Les modèles open source vont-ils tuer la « demande en puissance de calcul » ? Morgan Stanley explore trois futurs de l'IA

Rapport original : Morgan Stanley Research « Weighing In: Open-Weights Models & 3 States of the World », 3 août 2026

Compilation et organisation : DaiDai, Frank, MSX Maitong Research Institute

Aperçu des points clés

• Les modèles à poids ouverts réduisent le coût par appel et le seuil de déploiement, mais ne diminuent pas nécessairement la demande totale de puissance de calcul. À mesure que l'IA pénètre davantage d'entreprises, de flux de travail et d'appareils, l'augmentation du volume d'appels pourrait dépasser les gains d'efficacité, déclenchant le « paradoxe de Jevons » typique ;
• Les entreprises sont déjà entrées dans une ère de modèles multiples, les modèles à poids ouverts prenant principalement en charge la programmation, le traitement de documents, les appels fréquents et les tâches spécifiques, tandis que le raisonnement complexe et les charges de travail des agents dépendent encore largement des modèles fermés à la pointe ;
• Avoir des poids ouverts ne signifie pas que c'est gratuit, les économies réalisées par les entreprises peuvent provenir des frais de licence de modèle ou de certains frais d'API, mais elles doivent toujours supporter les coûts de GPU, de services cloud, de centres de données locaux, de réglages fins, de talents, de sécurité et d'exploitation ;
• Que ce soit des modèles fermés, hybrides ou à poids ouverts qui dominent finalement, NVIDIA, l'électricité sur site et les logiciels de sécurité sont des directions de bénéfice interscénario relativement claires ;
• Plus les modèles à poids ouverts se répandent, plus la chaîne de valeur de l'IA est susceptible de se diffuser des couches de modèles de base vers l'inférence, le routage, l'orchestration, l'observabilité, l'infrastructure locale, les appareils en périphérie et les applications verticales ;

À intervalles réguliers, le marché de l'IA semble traverser une « panique d'efficacité ».
Lorsque les paramètres des modèles diminuent, que les coûts d'inférence baissent, ou qu'une entreprise de modèles atteint des performances proches de l'avant-garde avec moins de puces, le marché développe rapidement une intuition : puisque les ressources de calcul nécessaires pour accomplir la même tâche diminuent, la demande en GPU, en centres de données et en électricité atteindra-t-elle également un sommet ?

L'émergence de nouvelles générations de modèles à poids ouverts, tels que Kimi K3 et DeepSeek V4 Flash, remet cette question sur le devant de la scène. Ces modèles tentent non seulement de réduire l'écart de capacité avec les modèles fermés à la pointe, mais permettent également aux entreprises de télécharger, modifier et déployer les modèles de manière autonome, diffusant ainsi des capacités qui étaient auparavant hautement concentrées dans quelques laboratoires de modèles américains vers un plus large éventail de développeurs et de technologies d'entreprise.

Cependant, la réponse donnée par Morgan Stanley dans son dernier rapport est exactement à l'opposé de cette intuition :
L'amélioration de l'efficacité des modèles ne tuera pas nécessairement la demande en puissance de calcul, elle pourrait plutôt rendre l'IA suffisamment bon marché pour pénétrer des scénarios où l'utilisation de l'IA n'était pas rentable auparavant, augmentant ainsi le volume global des appels.

Sur cette base, la véritable discussion à avoir est de savoir où la puissance de calcul se produira, qui la fournira, et quelles entreprises pourront tirer des revenus de cette diffusion.

I. Des modèles moins chers, pourquoi pourraient-ils consommer plus de puissance de calcul ?

Une des idées fausses les plus courantes concernant les modèles à poids ouverts est d'assimiler directement la « baisse des coûts des modèles » à une « baisse des besoins en infrastructure ».

Cependant, pour la plupart des entreprises, la décision d'adopter l'IA ne dépend pas seulement de la quantité de puissance de calcul nécessaire pour qu'un modèle accomplisse une tâche, mais de la capacité de ce modèle à générer des revenus qui couvrent les coûts du modèle, de l'ingénierie et de l'infrastructure.

