Le retard des modèles d’IA à poids ouverts (open weight) sur les modèles fermés n’est plus que de 4 à 7 mois en cybersécurité ! L’étude de l’UK AISI confirme l’accélération face aux géants propriétaires, avec des coûts d’exécution effondrés. Analyse.
L’écart temporel qui séparait les modèles d’IA fermés des modèles à poids ouverts vient de voler en éclats sur le terrain de la cybersécurité. D’après les conclusions publiées dans l’étude de l’UK AISI sur la cybersécurité, le retard des meilleures architectures open weight sur les modèles propriétaires les plus avancés n’est plus que de 4 à 7 mois, contre une fenêtre de 6 à 10 mois mesurée tout au long de l’année 2025. Cette accélération impose aux équipes de défense informatique une révision urgente de leurs postures de protection.
Performances cyber : un écart réduit à 4 mois
L’Institut britannique pour la sécurité de l’IA (UK AISI) a soumis plusieurs modèles ouverts majeurs, dont GLM-5.2 (sorti en juin 2026) et DeepSeek V4-Pro, à deux types d’épreuves : des tâches cyber ciblées (recherche de vulnérabilités, ingénierie inverse, exploitation web) et des simulations d’attaques autonomes sur réseau (cyber ranges). Les équipes évalueront également le modèle Kimi K3 de Moonshot AI (2 800 milliards de paramètres) dès la publication officielle de ses poids.
Sur les tests d’évaluation ciblés, GLM-5.2 atteint un niveau d’exécution comparable à Opus 4.6 et GPT-5.3-Codex, des modèles fermés commercialisés seulement 4 mois plus tôt. Sur les simulations d’attaques complètes (cyber ranges), le modèle ouvert maintient un écart d’environ 7 mois sur Opus 4.5.
| Modèle IA | Type d’architecture | Retard mesuré sur la frontière | Coût pour 100M tokens (Cyber Range) |
| Opus 4.6 | Propriétaire (Closed) | Modèle de référence (février 2026) |
~78 € ($85) |
| GLM-5.2 | Poids ouverts (Open weight) |
4 à 7 mois (juin 2026) |
~42 € ($46) |
| DeepSeek V4-Pro | Poids ouverts (Open weight) |
5 à 7 mois
|
~1,10 € ($1.19) |
Open weight et open source : la distinction technique essentielle
Il convient d’établir une démarcation claire que la majorité des observateurs négligent souvent : un modèle à poids ouverts (open weight) n’est pas strictement un modèle open source.
Les modèles open weight mettent à disposition leurs paramètres d’apprentissage entraînés (les poids) sous forme de fichiers téléchargeables. N’importe qui peut les exécuter localement, les modifier ou les intégrer sur ses propres serveurs sans dépendre d’une API distante. En revanche, l’architecture de code, le jeu de données d’entraînement ou les recettes de filtrage restent fréquemment privés.
Les modèles open source, quant à eux, répondent strictement aux exigences du logiciel libre en publiant l’intégralité du pipeline, incluant le code source d’entraînement, la méthodologie et des licences ouvertes sans restriction d’usage.
Les modèles propriétaires (closed weight) conservent leurs poids confidentiels et ne sont accessibles que via des interfaces gérées par le fournisseur (Anthropic, OpenAI, Google).
Pour les entreprises et les acteurs de la cybersécurité, l’open weight offre un avantage stratégique déterminant : la souveraineté des données, l’absence de télémétrie vers des serveurs tiers et la garantie qu’un modèle ne sera pas modifié ou supprimé du jour au lendemain par son éditeur.
Compromis économique : la fracture massive des coûts
Au-delà du resserrement des capacités, le facteur économique redistribue totalement les cartes. L’exécution d’un test complet sur simulateur réseau (cyber range) atteint environ 78 € ($85) avec les modèles propriétaires Opus 4.5 ou 4.6. La même épreuve tombe à 42 € ($46) avec GLM-5.2 et s’effondre à seulement 1,10 € ($1.19) avec DeepSeek V4-Pro.
Ce constat de l’UK AISI rejoint directement les conclusions publiées par Mozilla dans son rapport sur l’état de l’IA open source, qui relevait un écart de compétence moyen tombé à un infime 3,3 % entre modèles ouverts et propriétaires, couplé à une division par 50 des coûts d’inférence en trois ans (passant de 18,40 € à 0,37 € par million de tokens).
Cette réduction drastique des coûts d’accès à des capacités offensives redoutables rétrécit la fenêtre de préparation des défenseurs. Une fois les poids d’un modèle diffusés, les garde-fous de sécurité appliqués lors du déploiement peuvent être contournés ou supprimés localement par des tiers. Pour les organisations, la réponse ne réside plus dans l’espoir d’un retard technique des modèles ouverts, mais dans l’adoption immédiate d’architectures de défense renforcées et autonomes.
🦋 L’actualité de l’open source en français dans votre flux. Suivez Goodtech sur Bluesky (ou vos applications AT Protocol comme W Social et Mu) grâce à notre compte officiel. Suivez, partagez, abonnez-vous à @goodtech.info !
