En février 2026, le modèle Qwen d’Alibaba dépassait sur Hugging Face tous ses concurrents réunis en nombre de téléchargements mensuels. Un mois plus tard, le milliard de téléchargements cumulés était franchi. Pour situer l’ampleur de ce basculement : la part des modèles chinois dans l’IA open source mondiale était inférieure à 2 % fin 2024. Elle approchait les 30 % un an plus tard, selon les données d’OpenRouter compilées par Andreessen Horowitz.

Ce n’est pas un accident industriel. C’est le déploiement d’une stratégie explicite, dont la logique ressemble à celle qu’a suivie Android en 2008 : distribuer gratuitement un système d’exploitation pour imposer une norme mondiale, puis capter la valeur dans l’écosystème qui se construit autour.

L’essentiel

  • Qwen d’Alibaba a franchi le milliard de téléchargements cumulés sur Hugging Face en mars 2026, ayant dépassé Llama de Meta en téléchargements cumulés dès octobre 2025
  • La part chinoise dans les modèles open source mondiaux est passée de 1,2 % fin 2024 à environ 30 % fin 2025, selon les données OpenRouter analysées par Andreessen Horowitz
  • Kimi K2.5 de Moonshot AI est environ 27 à 35 % moins cher que GPT-5.2 à performance équivalente — le ratio de 4x s’applique à la comparaison avec GPT-5.4, non avec GPT-5.2
  • GLM-5.2 de Zhipu AI (Z.ai), publié le 13 juin 2026 sous licence MIT, se positionne comme le premier modèle open weight à performance comparable aux meilleurs modèles fermés pour les tâches de code et d’agents — à environ $1,40 par million de tokens en entrée contre $5 pour GPT-5.5
  • LongCat-2.0 de Meituan, publié le 30 juin 2026, est un modèle de 1,6 trillion de paramètres entraîné intégralement sur des puces domestiques chinoises — sans aucune puce Nvidia — sur un cluster de 50 000 accélérateurs
  • L’enjeu pour l’Europe n’est pas de choisir un camp, mais de construire la capacité institutionnelle à évaluer, adapter et sécuriser des modèles qu’elle n’a pas entraînés

Qwen dépasse Llama, et ce n’est que le début

Pendant longtemps, la hiérarchie des modèles ouverts semblait stabilisée. Meta publiait Llama, la communauté mondiale l’adoptait, et les développeurs construisaient dessus. Cette configuration avait une logique : Meta avait les ressources pour entraîner des modèles compétitifs, et la confiance dans un acteur américain connu réduisait les frictions à l’adoption.

Qwen a changé l’équation. Alibaba a publié une succession de versions depuis 2023, chacune plus performante et moins coûteuse à faire tourner que la précédente. Qwen2.5 puis les variantes spécialisées pour le code, les mathématiques et le raisonnement ont progressivement couvert les cas d’usage les plus importants. Le résultat est visible sur les benchmarks : selon les données d’Artificial Analysis, plusieurs variantes Qwen figurent régulièrement dans les dix premiers modèles ouverts, toutes nationalités confondues.

La progression n’est pas propre à Alibaba. DeepSeek a produit en janvier 2025 un modèle de raisonnement qui rivalise avec les meilleurs modèles fermés américains à une fraction de leur coût d’entraînement. Moonshot AI, avec Kimi K2.5, propose des performances comparables à GPT-5.2 à environ 30 % moins cher en inférence — un ratio de l’ordre de 4 à 17x s’appliquant, lui, à la comparaison avec GPT-5.4. Baidu, Zhipu, 01.AI suivent leur propre cadence de publication. Ce qui ressemble à une convergence soudaine est en réalité le résultat de plusieurs années d’investissement coordonné, d’une communauté de recherche dense, et d’une pression compétitive interne intense.

