DeepSeek : pourquoi un modèle ouvert chinois secoue tout le secteur

Ce qui a provoqué la secousse

Trois éléments simultanés, et c'est leur combinaison qui compte plutôt que chacun pris à part.

La performance d'abord. DeepSeek publie R1 le 20 janvier 2025, un modèle de raisonnement dont les résultats se situent au niveau des meilleurs modèles occidentaux sur les évaluations de référence. Un laboratoire chinois peu connu du grand public rejoint la frontière technologique en une publication.

Le coût ensuite. L'entreprise annonce environ 5,3 millions de dollars de temps de calcul pour l'entraînement du modèle de base V3 : 2 048 processeurs graphiques H800, 55 jours, 14 800 milliards de jetons. Epoch AI, qui a repris les calculs, estime la phase d'apprentissage par renforcement qui produit R1 à environ un million de dollars supplémentaires. À comparer aux montants à neuf ou dix chiffres associés aux modèles américains de même niveau.

La licence enfin. R1 sort sous licence MIT, l'une des plus permissives qui existent. N'importe qui peut récupérer les poids, les faire tourner, les modifier, les redistribuer, et construire un produit commercial dessus sans rien demander.

Les marchés ont réagi le 27 janvier. Nvidia a perdu environ 589 milliards de dollars de capitalisation en une séance, la plus lourde perte quotidienne jamais enregistrée pour une entreprise cotée aux États-Unis. Le même jour, l'application DeepSeek passait en tête des téléchargements gratuits de l'App Store américain.

Ce que le marché a compris, à mon sens, dépasse le cas DeepSeek : si la performance peut s'obtenir avec deux ordres de grandeur de moins en dépense de calcul, alors la valeur d'une avance technologique se met à fondre plus vite que prévu.

Ce que « licence ouverte » change, très concrètement

L'expression circule beaucoup et recouvre une réalité plus précise qu'on ne le croit. Elle mérite d'être posée avant d'en tirer des conclusions opérationnelles.

Poids ouverts signifie que les paramètres du modèle sont téléchargeables et que vous pouvez l'exécuter où vous voulez. Cela ne signifie ni que les données d'entraînement sont publiques, ni que la méthode est entièrement reproductible. Ce qui est ouvert, c'est le résultat, pas la recette.

La licence MIT autorise en revanche trois choses qui comptent pour une entreprise : l'usage commercial sans redevance, la modification, et la distillation, c'est-à-dire le transfert des capacités du grand modèle vers un modèle plus petit. DeepSeek a d'ailleurs publié lui-même une série de versions distillées, de 1,5 à 70 milliards de paramètres, dont les plus légères tournent sur une machine de bureau correctement équipée.

C'est ce dernier point qui produit l'effet le plus durable, et c'est celui dont on a le moins parlé dans les commentaires financiers. Un modèle distillé de 7 ou 14 milliards de paramètres, spécialisé sur un domaine précis, suffit à couvrir la classification, l'extraction, le résumé et l'enrichissement de fiches. Ce sont rarement les usages les plus visibles, ce sont souvent ceux qui consomment le plus de jetons.

Le coût d'usage, et l'arbitrage qu'il ouvre

Passons du récit à l'arithmétique, parce que c'est là que la décision se prend.

L'accès à R1 par interface de programmation est facturé environ 2,2 dollars par million de jetons produits, contre 60 dollars pour le modèle de raisonnement d'OpenAI de génération comparable. Un facteur d'environ vingt-sept.

Prenons un cas que je rencontre souvent : une entreprise de commerce en ligne qui veut réécrire trente mille descriptions produit et générer pour chacune un titre, une méta-description et cinq attributs structurés. Comptez environ deux mille jetons produits par fiche, soit soixante millions de jetons. À 60 dollars le million, la facture approche 3 600 dollars. À 2,2 dollars, elle tombe sous 140 dollars.

L'écart ne change pas la faisabilité du projet, il change sa nature. À 3 600 dollars, c'est un budget qu'on défend en comité. À 140 dollars, c'est une ligne de dépense qu'on n'arbitre plus, et surtout qu'on peut relancer trois fois pour améliorer le résultat. Le vrai gain se situe là : dans le droit à recommencer.

Une réserve honnête sur ces chiffres : la qualité produite n'est pas identique, et sur des tâches de rédaction fine l'écart se voit. Sur des tâches structurées et vérifiables, il se voit beaucoup moins. C'est précisément pourquoi je recommande de tester sur votre propre corpus plutôt que de croire un tableau comparatif.

Les réserves qu'il faut garder

Les chiffres de coût communiqués portent sur une phase précise de l'entraînement, à l'exclusion de la recherche préalable, des expérimentations abandonnées et de l'amortissement du parc de calcul. Il faut les traiter comme une communication, pas comme un bilan comptable. Epoch AI, qui les juge crédibles techniquement, le précise elle-même.

La question de la censure et du biais est réelle. Le modèle refuse ou oriente certaines réponses sur des sujets politiquement sensibles. Pour un usage marketing courant, l'impact est faible. Pour un usage éditorial, institutionnel ou de veille, il mérite d'être testé avant tout engagement.

Le point le plus mal compris est ailleurs, et il coûte cher à ceux qui le confondent. Utiliser l'application grand public ou l'interface de programmation officielle revient à envoyer ses requêtes sur des serveurs soumis à une juridiction précise. Faire tourner les poids sur votre propre infrastructure, ou chez un hébergeur européen, est une situation entièrement différente. Les deux s'appellent « DeepSeek » et n'ont pas les mêmes conséquences juridiques.

Le régulateur italien l'a tranché rapidement : le 31 janvier 2025, le Garante a ordonné la limitation du traitement des données des utilisateurs italiens, faute de réponse suffisante sur la collecte, sa base légale et le stockage en Chine. L'entreprise avait soutenu que la réglementation européenne ne s'appliquait pas à elle, argument rejeté. Attendez-vous à ce que votre direction juridique connaisse ce précédent avant vous.

Ce que je ferais dans les trois mois

Je testerais un modèle ouvert sur une tâche interne à gros volume, chiffres à l'appui : coût pour mille opérations, taux d'erreur, temps de traitement, comparés à votre solution actuelle. Une semaine de travail suffit à savoir si l'écart justifie un changement, et cette semaine vaut mieux que six mois de veille.

Je poserais la question de la localisation des traitements avant que la direction juridique ne la pose. Savoir quel modèle traite quelle donnée, chez quel hébergeur, dans quel pays, est devenu une cartographie de base que la plupart des entreprises n'ont pas encore faite.

Je regarderais du côté des hébergeurs européens qui proposent déjà ces modèles en service géré. C'est la voie la plus rapide vers un usage conforme, et elle demande moins de compétences internes que l'auto-hébergement.

Ce que je ne ferais pas : réécrire une stratégie sur un classement de modèles. R1 est en tête d'un tableau aujourd'hui, il ne le sera plus dans six mois, et cela ne changera rien à ce que vous devez produire.

Ma conviction, et je la donne comme telle : l'événement de janvier ne tient pas au modèle lui-même, il tient au fait qu'un modèle ouvert et performant se diffuse ensuite dans des produits qui ne portent pas son nom. Dans dix-huit mois, votre outil de veille, votre moteur de recherche interne ou votre logiciel de gestion pourront embarquer ce type de modèle sans jamais vous l'annoncer. C'est ce mouvement silencieux qui comptera, plus que la secousse boursière.