IA ouverte : Apple et Meta font la paix
Apple et Meta coopèrent autour d’une IA ouverte et locale. Ce rapprochement révèle les nouveaux arbitrages entre coûts, contrôle, confidentialité et risques.
IA : pourquoi Apple et Meta enterrent provisoirement la hache de guerre
La rivalité entre Apple et Meta n'a pas disparu : elle se met juste en pause, le temps de traiter un sujet très concret. Faire tourner des modèles d'intelligence artificielle puissants, à un coût supportable, et avec un niveau de contrôle jugé acceptable.
D'après un article publié le 16 octobre 2026 par Axios, Meta prépare la diffusion de Muse Spark Open, un modèle à poids ouverts de 816 milliards de paramètres. L'idée est de pouvoir l'exécuter sur des Mac Studio équipés de puces M5 Ultra. Les deux entreprises auraient aussi travaillé ensemble pour rendre ce déploiement local possible.
Ce rapprochement n'est pas une réconciliation générale. Apple peut mettre en avant ses machines haut de gamme ; Meta peut diffuser son modèle auprès des développeurs et des entreprises. Et si l'exécution reste locale, les organisations ont moins besoin d'envoyer leurs requêtes vers les serveurs de Meta. Bref : les intérêts se rejoignent sur un cas d'usage précis, même si les désaccords continuent sur la confidentialité et la manière de gouverner les plateformes.
Pour des entreprises en Europe, les questions sont très opérationnelles : faut-il exécuter l'IA dans le cloud ou sur ses propres machines ? Les modèles ouverts réduisent-ils vraiment les coûts ? Et que se passe-t-il si les infrastructures sont financées par une dette, alors que les revenus ne suivent pas encore ? Avant de conclure quoi que ce soit, il faut regarder ces arbitrages de près.
Une coopération pragmatique entre deux rivaux
Apple et Meta défendent depuis longtemps des positions différentes sur la confidentialité, l'économie des modèles et le contrôle des plateformes. Le fait de collaborer autour de Muse Spark Open ne veut donc pas dire que ces divergences sont réglées. Ça montre surtout qu'elles ne suffisent pas à bloquer tous les projets quand il y a un intérêt commun.
Selon l'article d'Axios, Meta travaille avec Apple pour exécuter le modèle sur deux ou quatre Mac Studio connectés, avec des puces M5 Ultra et le cadre logiciel MLX d'Apple. Meta présente Muse Spark Open comme un modèle à poids ouverts développé aux États-Unis, téléchargeable gratuitement, avec une licence permettant un usage commercial. Axios mentionne aussi une disponibilité via des fournisseurs cloud et dans des outils de développement.
Le point clé ici, c'est la démonstration technique - pas l'idée que ce sera automatiquement bon marché pour tout le monde. Un modèle de 816 milliards de paramètres, c'est lourd. Le fait de pouvoir le faire tourner sur plusieurs machines de bureau haut de gamme prouve une capacité ; ça ne dit rien sur la faisabilité pour une PME, ni sur le coût réel une fois qu'on ajoute le matériel, l'énergie, l'exploitation et la maintenance.
Des intérêts alignés sur un périmètre précis
Meta a intérêt à rendre son modèle accessible et à attirer des développeurs. De son côté, Apple peut montrer que ses machines peuvent servir à autre chose qu'aux usages classiques de création et de calcul. Il y a aussi un argument de convergence : selon Alexandr Wang (responsable de Meta AI), Meta n'a ni contrôle ni visibilité sur les requêtes lorsque les utilisateurs exécutent le modèle eux-mêmes.
Sur le papier, ça répond partiellement aux inquiétudes historiques d'Apple sur la circulation des données. Mais ça ne règle pas tout. Même si la requête ne quitte pas l'ordinateur, l'application qui l'exécute peut enregistrer certaines informations, intégrer des données sensibles, ou laisser des traces dans des journaux locaux mal protégés. L'exécution locale peut réduire certains transferts ; elle ne remplace pas une vraie politique de sécurité et des règles de gouvernance des données.