Les calculs cités par Morgan Stanley montrent qu'une tâche d'IA d'entreprise peut générer en moyenne environ 55 dollars de revenus, tandis que le coût direct est d'environ 2 à 5 dollars. Même en tenant compte des coûts de données, d'ingénierie, de sécurité et de gestion, ce rapport de revenus à coûts signifie que de nombreux flux de travail d'entreprise n'ont pas encore été automatisés par l'IA.

Dans ce contexte, le résultat de la baisse des prix des modèles pourrait ne pas être une réduction des dépenses en IA par les entreprises, mais plutôt que davantage de tâches franchissent le seuil de viabilité économique.

Par le passé, les entreprises confiaient peut-être uniquement les tâches les plus importantes et les plus précieuses à l'IA ; à mesure que le prix de l'inférence continue de baisser, des tâches telles que la classification des enregistrements de service client, la révision de contrats, les tests de code, la description de produits, la recherche d'entreprise, le matériel marketing, le nettoyage des données et même les approbations internes pourraient être intégrées dans le flux de travail des modèles.

Les ressources de calcul nécessaires pour chaque tâche peuvent diminuer, mais le nombre de tâches, la fréquence d'exécution et l'échelle des utilisateurs pourraient également s'élargir simultanément.

C'est précisément ce que le rapport mentionne à plusieurs reprises comme le « paradoxe de Jevons », lorsqu'une ressource devient plus efficace et que son coût unitaire diminue, son utilisation totale peut en fait augmenter en raison de l'expansion rapide de son champ d'application.

Par exemple, une voiture plus économe en carburant n'a pas fait disparaître la demande mondiale de pétrole ; la bande passante Internet de plus en plus abordable n'a pas réduit le trafic de données. De même, des modèles plus efficaces ne réduisent pas nécessairement l'utilisation des GPU, mais pourraient plutôt faire passer l'IA de quelques tâches de haute valeur à une capacité de base omniprésente au sein des entreprises.

Actuellement, cette diffusion a déjà commencé à se produire.

Une enquête de McKinsey citée dans le rapport montre que 63 % des entreprises interrogées utilisent déjà des modèles ouverts dans leur pile technologique, mais la plupart des entreprises n'ont pas complètement abandonné les modèles fermés, mais les utilisent en combinaison. Les modèles à poids ouverts sont principalement utilisés pour la programmation, l'analyse de documents, les appels fréquents et les tâches spécifiques, tandis que les modèles fermés à la pointe continuent de prendre en charge le raisonnement complexe, les exigences de fiabilité plus élevées et les tâches plus difficiles à standardiser.

Entre février et juillet 2026, la proportion de tokens routés vers des modèles ouverts en Chine par des entreprises américaines via OpenRouter a dépassé 30 % par semaine. Ce chiffre pourrait être plus représentatif des développeurs et des startups, et ne pas représenter directement les dépenses des grandes entreprises, mais il montre au moins que les modèles à poids ouverts sont passés du concept de laboratoire à un environnement réel d'appels et de déploiement.

Bien sûr, avoir des modèles à poids ouverts ne signifie pas « modèles gratuits ».

Lorsqu'elles s'auto-hébergent, les entreprises peuvent ne plus avoir à payer des frais d'API calculés par token aux fournisseurs de modèles, mais elles doivent toujours acheter ou louer des GPU et supporter les coûts des centres de données, des services cloud, des réglages fins, des équipes d'ingénierie, de sécurité et d'exploitation quotidienne. Cela signifie que l'utilisation de modèles à poids ouverts via des API hébergées par des fournisseurs de modèles ou des plateformes cloud pourrait toujours entraîner des frais basés sur le token ou la quantité de calcul.

Ainsi, ce qui change avec les poids ouverts, ce n'est pas l'existence des coûts de calcul, mais la manière dont les entreprises paient ces coûts de calcul, et si la valeur est obtenue par le fournisseur de modèles, la plateforme cloud ou l'infrastructure propre de l'entreprise.

Une étude du MIT citée par Morgan Stanley estime qu'en passant des modèles fermés aux modèles ouverts, le prix pourrait diminuer d'environ 70 %, économisant environ 25 milliards de dollars par an pour les consommateurs. Mais le rapport souligne également que cette étude a été réalisée assez tôt, que les capacités des différents modèles ne sont pas entièrement comparables et qu'elle n'a peut-être pas suffisamment pris en compte les coûts cachés liés à l'ingénierie, aux réglages fins et à l'exploitation.

