des informations personnellement identifiables. Dans ce cas, l'organisation demande une description assez précise pour comprendre la structure et les biais possibles, sans exiger la diffusion du jeu d'origine.
Cette solution protège des données qui ne peuvent pas être redistribuées, mais elle limite la possibilité de reproduire exactement l'entraînement ou d'inspecter chaque exemple. Dire qu'un système répond à la définition de l'OSI ne signifie donc pas que toutes ses données sont téléchargeables. Il faut encore lire la documentation fournie et décider si elle suffit à votre besoin d'audit.
Les quatre questions à poser
Vous n'avez pas besoin d'arbitrer le débat pour décider si un modèle vous convient. Quatre questions suffisent, et les réponses sont publiques.
Étape 1 : que puis-je télécharger ? Les poids seuls, ou aussi le code d'entraînement et une description des données. La réponse se trouve sur la page du modèle, en général en quelques lignes.
Étape 2 : qu'est-ce que la licence m'interdit ? Cherchez un seuil d'utilisateurs, une restriction d'usage, une mention obligatoire, une obligation de reporter des conditions à vos propres utilisateurs. C'est la partie qui vous coûtera le plus cher si vous la découvrez tard.
Étape 3 : que puis-je vérifier ? Si vous devez un jour expliquer pourquoi le système s'est trompé, aurez-vous de quoi le faire ? La réponse dépend directement de ce qui est publié sur les données.
Étape 4 : que se passe-t-il si l'éditeur change d'avis ? Une licence déjà accordée sur une version ne disparaît pas, mais rien n'oblige un éditeur à conserver les mêmes conditions sur les suivantes. Un modèle que vous pouvez héberger vous-même vous laisse une porte de sortie qu'un service en ligne ne vous laisse pas.
Ce que ce cadre ne règle pas
Ce cadre ne dit rien de la qualité du modèle : il sépare seulement vos droits de vos besoins.
Il ne règle pas non plus le coût : héberger soi-même déplace la dépense et ajoute une charge technique, énergétique et matérielle, détaillée dans notre article sur l'IA et l'environnement. L'ouverture ne garantit pas davantage les usages, abordés dans IA éthique : de quoi parle-t-on exactement.
Ce que nous observons, et ce que nous ne prétendons pas
Nous n'éditons aucun modèle et nous n'avons accompagné aucun déploiement en entreprise : tout ce qui est affirmé ici vient des documents liés dans le texte, que vous pouvez ouvrir et lire vous-même.
Questions fréquentes
Quelle est la différence entre « open source » et « open weights » ?
Les poids ouverts permettent de télécharger, exécuter et ajuster les paramètres d'un modèle. Pour l'OSI, l'open source exige aussi le code d'entraînement et une description des données permettant de reconstruire un système équivalent. Les conditions ne doivent imposer aucune restriction d'usage.
Un modèle open source est-il plus sûr ou plus respectueux de la vie privée ?
Pas automatiquement. L'ouverture permet d'héberger le modèle sans envoyer ses données à un tiers et d'examiner les composants publiés. Un modèle ouvert mal configuré peut néanmoins exposer davantage qu'un service fermé correctement paramétré.
Puis-je utiliser un modèle à poids ouverts dans un produit commercial ?
Souvent oui, mais seule la licence de la version précise le confirme. Elle peut imposer une mention, un nom, des restrictions d'usage ou un seuil nécessitant un accord séparé. La lire avant l'intégration évite une renégociation tardive.
Pourquoi les entreprises ne publient-elles pas leurs données d'entraînement ?
Plusieurs raisons se cumulent. L'OSI souligne que le droit peut autoriser l'entraînement tout en interdisant le repartage, et que la vie privée empêche de diffuser certaines données sensibles. De l'extérieur, il reste impossible de distinguer précisément ces contraintes, ce que critiquent les opposants à la définition.
Comment vérifier le statut d'un modèle qui m'intéresse ?
Commencez par la page officielle pour identifier la licence et les composants publiés. Ouvrez ensuite le texte complet : « MIT » et « licence communautaire » n'imposent pas les mêmes obligations. Si ces informations restent introuvables, considérez cette opacité comme un critère de décision.
Envie d'en discuter ? Consultez les prochaines rencontres, découvrez qui nous sommes ou écrivez-nous. Poursuivez avec notre méthode pour utiliser l'intelligence artificielle.