IA chinoises : pourquoi DeepSeek, Qwen et les autres changent la donne

En janvier 2025, DeepSeek-R1 a fait plus pour le marché des LLM que dix keynotes. Pas parce que « la Chine a gagné ». Parce qu'un laboratoire a publié un modèle de raisonnement au niveau des meilleurs modèles propriétaires, avec les poids, et un coût d'usage qui a forcé tout le monde à revoir ses grilles tarifaires.

J'ai déjà écrit sur la vague open source (Mistral, Llama compris). Ici, le sujet est plus étroit : pourquoi les modèles chinois sont intéressants pour une entreprise française — et dans quelles conditions ils le restent.

Ce qui a vraiment bougé (pas le narratif géopolitique)

Trois faits, pas trois opinions :

1. Le raisonnement n'est plus un club fermé. DeepSeek-R1 (janvier 2025), entraîné notamment par renforcement, s'est placé au niveau d'o1 d'OpenAI sur les tâches maths / code / raisonnement — c'est ce que leur publication et les benchmarks publics ont montré, et ce que le marché a retenu.
2. Les poids sont sortis. V3 (décembre 2024) : MoE 671 milliards de paramètres, 37 milliards activés par token. R1 et des distillations sur des bases Qwen et Llama sont téléchargeables. Vous n'êtes plus locataire d'une API pour tester.
3. Les prix ont chuté chez tout le monde. Quand un concurrent crédible facture une fraction du token « frontier », OpenAI, Anthropic et Google n'ont plus le luxe d'ignorer la ligne « coût » de votre Excel.

L'intérêt n'est donc pas patriotique. Il est économique et technique : un niveau de performance devenu banal, à un coût et avec une liberté de déploiement que 2023 ne permettait pas.

Pourquoi c'est intéressant, concrètement

1. Le rapport performance / prix

Sur la majorité des tâches d'entreprise — rédiger, extraire, classer, résumer, poser une question sur un document — vous n'avez plus besoin du modèle le plus cher. Un DeepSeek-V3 ou un Qwen de taille moyenne, servi par un provider, coûte souvent un ordre de grandeur de moins qu'un Claude ou un GPT « haut de gamme » à volume égal. Sur des millions de requêtes, ça se voit. Sur un POC, moins.

DeepSeek a aussi documenté un entraînement de V3 relativement économe (leur papier avance quelques millions de dollars de calcul, pas des centaines). Même si le chiffre exact se discute, le message a tenu : on peut approcher le frontier sans le budget d'un GAFAM.

2. Les poids ouverts, donc l'hébergement chez vous

C'est le point pour une PME ou une ETI française. Le modèle peut tourner :

• chez un hébergeur européen (OVHcloud AI Endpoints, Scaleway, et d'autres qui ajoutent ces poids) ;
• chez un provider US type Together / Fireworks (données non sensibles) ;
• sur votre GPU, avec vLLM ou Ollama, si le volume ou la sensibilité le justifie.

Vous utilisez une architecture née en Chine. Vous n'envoyez pas pour autant le contrat client sur un endpoint à Hangzhou. Les poids et l'API officielle sont deux produits différents. Confondre les deux est l'erreur n°1.

3. La distillation : le raisonnement dans un petit modèle

DeepSeek n'a pas seulement sorti R1. Ils ont distillé son comportement de raisonnement dans des modèles denses basés sur Qwen 2.5 (1,5B à 32B) et Llama (8B, 70B), sous licence permissive (MIT pour la série R1, Apache 2.0 d'origine pour les Qwen concernés). Un 32B qui « réfléchit » mieux qu'un mini propriétaire : ça tient parfois sur une machine que vous savez déjà payer. Pour une tâche étroite (code interne, extraction, maths appliquées), c'est souvent plus intéressant qu'un abonnement frontier.

4. Qwen : une famille, pas un modèle

Alibaba (Tongyi / Qwen) publie une gamme : tailles de quelques centaines de millions à plus de 70B, variantes Coder, Math, VL (vision). La lignée Qwen 2.5 puis Qwen3 a ceci d'utile pour une entreprise : vous pouvez partir d'un 7B ou 14B, le spécialiser (voir RAG ou fine-tuning), et garder le même écosystème. Beaucoup de ces poids sont en Apache 2.0 : lisible pour un juriste, utilisable en prod.