Une autre étude de Carnegie Mellon montre que le délai de récupération pour le déploiement de modèles ouverts pourrait s'étendre d'environ 3 mois à 6 ans, les modèles avec moins de paramètres, des tâches fixes et une fréquence d'appel élevée pouvant rapidement amortir les coûts matériels. Les grands modèles et les applications d'entreprise complexes pourraient, en raison d'une utilisation insuffisante, de mises à jour fréquentes et de coûts de réglage trop élevés, ne pas prouver pendant longtemps que le déploiement interne est moins cher que l'API.

Ainsi, l'économie des modèles à poids ouverts n'a pas de réponse unique.

Elle dépend de l'échelle du modèle, de la fréquence d'utilisation, du taux d'utilisation de l'infrastructure, des capacités d'ingénierie de l'entreprise et de la nécessité de conserver les données localement. Plus un modèle est ouvert, plus les choix d'une entreprise sont nombreux, mais plus les responsabilités techniques qu'elle doit assumer sont grandes.

II. À la prochaine étape, où se produira la puissance de calcul ?

Si l'avenir de l'IA est dominé par quelques modèles fermés, alors l'entraînement et l'inférence continueront à se concentrer sur de grandes plateformes cloud et des centres de données à très grande échelle.

Mais si les modèles à poids ouverts sont adoptés plus largement, la puissance de calcul de l'IA ne disparaîtra pas, mais se diffusera davantage des quelques nœuds centraux vers des clouds privés, des centres de données d'entreprise, des centres de données souverains, des serveurs en périphérie et des appareils personnels.

Cela signifie que les variables à surveiller sur le marché passeront de « combien de GPU sont nécessaires » à « où les GPU sont déployés, qui les gère et comment ils sont appelés ».

À l'ère des modèles fermés, les entreprises pouvaient externaliser la plupart de la complexité aux entreprises de modèles : se connecter à une API, payer par token, le fournisseur étant responsable des mises à jour des modèles, de l'infrastructure, de l'alignement de la sécurité et d'une partie des responsabilités légales.

Avec l'entrée dans l'ère des modèles multiples, cette structure simple commence à être remise en question.

Les entreprises pourraient confier les tâches les plus complexes aux modèles fermés à la pointe, tandis que les tâches fréquentes et sensibles aux coûts seraient confiées aux modèles à poids ouverts ; les données sensibles resteraient sur site, tandis que les charges de travail générales s'exécuteraient sur le cloud public ; certaines requêtes seraient traitées dans des centres de données, tandis que d'autres seraient directement exécutées sur des ordinateurs, des téléphones ou d'autres appareils en périphérie.

Plus le nombre de modèles est élevé et plus les emplacements de déploiement sont dispersés, plus la pile technologique de l'IA des entreprises devient complexe :

• D'abord, il y a la couche de passerelle : les entreprises ont besoin d'un point d'entrée unifié pour gérer l'authentification, les autorisations d'appel, les limites de débit, l'enregistrement des journaux et la bascule des fournisseurs ;
• Ensuite, il y a la couche de routage : le système doit attribuer chaque requête au modèle le plus approprié en fonction de la précision, de la latence, des coûts, de la sensibilité des données et de la difficulté de la tâche ;
• Ensuite, il y a la couche d'orchestration : les flux de travail complexes d'agents nécessitent souvent la collaboration de plusieurs modèles, bases de données et outils externes, une seule requête utilisateur pouvant être décomposée en des dizaines d'étapes et d'appels ;
• Enfin, il y a la couche d'observabilité et d'évaluation : les entreprises doivent suivre en permanence la qualité des sorties des modèles, la latence de réponse, l'utilisation des tokens, les coûts d'exploitation, les raisons d'échec et les risques de sécurité.

C'est aussi pourquoi la diffusion des modèles à poids ouverts ne profite pas seulement aux fournisseurs de modèles.

Lorsque les modèles de base deviennent plus facilement accessibles, les entreprises sont plus disposées à payer pour « comment mettre les modèles en production de manière stable ». Les passerelles de modèles, le routage des tâches, l'orchestration des agents, la gouvernance des données, l'observabilité et les logiciels de sécurité pourraient devenir des maillons de la chaîne de valeur plus difficiles à réduire.