Deux sorties récentes illustrent jusqu’où cette dynamique a été poussée. GLM-5.2 est le dernier modèle phare de Zhipu AI (Z.ai) — conçu spécifiquement pour le code, le raisonnement et les tâches agentiques — publié le 13 juin 2026 sous licence MIT open source. C’est un modèle mixture-of-experts de 744 milliards de paramètres au total et 40 milliards de paramètres actifs, avec une fenêtre de contexte quadruplée à un million de tokens. Sur l’Intelligence Index v4.1 d’Artificial Analysis, GLM-5.2 obtient un score de 51, devançant MiniMax-M3 (44), DeepSeek V4 Pro (44) et Kimi K2.6 (43). Via des fournisseurs comme OpenRouter, le modèle coûte environ 1,40 dollar par million de tokens en entrée et 4,40 dollars en sortie, contre 5/30 dollars pour GPT-5.5 et 5/25 dollars pour Claude Opus.

LongCat-2.0, publié par Meituan, est un modèle MoE de 1,6 trillion de paramètres avec environ 48 milliards de paramètres actifs par token, entraîné sur plus de 30 trillions de tokens, conçu pour le code agentique. Il supporte une fenêtre de contexte d’un million de tokens, et Meituan affirme que l’intégralité de l’entraînement et du déploiement à grande échelle a été réalisée sur un cluster de 50 000 puces domestiques chinoises. Ce détail mérite qu’on s’y arrête. Là où DeepSeek-V4-pro n’utilisait des puces domestiques que pour l’inférence — la tâche la moins exigeante, celle qui consiste à répondre aux requêtes —, LongCat-2.0 a utilisé du matériel domestique à la fois pour l’inférence et pour le pré-entraînement. C’est une rupture qualitative dans la démonstration de souveraineté matérielle.

La logique Android appliquée à l’IA

Google a ouvert Android en 2008 non par philanthropie, mais pour éviter que Microsoft ou Apple ne contrôlent la couche logicielle du mobile. En rendant le système gratuit et ouvert, Google a garanti que l’écosystème applicatif se construirait sur ses standards, ses API, son architecture d’identité. La valeur ne se capte pas dans la licence : elle se capte dans les services qui tournent dessus, dans les données générées, dans les habitudes d’usage qui rendent le remplacement coûteux.

La stratégie chinoise dans l’IA open source suit la même architecture. Publier Qwen gratuitement, c’est s’assurer que les développeurs du monde entier apprennent à travailler avec ses paramètres, ses formats de fichiers, ses conventions d’architecture. Les entreprises qui construisent des produits sur Qwen développent des dépendances techniques et organisationnelles. Lorsqu’une version améliorée sort, elles ont des raisons de rester dans l’écosystème plutôt que de recommencer sur une autre base.

La comparaison a une limite : Google a gardé le contrôle du noyau d’Android et des services associés. Dans l’IA open source, Alibaba publie les poids complets du modèle, ce qui permet théoriquement à n’importe qui de le dupliquer, le modifier, le faire tourner sans jamais repasser par Alibaba. Cette ouverture plus complète sert un objectif différent : la normalisation de l’architecture plutôt que la fidélisation au service. Quand un modèle devient la référence sur laquelle se construit la formation des développeurs, les tutoriels en ligne, les cours universitaires, les outils d’évaluation, son empreinte dépasse la plateforme qui le distribue.

Le cas LongCat-2.0 ajoute une dimension que la métaphore Android n’anticipait pas : la question du matériel. L’annonce de Meituan met la pression sur l’une des hypothèses les plus simples qui sous-tendent la politique américaine de contrôle des exportations — à savoir que priver les acteurs chinois des dernières puces Nvidia les empêcherait d’entraîner et de déployer des systèmes de niveau frontalier à très grande échelle. Si la gratuité logicielle était déjà un outil de captation des normes, la démonstration d’une autonomie matérielle complète change la nature du rapport de force.

Le MIT Technology Review note que la commission américaine sur la Chine (USCC) a commencé à analyser explicitement cette stratégie comme un vecteur d’influence sur les standards internationaux de l’IA, au même titre que les brevets dans les télécommunications ou les normes industrielles dans la fabrication.