Au final, pour une entreprise, la bonne lecture est simple : une coopération entre concurrents peut réduire une friction technique, sans effacer leurs intérêts respectifs. Mieux vaut examiner la licence, les briques utilisées et la répartition des responsabilités liées au déploiement, plutôt que d'en déduire une « garantie » de confidentialité juste à cause du mot « local ».
L'IA locale : plus de contrôle, mais pas de solution magique
Faire tourner un modèle sur ses propres équipements peut aider les organisations qui manipulent des données sensibles ou qui veulent réduire leur dépendance à un fournisseur. Dans ce cas, les requêtes n'ont pas forcément besoin d'être envoyées à un service externe. L'organisation peut aussi mieux maîtriser la version du modèle, la disponibilité du système, et les ajustements réalisés pour ses usages.
Les modèles à poids ouverts élargissent encore cette marge. Ils peuvent être téléchargés et intégrés dans une infrastructure choisie par l'organisation, en respectant les conditions de licence. Mais « ouvert » ne veut pas dire « sans contrainte ». Les droits d'utilisation, les éventuelles restrictions, les données d'entraînement disponibles et les responsabilités liées aux résultats doivent être vérifiés. « Ouvert » décrit l'accès au modèle ; ce n'est pas une validation de sécurité, ni un gage de transparence complète, ni une garantie de conformité réglementaire.
Ce qu'il faut comparer avant de quitter le cloud
L'exécution locale n'est pas automatiquement moins chère. Elle change surtout la nature des dépenses. Au lieu de payer des appels à une API, l'organisation doit investir dans les machines, le calcul, le stockage, le réseau, l'électricité et les compétences nécessaires à l'exploitation. Il faut aussi budgéter la maintenance, les mises à jour et la capacité à encaisser des pics de charge.
Le cloud, lui, permet souvent de démarrer plus vite et d'ajuster la capacité à l'usage. Mais la facture peut monter avec le volume, la durée des traitements et la fréquence des requêtes. Et la dépendance à un fournisseur, les conditions de traitement des données et la disponibilité du service entrent aussi dans le calcul.
Donc, comparer ne peut pas se limiter au prix « par million de jetons ». Il faut estimer le coût complet pour une tâche réelle :
- le volume mensuel de requêtes et leur complexité ;
- le niveau de qualité attendu et le coût des erreurs ;
- le coût des équipements et de l'énergie sur la durée d'utilisation ;
- le temps consacré au déploiement, à la supervision et aux mises à jour ;
- les contraintes de confidentialité, de localisation et de continuité de service ;
- les risques liés à la licence et à la dépendance à un acteur donné.
Dans beaucoup d'équipes, une approche hybride est plus réaliste qu'un choix binaire. Les tâches simples ou peu sensibles peuvent passer par un service cloud ; les données confidentielles ou les traitements qui demandent plus de contrôle peuvent être exécutés localement. Oui, ça ajoute de la complexité. Mais ça évite aussi de forcer tous les usages dans une seule infrastructure.
En Europe, le RGPD doit rester au centre. Le fait qu'un modèle s'exécute sur site ne suffit pas à dire que tout est conforme : il faut regarder la finalité, les données saisies, les accès, la conservation et les mesures de sécurité. Pour aller plus loin, voir l'IA générative en entreprise et le RGPD et les outils d'IA.
L'ouverture augmente aussi la responsabilité
Un modèle téléchargeable peut être modifié et déployé sans que l'éditeur voie chaque utilisation. C'est pratique pour personnaliser et garder la main, mais c'est aussi plus difficile à surveiller. Certaines protections peuvent être retirées ou contournées, et des capacités peuvent être détournées à des fins malveillantes.
Il faut éviter deux erreurs. La première consiste à croire que tout modèle ouvert est forcément dangereux. La seconde, à penser qu'« avoir accès aux poids » suffit à faire confiance. Dans la réalité, le risque dépend du modèle, de ses capacités, des protections, des utilisateurs et du contexte de déploiement. Concrètement, il faut prévoir des évaluations, des contrôles d'accès, une journalisation adaptée et une procédure de réponse aux incidents.