5. Ils ont cassé le réflexe « il n'y a que deux API »

Avant 2025, beaucoup de stacks n'existaient qu'en « OpenAI, sinon Anthropic ». Aujourd'hui, un comparatif honnête inclut DeepSeek et Qwen hébergés en Europe, à côté de Mistral et Llama. Même si vous restez chez Claude pour le raisonnement le plus dur, vous avez un plan B tarifaire. Ça change la négociation.

Les autres noms (pour ne pas tout réduire à DeepSeek)

• Moonshot (Kimi) — longtemps mis en avant sur les très longs contextes. Utile à connaître si votre cas est « coller 200 pages » plutôt que « raisonner dur ».
• Zhipu (GLM) — autre labo majeur, modèles généralistes et ouverts selon les versions. Même réflexe : poids ou provider, pas l'API chinoise par défaut.
• 01.AI (Yi), MiniMax — font partie du même paysage. Je ne les mets pas tous dans un POC : trop de modèles, pas assez d'évals.

Je n'invente pas un classement 2026 « le meilleur est X ». Les versions bougent tous les trimestres. Ce qui reste : tester sur vos textes (français métier, pas un leaderboard anglais), et figer le gagnant dans un contrat d'hébergement que vous comprenez.

Ce qui n'est pas intéressant (et qu'on vend quand même)

L'API officielle DeepSeek / Qwen / ByteDance pour des données clients

Hébergement en Chine, cadre PIPL, pas d'adéquation RGPD du type « décision d'adéquation UE ». Pour un e-mail interne anodin, certains s'en fichent. Pour un dossier client, de la paye, de la santé, du juridique : non. C'est le même article que j'écris sur la sécurité des données — le drapeau du modèle ne change rien.

Le modèle « censuré » pris tel quel en com interne

Les API chinoises officielles refusent ou déforment certains sujets politiques (Taïwan, Tiananmen, etc.). Pour un chatbot SAV de pièces auto à Caen, vous ne le verrez presque jamais. Pour un outil de veille ou de rédaction libre, si. Les poids open, servis par vous, ont souvent un alignement différent — à tester, pas à supposer.

Le « c'est open donc c'est souverain »

Open weights ≠ souveraineté. Si le GPU, le provider et le monitoring sont aux États-Unis, vous avez juste changé de dépendance. La souveraineté, c'est : où tourne l'inférence, qui a les logs, quel contrat, quelle clé. Mistral en Europe reste, sur ce critère, plus simple à expliquer à un DPO que DeepSeek chez un cloud US. DeepSeek chez OVH ou on-prem, c'est une autre conversation — souvent la bonne.

Les licences lues en diagonale

R1 : MIT (commercial, dérivés, distillation autorisés — c'est écrit sur le dépôt). V3 : licence modèle DeepSeek, à lire. Qwen : souvent Apache 2.0 sur les petites et moyennes tailles, pas forcément sur toute la gamme. Un juriste de 20 minutes évite un malentendu de 20 mois.

Comment je les utilise en mission

1. Jamais l'API officielle chinoise dès qu'il y a une donnée non publique.
2. POC : un Qwen ou DeepSeek managé (Europe si possible) à côté d'un Claude / GPT, même jeu de questions.
3. Volume ou donnée sensible : poids sur hébergeur UE, ou petit modèle distillé en local.
4. Français juridique / admin : je ne fais pas confiance au leaderboard. Je fais relire 30 sorties par un humain du métier.
5. Un seul modèle en prod une fois le gagnant choisi — plus un fallback documenté si le provider tombe.

Quand rester sur un modèle américain ou européen

• Vous prototypez cette semaine et l'équipe connaît déjà l'API OpenAI / Anthropic.
• Le cas est du raisonnement encore instable, et le coût n'est pas le sujet.
• Le DPO / la direction veut un contrat UE « sans explication géopolitique » : Mistral gagne souvent à l'oral, même si Qwen hébergé en France serait techniquement comparable.
• Vous n'avez personne pour suivre les mises à jour de poids et les evals.

Les modèles chinois n'obligent pas à quitter Claude. Ils obligent à justifier Claude. C'est déjà beaucoup.

Conclusion

Les IA chinoises sont intéressantes parce qu'elles ont rendu le frontier ordinaire : moins cher, reproductible, hébergeable. Elles ne sont intéressantes que si vous séparez le laboratoire (Hangzhou, Pékin) du lieu d'inférence (Roubaix, Paris, votre baie). Le reste est du commentaire de plateau.

Pour le choix de stack au sens large — Mistral, Llama, providers — l'article open source 2026 complète celui-ci.