« Ce n’est pas un modèle ouvert » : pourquoi Stanford et l’OSI dénoncent l’imposture de l’IA dite open source

Téléchargeable ne veut pas dire open source ! Là où certains estampillent leurs modèles de l’étiquette « ouverte », l’OSI et Stanford tapent du poing sur la table : distribuer des poids sans le code ni les données d’entraînement relève d’une illusion.

Dans une tribune sans concession publiée par Katie Steen-James, l’organisation de référence Open Source Initiative rappelle pourquoi les poids ouverts ne remplacent pas l’open source. Alors que des acteurs comme Meta, DeepSeek ou Alibaba inondent le marché de modèles à poids ouverts (open weight), les chercheurs du Stanford Institute for Human-Centered AI rejoignent le front pour dénoncer une confusion savamment entretenue : livrer un fichier binaire de plusieurs gigaoctets sans le code d’entraînement ni les jeux de données bruts n’a absolument rien à voir avec du logiciel libre.

L’illusion de la transparence face aux quatre libertés logicielles

Le diagnostic posé par James Landay, directeur du Stanford HAI, résume la supercherie technique : « Les poids ouverts, c’est un progrès. On peut télécharger le modèle, le faire tourner sur sa propre machine, le tenir à l’écart du pipeline de données d’autrui. Mais on ne peut toujours pas voir comment la chose a été construite, sur quoi elle a été entraînée, ni pourquoi elle se comporte comme elle le fait. Ce n’est pas un modèle ouvert. C’est une distribution ouverte. » En privant les développeurs du pipeline complet, l’industrie confisque la reproductibilité scientifique et transforme chaque modèle en boîte noire impénétrable.

Pour l’Open Source Initiative, l’équation repose sur les piliers historiques du mouvement que les modèles actuels bafouent allègrement :

1. La liberté d’étudier : impossible de comprendre les biais algorithmiques, les hallucinations ou les comportements émergents sans disséquer les jeux de données d’apprentissage.
2. La liberté de modifier : le réentraînement ciblé reste bridé tant que les scripts d’optimisation et les points de contrôle intermédiaires (checkpoints) demeurent sous clé.
3. La liberté d’auditer : la conformité aux futures réglementations sur les données personnelles et le droit d’auteur exige une traçabilité totale des sources, exclue des simples fichiers de pondération.
4. L’évitement de l’enfermement : des projets de recherche ouverts comme OLMo de l’Allen Institute for AI prouvent que seule la mise à disposition des données permet de vérifier comment un modèle mémorise ou oublie une information.

Bataille de licences et risque de captation par les monopoles

La bataille ne relève pas d’une querelle d’experts mais d’un enjeu industriel critique pour les commandes publiques et les entreprises. Sous la pression de groupes comme Amazon, Meta, Microsoft et NVIDIA, la Linux Foundation a soumis cet été la licence OpenMDW (Open Model, Data, and Weights) à l’OSI pour tenter de normaliser ce découpage hybride. Mais en coulisses, la résistance s’organise : d’anciens cadres de l’OSI et des figures historiques du logiciel libre dénoncent une manœuvre d’openwashing destinée à capter la confiance accordée au monde libre sans en concéder les devoirs de transparence.

Coup de bluff terminé : NVIDIA et la Linux Foundation s’allient pour dynamiter les faux modèles « open source » !

La conclusion des chercheurs de Stanford met en garde contre l’apparition d’un piège propriétaire d’un nouveau genre. En se contentant de distribuer des poids mathématiques tout en dissimulant leurs méthodes, les acteurs privés imposent subrepticement leurs grilles de lecture culturelles et techniques. Si le label open source finit par désigner de simples binaires téléchargeables, la communauté aura simplement troqué les API fermées de la Silicon Valley pour des boîtes noires locales, sans jamais obtenir la liberté d’inventer la génération suivante.