Une planète qui n’a pas les moyens de payer Claude

La géographie de l’adoption est peut-être l’élément le plus structurant de cette dynamique. GPT-5.2 d’OpenAI et Claude Sonnet d’Anthropic sont des produits exceptionnels dans leur catégorie. Ils sont aussi structurellement inaccessibles pour la majorité des développeurs et des entreprises dans les pays à revenu intermédiaire ou faible.

Un développeur à Lagos, à Karachi ou à Bogotá qui veut construire un produit IA a des options très différentes selon son budget. Les modèles américains fermés impliquent des coûts d’API qui, à l’échelle, deviennent prohibitifs pour un marché local. Les modèles ouverts chinois, par contraste, peuvent être déployés localement sur du matériel modeste, sans frais d’inférence récurrents, avec une documentation disponible en plusieurs langues.

Ce différentiel de prix n’est pas marginal. Kimi K2.5, environ 30 % moins cher que GPT-5.2, représente déjà un avantage concret pour un développeur qui cherche à maximiser le nombre d’itérations ou d’utilisateurs finaux dans son enveloppe budgétaire. À tarif standard, LongCat-2.0 est 6 à 7 fois moins cher par token que GPT-5.5 en entrée, et 10 fois moins cher en sortie. Pour un startup à Jakarta ou une administration à Nairobi, c’est souvent la différence entre un projet viable et un projet abandonné.

Le contexte géopolitique accentue ce déséquilibre. L’administration Trump a ordonné le blocage des modèles les plus avancés d’Anthropic — Fable 5 et Mythos 5 — pour les ressortissants étrangers, et c’est le même jour que Zhipu a annoncé la publication open source de GLM-5.2 sans aucune restriction d’usage. Pour les développeurs hors des États-Unis, GLM-5.2 est donc le modèle sous licence ouverte le plus performant actuellement disponible. La fenêtre laissée ouverte par la politique américaine de restriction, les modèles chinois l’occupent méthodiquement.

L’enjeu géopolitique est direct : les acteurs qui façonnent les outils numériques des pays à revenu intermédiaire façonnent aussi, progressivement, les habitudes de développement, les formats de données, les pratiques d’intégration. C’est de l’infrastructure cognitive, pas seulement de la technologie.

Ce que la gratuité cache réellement

Il serait naïf de lire cette stratégie sans ses angles morts. La gratuité n’est pas neutre, et les questions de confiance dans les modèles d’IA distribuée sont légitimes à plusieurs niveaux.

Le premier niveau est technique. Un modèle open source dont on possède les poids peut être audité, modifié, et déployé sans connexion à des serveurs extérieurs. C’est une propriété de sécurité réelle, distincte des modèles fermés où l’opérateur reste dans la boucle. Mais l’audit d’un modèle de plusieurs dizaines de milliards de paramètres est une tâche hors de portée pour la plupart des organisations qui l’adoptent. La capacité d’audit formel et la pratique réelle de l’audit sont deux choses très différentes.

Le deuxième niveau est réglementaire. Les modèles entraînés en Chine sont soumis aux réglementations chinoises sur le contenu et l’information, qui incluent des obligations de filtrage de certains sujets. Ces filtres ne sont pas nécessairement visibles dans les benchmarks techniques, qui mesurent les performances sur des tâches neutres. Une organisation qui déploie ces modèles dans des contextes sensibles doit s’interroger sur ce que le modèle refuse de faire, et pourquoi.

Le troisième niveau est celui des données d’usage. Contrairement à une API fermée, un déploiement local de modèle ouvert ne génère pas de téléphonie vers les serveurs du créateur. Mais les outils d’affinage, les plateformes d’évaluation, les extensions et plugins qui gravitent autour des écosystèmes peuvent, eux, collecter des données. Quiconque utilise l’API cloud de Z.ai est soumis au droit chinois — une contrainte qui disparaît avec l’auto-hébergement des poids MIT. La frontière entre modèle ouvert et infrastructure de collecte n’est pas toujours nette.