La croissance de l'IA se heurte à la réalité financière
Le rapprochement Apple-Meta se fait dans un secteur où l'infrastructure coûte très cher. Les centres de données, les puces et les équipements réseau doivent être financés avant que tous les usages professionnels ne génèrent des revenus stables. Le sujet n'est donc pas seulement « est-ce que ça marche ? ». Il faut aussi savoir si les gains économiques arrivent assez vite pour couvrir les investissements.
Dans l'article d'Axios, Gartner estime jusqu'à 7 000 milliards de dollars de dépenses d'infrastructure liées à l'IA d'ici à 2030, contre au plus 3 600 milliards de dollars de revenus associés sur la même période. Gartner prévoit aussi qu'au-delà de 80 % des fournisseurs indépendants de cloud spécialisé pour l'IA - parfois appelés « néoclouds » - pourraient cesser d'opérer de manière indépendante d'ici à 2030. Ce sont des prévisions, pas des résultats acquis. Mais l'écart attendu vaut la peine d'être pris au sérieux.
Le financement change aussi de nature : selon les éléments rapportés par Axios, environ un tiers des dépenses d'investissement liées à l'IA serait désormais financé par la dette. Et les émissions de dette liées à l'IA auraient fortement reculé entre juin et septembre 2026. On voit également des signaux de tension autour de certains prêts liés à des centres de données, ainsi que sur le projet d'introduction en Bourse de Firmus, un fournisseur de cloud soutenu par Nvidia.
Le décalage entre investissement et retour sur investissement
Construire une infrastructure informatique prend parfois quelques années. Mais transformer les processus d'une grande entreprise prend souvent beaucoup plus de temps. Il faut intégrer l'outil aux systèmes existants, vérifier la qualité des résultats, former les équipes, et clarifier qui fait quoi. Certaines organisations peuvent obtenir des gains rapides sur des périmètres limités ; une refonte complète du fonctionnement interne demande un autre niveau d'effort.
Ce décalage crée un risque économique. Les coûts (centres de données, puces) sont payés aujourd'hui, tandis que les bénéfices dépendent de l'adoption future. Si la demande ralentit, si les modèles deviennent plus efficaces (donc moins gourmands), ou si les clients ne paient pas comme prévu, certains projets peuvent devenir difficiles à rentabiliser. Les entreprises déjà très endettées sont souvent les plus exposées : baisse de prix, coûts de financement plus élevés, et marges qui se compressent.
Pour un dirigeant, la leçon n'est pas « abandonner l'IA ». C'est plutôt ne pas confondre croissance du marché et rentabilité des fournisseurs. Côté client, il faut évaluer la solidité des partenaires, la possibilité de déplacer les données et les applications, et le coût d'une migration si le fournisseur change de stratégie ou s'il coupe l'activité.
Et ce risque ne concerne pas seulement les acteurs spécialisés. Quand les investissements en IA pèsent sur les budgets des entreprises et sur l'économie, une correction peut toucher aussi les projets clients, les fournisseurs, et les équipes. D'où l'intérêt d'éviter les contrats qui supposent une croissance continue des volumes ou des tarifs stables, sans prévoir de solution de sortie.
L'IA rapproche aussi des activités différentes
Le mouvement pousse aussi des entreprises à envisager des alliances là où on ne les attendait pas. Axios évoque par exemple une possible convergence entre Tesla et SpaceX, que des analystes de Barclays associent notamment à des ambitions liées à l'IA. Attention : il s'agit d'hypothèses d'analystes, pas d'une opération annoncée comme acquise. Mais l'idée colle à une tendance plus large : infrastructures, données, capacités de calcul et produits peuvent devenir des briques d'une stratégie plus intégrée.
Pour les entreprises, ces rapprochements peuvent accélérer des projets et mutualiser des ressources. Ils concentrent aussi plus de pouvoir et de dépendance chez quelques acteurs. La question à poser n'est donc pas uniquement « qui a le modèle le plus performant ? ». C'est aussi « qui contrôle l'infrastructure, les données, la distribution et les conditions d'accès ? ».