L'importance de la sécurité est particulièrement marquée. Lorsque les modèles fermés fonctionnent de manière centralisée, une partie de la responsabilité en matière de sécurité incombe aux laboratoires de modèles et aux plateformes cloud ; mais lorsque les modèles ouverts pénètrent dans les locaux des entreprises, dans des clouds privés et sur des appareils en périphérie, l'identité, les données, les points de terminaison, les poids des modèles et l'environnement d'exécution doivent tous être protégés de manière indépendante.

Les entreprises doivent non seulement empêcher les employés d'envoyer des données sensibles à des modèles incorrects, mais aussi gérer quels modèles peuvent accéder à quelles bases de données, appeler quels outils, et s'ils peuvent être victimes d'injections de prompts, de distillation de modèles, de falsification de poids ou d'abus de droits.

Plus le déploiement des modèles est dispersé, plus la surface d'attaque est grande ; plus le nombre de modèles est élevé, plus les coûts de gouvernance sont élevés.

Ainsi, ce que les modèles à poids ouverts apportent réellement, ce n'est pas la disparition de la valeur des infrastructures d'IA, mais la diffusion de la valeur d'un modèle de base unique et d'une couche d'API vers l'ensemble de la pile système.

Les dépenses en IA de demain pourraient ne plus se traduire uniquement par la construction de super clusters d'entraînement par quelques géants de la technologie, mais aussi par l'achat de serveurs par les entreprises, la mise à niveau des réseaux et du stockage, le déploiement de systèmes de sécurité, la construction de plateformes d'IA privées, et la configuration de capacités de calcul plus puissantes sur les appareils mobiles et les PC.

La demande en puissance de calcul passe d'une concentration à une distribution, ce qui ne signifie pas que le volume total diminue, mais que les bénéficiaires ne se concentrent plus uniquement dans les laboratoires de modèles et les grands fournisseurs de cloud.

III. Trois mondes de l'IA : peu importe qui gagne, personne ne peut échapper à la puissance de calcul, à l'électricité et à la sécurité

Morgan Stanley n'a pas attribué de probabilités claires aux trois scénarios futurs, mais a plutôt exploré les différentes manières dont la valeur pourrait être répartie dans la chaîne d'approvisionnement de l'IA en cas de victoire des modèles fermés, de coexistence d'architectures hybrides ou de victoire des modèles à poids ouverts.

Premier scénario : Les modèles fermés continuent de dominer les capacités de pointe

Dans ce scénario, les performances, la fiabilité et la sécurité des modèles de pointe restent difficiles à reproduire, et quelques laboratoires de modèles disposant de capitaux importants continuent de maintenir leur avance.

Les entreprises privilégient la précision, la facilité de déploiement, l'indemnisation des droits de propriété intellectuelle et la crédibilité de la marque, plutôt que de contrôler entièrement les poids des modèles, et sont donc prêtes à continuer à payer pour des API fermées et des abonnements d'entreprise.

Les charges de travail d'entraînement et d'inférence seront de plus en plus concentrées sur des plateformes hyperscale telles qu'AWS et Google Cloud, et les super-clusters d'entraînement continueront de stimuler la demande pour des GPU, des réseaux à haute vitesse, des communications optiques et des ASIC personnalisés.

Les plateformes disposant d'infrastructures cloud et de capacités de modèles, comme Google et Amazon, se trouvent dans une position plus favorable, et des fabricants de puces et de réseaux comme Broadcom, Arista Networks, Lumentum et Coherent pourraient également en bénéficier.

Le rapport estime que si Google peut faire fonctionner l'API Gemini sur son infrastructure grâce à son modèle de pointe, son retour sur investissement pourrait atteindre environ 45 % ; même si le modèle n'est pas en position de leader absolu, mais agit simplement en tant que fournisseur d'infrastructure, le retour pourrait également approcher 30 %.

Cela montre que l'actif le plus important dans un monde fermé n'est pas seulement le modèle lui-même, mais aussi la propriété de la puissance de calcul sur laquelle le modèle fonctionne. Qui possède les puces, les centres de données et les points d'entrée des clients, a plus de capacité à conserver les profits générés par l'appel au modèle.