Ces risques existent. Ils ne justifient pas l’éviction par précaution. Ils justifient une évaluation sérieuse, ce qui est différent.

Ce que l’Europe peut construire — et n’a pas encore

L’Europe produit peu de grands modèles compétitifs. Mistral est l’exception notable, et son parcours illustre à la fois ce qui est possible et ce qui manque structurellement. L’absence de géants technologiques européens n’est pas une fatalité naturelle : c’est le résultat de choix cumulés en matière de régulation, de financement et de tolérance au risque. Dans l’IA de base, les dés sont jetés pour cette génération de modèles. L’Europe n’aura pas de GPT-5 concurrent dans les dix-huit prochains mois.

Ce que l’Europe peut construire, c’est une compétence institutionnelle d’évaluation et d’adaptation. L’IA Act crée une obligation de conformité pour les modèles déployés sur le marché européen, quelle que soit leur origine. Cette obligation est aussi une opportunité : elle oblige à développer les méthodologies d’audit, les organismes compétents, les standards d’évaluation. Ces standards, s’ils sont bien conçus, pourraient devenir une référence mondiale, comme l’ont été certaines normes européennes dans la chimie, l’automobile ou la protection des données.

La trajectoire réaliste pour les institutions européennes n’est pas de produire des modèles capables de rivaliser avec les meilleurs américains ou chinois sur tous les benchmarks. C’est de construire la capacité à prendre n’importe quel modèle ouvert, de le comprendre, de l’adapter au contexte local, de le sécuriser pour des usages sensibles, et de l’évaluer selon des critères transparents. C’est une compétence d’intégrateur et de régulateur, pas de créateur de base.

Cette position n’est pas confortable. Elle suppose d’accepter une dépendance technologique partielle, de gérer des risques qu’on n’a pas entièrement choisis, et de construire de la valeur sur des fondations qu’on ne contrôle pas totalement. Mais la question de la gouvernance des agents IA se pose dans tous les cas, y compris pour les modèles américains : personne en Europe ne contrôle les poids de GPT-5.2 non plus.

La compétence institutionnelle à évaluer et adapter a une vertu supplémentaire : elle est transférable. Un État ou une entreprise européenne qui sait auditer un modèle ouvert chinois sait aussi auditer un modèle américain, un modèle local, un modèle concurrent. C’est une capacité générale, pas une dépendance spécifique.

Ce que les développeurs votent avec leur clavier

Les benchmarks institutionnels et les rapports géopolitiques ont leur logique. Mais le signal le plus direct reste celui des téléchargements. Quand un développeur choisit Qwen plutôt que Llama pour construire son application, il ne fait pas nécessairement un choix politique. Il fait un choix pragmatique : performances, coût d’inférence, facilité de déploiement, qualité de la documentation. Ces facteurs se mesurent, se comparent, et pour l’instant, ils penchent souvent du côté des modèles chinois sur les segments où le coût compte.

Le cas LongCat-2.0 illustre jusqu’où cette dynamique peut aller sans même le revendiquer. Pendant deux mois avant sa révélation publique, le modèle avait circulé anonymement sur OpenRouter sous l’alias “Owl Alpha”, accumulant environ 10,1 trillions de tokens mensuels — soit une explosion de 242 % en glissement mensuel — le propulsant dans le top trois mondial de la plateforme. Ce modèle anonyme avait classé premier sur Hermes Agent, second sur Claude Code, et troisième sur OpenClaw en volume d’appels. Les développeurs avaient choisi un modèle dont ils ignoraient l’origine. Le pragmatisme était leur seul filtre.

