Les modèles ouverts peuvent traiter 90 % des étapes d'un workflow agentique, selon Gartner, pour une fraction du coût

L'affirmation est tombée mardi matin. Dans un document intitulé « Open-Weight Models Will Run 90% of Enterprise Agentic Workflow Steps », Mark Petty, senior director chez Gartner, et Raymond Paquet, group vice president, soutiennent que l'essentiel du travail des agents est routinier. La classification, l'appel d'outils, le passage, la validation et la réconciliation des données en forment le gros. Les modèles à poids ouverts, écrivent-ils, « peuvent traiter des centaines de ces étapes routinières pour chaque étape qui exige un raisonnement de pointe ». The Register a rapporté le document le 3 novembre.

« Face au modèle fermé le moins cher au même score, le modèle ouvert coûte un quart du prix. Face à un modèle de pointe sollicité à chaque étape, il coûte jusqu'à un vingtième », écrivent les deux auteurs.

Vient ensuite la réserve, qui compte plus que le chiffre de gros titre. Les analystes admettent que les modèles ouverts actuels « peuvent être plus verbeux et réessayer plus souvent, si bien que l'économie par tâche face à un modèle de pointe se rapproche de cinq ou six fois ». L'écart reste important. Mais il change d'ordre de grandeur par rapport à celui repris dans la presse.

Là où partent à la fois l'argent et le contrôle

L'argument de Gartner ne porte pas uniquement sur le prix. Les analystes posent d'abord la question du contrôle des données. « Des années d'historique de workflows représentent une grande partie de ce qu'un acquéreur paie dans une société SaaS, et chaque étape routinière envoyée à une API de pointe en déplace une part hors de votre périmètre. Les poids ouverts préservent votre contrôle. L'économie de coût est un bonus. » Leur hypothèse de planification officielle : d'ici 2030, 90 % des étapes des workflows agentiques opérationnels en entreprise s'exécuteront sur des modèles à poids ouverts.

Cette projection cadre mal avec les sorties de pointe de la semaine passée. Tom's Hardware a rapporté le 3 novembre que Gemini 4 Carbon (high) de Google obtient 59 sur l'Intelligence Index V5 d'Artificial Analysis. C'est un point de plus que Claude Opus 5.5 (max with fallback) et deux de plus que GPT-6 Astra (max) d'OpenAI. Le même article chiffre le coût par tâche de Gemini 4 Carbon à 7,76 dollars, contre 12,99 dollars pour Claude Fable 5.1. Cela représente environ 13 fois le prix par tâche du modèle à poids ouverts DeepSeek V4.1 Flash 1017, qui obtient 32 sur le même index.

Pour Gartner, cet écart se traduit ainsi : le modèle de pointe devient une dépense d'investissement, le modèle ouvert une dépense de fonctionnement. « Les modèles de pointe continueront d'avoir un rôle de moteur de la recherche et du développement », résume The Register à propos du document. Les modèles à poids ouverts prennent le relais une fois le gros du travail fait. Les analystes désignent aussi les harnesses, ces logiciels qui orientent chaque tâche vers un modèle adapté, comme l'endroit où se logera la valeur produit.

La pile de recherche va dans le même sens

Deux articles arXiv déposés les 29 et 30 octobre suggèrent que le versant entraînement se réorganise de la même manière. QUAL, un cadre proposé par Junhyeok Kang et 11 coauteurs, traite un ensemble de modèles de fondation pour séries temporelles comme une référence probabiliste. Il transforme les prévisions de chaque membre avant de les combiner. Il annonce des réductions de 7,4 % sur le MASE moyen des membres et de 9,8 % sur le CRPS sur GIFT-Eval. Il ne demande ni entraînement ni modification des modèles.

De leur côté, Yuda Song et neuf coauteurs soutiennent dans un article de 67 pages que le préentraînement, le mi-entraînement, l'ajustement supervisé et l'apprentissage par renforcement peuvent tenir sous un seul algorithme fondé sur la vraisemblance. Le pipeline par étapes se ramène alors à une question : sur quelles données entraîner, et quand.

Aucun des deux articles ne teste la thèse de coût de Gartner. Tous deux indiquent la même direction : moins d'étapes sur mesure, plus de réemploi des modèles déjà disponibles.

Le matériel suit le même pari. The Robot Report a rapporté le 2 novembre que Tutor Intelligence a levé 75 millions de dollars en série B, menée par Andreessen Horowitz. Les clients paient à l'heure ou à la cueillette plutôt que d'acheter les robots. Agility Robotics, de son côté, a validé son vote SPAC le 2 novembre avec plus de 84 % de votes favorables. La société combinée doit entrer en cotation sur le Nasdaq le 5 novembre sous le ticker AGLT, avec environ 465 millions de dollars de capital brut avant frais. Aucun de ces deux chiffres ne tranche la question de savoir si le travail routinier migre vers des modèles bon marché. Tous deux supposent que quelqu'un compte le coût par tâche.