Comment décider : modèle, infrastructure et risques
Face à ces évolutions, mieux vaut partir d'un besoin métier mesurable que d'un modèle ou d'une annonce. Un prototype impressionnant ne prouve pas qu'une solution améliore le travail, tout en restant dans un cadre de coûts acceptable. Le bon cas d'usage est souvent limité au départ, fréquent, vérifiable, et suffisamment peu risqué pour permettre des tests cadrés.
Une grille de décision en cinq étapes
- Définir la tâche. Précisez ce que vous voulez améliorer : recherche dans une base documentaire, assistance à la rédaction, classement de demandes, génération de comptes rendus. Évitez les objectifs vagues du type « intégrer l'IA partout ».
- Mesurer la situation actuelle. Mesurez le temps passé, les erreurs, le coût de traitement et les attentes des utilisateurs. Sans point de départ, il sera difficile de dire si le projet apporte un vrai bénéfice.
- Classer les données et les conséquences. Identifiez les données personnelles, confidentielles ou soumises à des règles spécifiques. Et réfléchissez à l'impact si le modèle se trompe : une erreur de mise en forme n'a pas le même poids qu'une décision qui touche un salarié ou un client.
- Comparer les architectures. Testez le cloud, le local ou une approche hybride sur la même tâche, avec les mêmes critères. Comparez le coût complet, la qualité, la latence, la disponibilité, la sécurité et l'effort de maintenance.
- Prévoir une sortie. Documentez les formats de données, les dépendances techniques, les conditions de licence et les modalités de migration. Un projet viable doit pouvoir être arrêté ou déplacé sans paralyser l'activité.
Cette approche évite de choisir « par effet de mode » ou parce qu'un fournisseur affirme que c'est moins cher. Elle aide aussi à faire apparaître les coûts cachés : validation humaine, supervision, intégration et gestion des incidents.
Ce qu'un pilote doit démontrer
Un pilote utile ne se limite pas à une démo. Il doit répondre à des critères définis avant de lancer : niveau de qualité acceptable, temps gagné, coût par tâche, taux d'erreur, part des réponses qui nécessitent une correction humaine. Il doit être testé sur des exemples représentatifs, y compris des cas difficiles, pas uniquement sur des questions faciles.
Les responsabilités doivent être claires. Qui vérifie les résultats ? Qui accède aux données ? Qui décide qu'un modèle doit être mis à jour ou retiré ? Ces questions comptent encore plus quand l'outil est déployé par plusieurs équipes. Et oui : même un modèle gratuit peut engendrer des coûts réels d'exploitation et de gouvernance.
Une autre actualité de la période rappelle l'importance des contrôles indépendants : selon Reuters, Anthropic a donné à l'évaluateur METR l'accès à ses modèles pour examiner des risques de sécurité. L'évaluation par un tiers ne supprime pas les risques, mais elle apporte une base de vérification distincte des affirmations du fournisseur. Pour un déploiement interne, l'idée est la même : définir des tests indépendants et documenter leurs résultats.
Enfin, l'ouverture d'un modèle ne dispense pas d'examiner les conditions d'usage et les règles applicables. En Europe, il faut articuler protection des données, sécurité informatique et exigences de gouvernance selon le cas d'usage. Pour une méthode plus complète, voir aussi notre grille d'analyse des risques liés à l'IA.
Conclusion
La coopération entre Apple et Meta montre que les rivalités technologiques peuvent passer au second plan quand il y a un intérêt immédiat : distribuer des modèles, valoriser du matériel et offrir davantage d'options d'exécution. L'IA locale et les modèles à poids ouverts donnent aux entreprises des leviers supplémentaires, mais ils ne suppriment ni les coûts d'infrastructure, ni les risques de sécurité et de conformité.
En parallèle, l'endettement et l'écart entre investissements et revenus attendus rappellent que la croissance de l'IA ne garantit pas la solidité de chaque acteur. La décision la plus raisonnable reste la même : partir d'un cas d'usage concret, mesurer son coût complet et garder une porte de sortie.
Avant de choisir un modèle ou un fournisseur, sélectionnez une tâche réelle et comparez une solution locale, une solution cloud, et si besoin une architecture hybride. C'est souvent la manière la plus fiable de transformer une annonce technologique en décision utile pour votre organisation.