Cette réalité ne va pas disparaître avec des appels à la vigilance géopolitique. Elle appelle une réponse industrielle et institutionnelle concrète. Du côté américain, les restrictions à l’export sur les puces continuent de contraindre les capacités d’entraînement chinois, même si leur efficacité est partielle et contestée. LongCat-2.0 n’invalide pas la logique derrière les contrôles à l’exportation américains — les restrictions augmentent toujours les coûts, ralentissent l’accès, compliquent la mise à l’échelle, et forcent les entreprises chinoises dans des compromis d’ingénierie plus difficiles. Mais elles ne suffisent plus à empêcher la production de modèles de niveau frontalier. Du côté européen, l’enjeu est de construire rapidement les organes d’évaluation et les standards que l’IA Act rend nécessaires, avant que les normes de facto ne soient fixées par les pratiques d’adoption massives.

La stratégie Android a pris dix ans à produire ses effets complets. La stratégie Qwen est peut-être à mi-chemin. La fenêtre pour construire une position de régulateur crédible et d’intégrateur compétent est ouverte. Elle ne l’est pas indéfiniment.

Sources

  1. MIT Technology Review, “What’s next for Chinese open-source AI?” (février 2026) : https://www.technologyreview.com/2026/02/12/1132811/whats-next-for-chinese-open-source-ai/
  2. Andreessen Horowitz (a16z), données OpenRouter sur la part de marché des modèles open source (2025-2026)
  3. Artificial Analysis, comparaisons de performance et de coût des modèles d’inférence (2026)
  4. US-China Economic and Security Review Commission (USCC), rapport annuel 2025, section IA et normalisation internationale
  5. Hugging Face, statistiques de téléchargements des modèles (accès public, mars 2026)
  6. Trending Topics / Eigent.ai, analyse de GLM-5.2 de Zhipu AI (Z.ai), juin 2026 : https://www.eigent.ai/blog/glm-5-2
  7. VentureBeat, “Meituan open sources LongCat-2.0” (30 juin 2026) : https://venturebeat.com/technology/meituan-open-sources-longcat-2-0
  8. Decrypt, “LongCat-2.0: The Stealth AI Model That Was Quietly Topping OpenRouter All Along” (juillet 2026) : https://decrypt.co/372579/longcat-2-0-meituan-ai-stealth-model-openrouter
  9. South China Morning Post, “China claims biggest AI model trained on local chips, as Meituan releases LongCat-2.0” (juillet 2026) : https://www.scmp.com/tech/tech-trends/article/3358854/china-debuts-biggest-ai-model-trained-local-chips-meituan-releases-longcat-20
  10. OpenRouter State of AI 2025 (source primaire sur parts chinoises) : https://openrouter.ai/state-of-ai
  11. SCMP — Qwen 50 % de part des downloads open source (source Interconnects AI) : https://www.scmp.com/tech/big-tech/article/3349552/alibabas-qwen-family-captures-over-50-global-open-source-downloads-report-finds
  12. Meituan LongCat — site officiel du modèle : https://www.longcatai.org/models/longcat-2
  13. Hugging Face officiel LongCat-2.0 : https://huggingface.co/meituan-longcat/LongCat-2.0
  14. Axios — Scoop Trump/Anthropic blocage Fable 5 Mythos 5 : https://www.axios.com/2026/06/12/anthropic-trump-mythos-fable-national-security
  15. OpenRouter — Prix GPT-5.5 : https://openrouter.ai/openai/gpt-5.5
  16. Anthropic — Documentation officielle des prix Claude : https://platform.claude.com/docs/en/about-claude/pricing
  17. MIT Technology Review — DeepSeek V4 et puces domestiques : https://www.technologyreview.com/2026/04/24/1136422/why-deepseeks-v4-matters/
  18. Datanorth — GLM-5.2 release et spécifications : https://datanorth.ai/news/zhipu-ai-releases-glm-5-2
  19. TrendingTopics — GLM-5.2 détail complet : https://www.trendingtopics.eu/glm-5-2-chinas-zhipu-ai-beats-even-googles-top-models-with-its-new-open-llm/