Deuxième scénario : Coexistence à long terme entre ouvert et fermé

C'est le scénario qui se rapproche le plus de l'état réel d'utilisation des entreprises.

Les modèles fermés de pointe sont responsables des raisonnements complexes, des agents à long processus et des tâches à haute fiabilité, tandis que les modèles à poids ouverts et les petits modèles traitent des tâches à haute fréquence, sensibles aux coûts, à faible latence ou hautement spécialisées.

Les entreprises ne choisiront pas un seul modèle, mais passeront constamment d'un modèle à l'autre en fonction des tâches, ce qui signifie également que le déploiement de l'IA existera simultanément dans le cloud public, le cloud privé, l'infrastructure locale et les appareils en périphérie.

Dans ce scénario, il sera difficile pour un seul fournisseur de modèle d'obtenir un pouvoir de tarification monopolistique, mais l'ensemble du marché des logiciels et des infrastructures d'IA bénéficiera d'une demande la plus large.

• Microsoft, Amazon et Google continueront de bénéficier des charges de travail cloud ;
• Des entreprises de logiciels d'infrastructure et de flux de travail comme Datadog, Palantir et Appian pourraient bénéficier de la demande en orchestration de modèles, en connexion de données et en observabilité ;
• Des entreprises de sécurité comme Palo Alto Networks, CrowdStrike, Fortinet, Zscaler, Netskope et Okta bénéficieront de l'expansion continue de la surface d'attaque des entreprises et des frontières d'identité ;

Dans le même temps, des fabricants d'équipements réseau comme Cisco et F5, ainsi que des entreprises d'infrastructure comme Dell, HPE et NetApp, pourraient également bénéficier de nouvelles demandes provenant de déploiements locaux et hybrides.

La plus grande implication d'investissement de l'architecture hybride est que les dépenses en IA ne seront pas seulement concentrées sur les clusters d'entraînement, mais se diffuseront à travers la pile technologique des entreprises, et plus la concurrence au niveau des modèles est intense, plus les entreprises auront besoin de logiciels et d'infrastructures neutres pour les aider à passer d'un modèle à l'autre et entre différents environnements de déploiement.

Troisième scénario : Les modèles à poids ouverts deviennent la norme

Dans ce scénario, les modèles à poids ouverts se rapprochent progressivement des modèles fermés de pointe, et l'intelligence des modèles de base devient largement accessible, avec une forte baisse des prix des API.

Les entreprises ne sont plus disposées à payer une prime excessive pour des capacités de modèles génériques, mais utilisent des données privées pour des ajustements fins, consacrant leur budget principal à l'optimisation de l'inférence, aux agents, aux outils sectoriels et au déploiement d'applications.

L'accent de l'innovation passe de la pré-formation à la post-formation et au niveau des applications, et l'infrastructure d'IA devient également plus décentralisée. Les gouvernements et les grandes entreprises pourraient, pour des raisons de souveraineté des données, de confidentialité, de latence et d'évitement du verrouillage des fournisseurs, déployer davantage de modèles dans des clouds souverains, des centres de données privés et des environnements locaux.

• Microsoft pourrait obtenir une position plus forte grâce à Azure, GitHub, des logiciels d'entreprise et un écosystème de modèles ouverts ;
• La valeur stratégique des fournisseurs de modèles ouverts comme MiniMax, Zhiyun/Z.ai, ainsi que d'Alibaba et Tencent, augmente ;
• Les fabricants d'infrastructure locale comme Dell, HPE, NetApp, ainsi que les entreprises de dispositifs côté client comme HP et Apple, ainsi que les intégrateurs de systèmes et les canaux de distribution IT, pourraient également connaître une demande plus marquée ;

Mais un monde ouvert ne signifie pas que les plateformes cloud perdent leur valeur.

La plupart des entreprises ne construiront toujours pas entièrement leur propre infrastructure, et les modèles ouverts pourraient encore fonctionner sur Azure, AWS ou Google Cloud, le rôle des hyperscalers passant d'un point d'entrée unique pour les modèles à celui de fournisseurs d'hébergement de modèles ouverts, de ressources de calcul, de services de données et de plateformes d'IA d'entreprise.

