Rapport mondial sur l'écosystème LLM 2026-2027 : rattrapage de l'open source, effondrement des coûts et fossé de mise à l'échelle de l'IA en entreprise

Contexte sectoriel : de la course aux modèles à la compétition d'écosystèmes

Le marché mondial des grands modèles de langage (LLM) atteindra 11,63 milliards de dollars en 2026, avec une expansion attendue à un taux de croissance annuel composé de 35,6 %, pour approcher 180 milliards de dollars d'ici 2035. Parallèlement, Gartner prévoit que les dépenses mondiales totales en IA atteindront 2,52 billions de dollars en 2026, en hausse de 44 % sur un an, dont une augmentation de 80,8 % pour les dépenses en modèles d'IA générative. Il ne s'agit plus simplement d'une « course aux modèles », mais d'une évolution complexe d'écosystème croisant technologie, capital, régulation et géopolitique.

Impact sur le marché : effondrement des coûts et concentration du trafic grand public

La tarification des modèles chute d'un facteur 10 à 100. Début 2023, une capacité de niveau GPT-4 coûtait environ 30 dollars par million de tokens ; aujourd'hui, des performances équivalentes sont inférieures à 1 dollar. Les modèles de raisonnement de pointe restent à 10-30 dollars par million de tokens (entrée) et plus de 50 dollars (sortie), tandis que des modèles open source comme DeepSeek V3.2 font chuter les prix à 0,14/0,28 dollar. La mise en cache des prompts et les API par lots peuvent encore réduire les coûts de 90 % et 50 % respectivement, mais seulement 22 % des entreprises suivent leurs dépenses IA au niveau transactionnel, ce qui en fait « le coût caché le plus élevé ».

Côté grand public, le trafic est fortement concentré : ChatGPT détient 53,9 % des visites, Gemini 27,9 %, Claude 9,2 % mais avec une croissance annuelle de 855 %. En contraste frappant avec les dépenses des entreprises, Anthropic détient environ 40 % des dépenses d'API LLM en entreprise ; son outil Claude Code génère un chiffre d'affaires annualisé de plus de 2,5 milliards de dollars, et l'Inde devient le deuxième plus grand marché après les États-Unis. Le taux d'adoption en entreprise semble optimiste en surface — 88 % à 91 % des organisations utilisent déjà l'IA — mais seulement environ un tiers passent à l'échelle, et seulement 7 % déploient à l'échelle de toute l'entreprise. Une enquête de PwC auprès de 4 454 PDG montre que 56 % n'ont pas obtenu un ROI mesurable au cours de l'année écoulée, tandis que les entreprises IA matures atteignent un ROI moyen de 5,8 fois et une productivité en hausse de 37 %. Ce « fossé de passage à l'échelle » est devenu la contradiction centrale de l'IA en entreprise.

Paysage concurrentiel : l'essor de l'open source et la posture défensive du propriétaire.## Paysage concurrentiel : l'essor de l'open source et la posture défensive du closed source

Le rapport de force entre l'open source et le closed source a été entièrement réécrit en l'espace d'un an. Les modèles open-weight chinois représentent désormais plus de 45 % du trafic d'OpenRouter, contre moins de 2 % il y a un an ; la consommation hebdomadaire de jetons de Xiaomi MiMo V2 Pro est le triple de celle du deuxième modèle. L'écart de capacités entre les modèles open source et la frontière fermée est passé de 12 mois à 3-6 mois. DeepSeek V3.2 et MiniMax M2.7 s'approchent du niveau Opus sur des tâches de codage réelles, tandis que le coût de MiniMax est environ 50 fois inférieur. Le closed source ne conserve un avantage de 3 à 8 points de pourcentage que sur les benchmarks de raisonnement les plus exigeants (comme GPQA Diamond). Mais des risques de licence se profilent : certains modèles « open source » comportent des plafonds de production, des clauses éthiques ou des restrictions géographiques ; ignorer ce point dans le processus d'achat entraînera des risques de conformité. Le rythme des sorties s'est accéléré au point de publier chaque semaine, et des laboratoires comme OpenAI, Anthropic, Google, Meta, DeepSeek, Alibaba, Moonshot AI et Zhipu poursuivent leurs confrontations.

Enseignements pour les entreprises : au-delà du taux d'adoption, se concentrer sur le ROI et la gouvernance

Les entreprises devraient cesser d'utiliser « l'adoption de l'IA » comme indicateur et se concentrer plutôt sur « la création d'une valeur commerciale vérifiable ». Selon les données, l'écart entre les entreprises matures en IA et les entreprises ordinaires est plus important que celui entre les adoptants et les non-adoptants. Les entreprises devraient mettre en place des mécanismes de suivi des coûts de l'IA au niveau transactionnel, réduire les dépenses réelles grâce à la mise en cache des prompts et au traitement par lots, tout en évaluant soigneusement les conditions de licence des modèles open source. Le choix des modèles passe d'une logique « performance avant tout » à une logique où « coût, contrôle et conformité » sont à parts égales. En outre, les capacités multimodales sont passées d'une nouveauté à une exigence de base — près de 60 % des applications d'entreprise utilisent plus de deux modalités, et l'Amérique du Nord représente 43,6 % des parts de marché.

Perspectives : les variables clés des 12 à 36 prochains mois

Au cours des 12 prochains mois, les coûts d'inférence continueront de baisser, l'écart de capacités entre l'open source et le closed source pourrait encore se réduire, et les dépenses d'API des entreprises devraient approcher les 15 milliards de dollars d'ici fin 2026. D'ici 24 mois, le multimodal et les agents seront étroitement liés, la fréquence des sorties de modèles pourrait se stabiliser, mais la réglementation (comme les contrôles à l'exportation ou l'AI Act) pourrait devenir une variable permanente — le retrait temporaire de Claude Fable 5 en juin 2026 a déjà préfiguré ce risque. Sur un horizon de 3 ans, le marché des LLM évoluera vers une forte différenciation : quelques modèles closed source de pointe coexisteront avec des modèles open source largement accessibles, et la valeur des entreprises dépendra de leurs actifs de données, de l'intégration des flux de travail et de leur capacité de transformation organisationnelle, plutôt que du choix du modèle lui-même. Pour les investisseurs, il faut s'intéresser aux entreprises capables de démontrer un « ROI post-déploiement », plutôt qu'à celles qui se contentent d'empiler les paramètres de modèles.