Ainsi, les fournisseurs cloud ne font pas face à un simple jeu de gagnant-perdant, mais à un changement dans la structure des bénéfices, par exemple, les loyers des modèles de base pourraient diminuer, mais les revenus provenant des services de calcul, de stockage, de bases de données, de sécurité et d'entreprise pourraient continuer à croître.

Gagnants communs parmi les trois scénarios

Dans la matrice d'actifs dressée par Morgan Stanley, ce qui est le plus remarquable n'est pas les entreprises uniques à chaque scénario, mais celles dont les noms apparaissent à plusieurs reprises dans les trois colonnes.

Tout d'abord, NVIDIA.

La victoire des modèles fermés signifie que plus de puissance de calcul est concentrée dans des clusters d'entraînement et d'inférence à grande échelle ; la victoire des modèles à poids ouverts signifie que les nœuds d'inférence se diffusent vers les entreprises, les environnements locaux et en périphérie.

Les formes de puces, la structure des clients et la taille des clusters individuels peuvent différer selon les deux chemins, mais tous nécessitent une augmentation continue de la capacité de calcul. En fin de compte, ce que les modèles ouverts abaissent, ce sont les barrières à l'utilisation des modèles, et non l'annulation du processus de calcul.

Deuxièmement, l'électricité.

Le monde fermé nécessite un soutien électrique stable à l'échelle GW pour les super-centres de données, tandis que le monde ouvert augmentera la demande d'alimentation pour les centres de données d'entreprise, les clouds souverains et les installations d'inférence sur site. L'amélioration de l'efficacité des modèles pourrait réduire la consommation d'énergie par tâche, mais pourrait également permettre à plus de tâches et d'appareils de faire fonctionner l'IA en continu.

Des entreprises d'énergie sur site comme Bloom Energy, Williams et Liberty Energy sont donc régulièrement citées comme bénéficiaires dans le rapport.

Troisièmement, les logiciels de sécurité.

Que les entreprises utilisent des modèles fermés ou ouverts, elles ont besoin de protéger les identités, les données et les applications ; et lorsque le déploiement passe de quelques plateformes cloud à des environnements locaux et en périphérie, la demande en matière de sécurité ne fera que devenir plus complexe.

Sous cet angle, les logiciels de sécurité pourraient être une direction de bénéfice secondaire sous-estimée par le marché dans la diffusion des modèles à poids ouverts.

Conclusion

Dans l'ensemble, ce que les modèles à poids ouverts pourraient réellement tuer, ce n'est peut-être jamais la demande de puissance de calcul, mais l'idée que le niveau de base des modèles pourrait maintenir des loyers élevés à long terme.

À mesure que les capacités des modèles se généralisent, les entreprises ne paieront plus seulement pour « obtenir de l'intelligence », mais investiront davantage dans la manière de déployer cette intelligence, de connecter les données, de gérer les flux de travail, de protéger les systèmes et de permettre aux modèles de générer continuellement des retours dans les affaires réelles.

La puissance de calcul ne passera pas simplement d'une croissance à un déclin------ elle pourrait se diffuser de quelques super-clusters d'entraînement à davantage de nœuds d'inférence, de salles de serveurs d'entreprise, de clouds souverains et d'appareils en périphérie ; passant d'une compétition d'entraînement de modèles unique à des investissements d'infrastructure à long terme couvrant chaque flux de travail d'entreprise.

Ainsi, le plus grand changement apporté par les modèles à poids ouverts n'est pas la fin imminente du cycle CapEx de l'IA, mais l'entrée de ce cycle dans une nouvelle phase avec plus de participants, des déploiements plus décentralisés et une chaîne de valeur plus longue.

Ce contenu est fourni à titre informatif uniquement et ne constitue pas un conseil financier, d'investissement, juridique ou fiscal. Les événements, récompenses, promotions en ligne ou informations mentionnées ici ne doivent pas être considérés comme une recommandation, une sollicitation ou une invitation à acheter, vendre, trader ou effectuer toute autre opération sur des actifs crypto. Les actifs crypto sont très volatils et peuvent entraîner des pertes. La disponibilité des services, produits et événements liés à WEEX peut varier selon les régions. Veuillez vous assurer que votre participation respecte les lois et réglementations locales applicables.