Le PDG de Coinbase présente les modèles d'IA chinois à pondération ouverte comme solution à la hausse des factures

Le PDG de Coinbase a proposé d'expérimenter des modèles d'IA à pondération ouverte moins coûteux afin de maîtriser les dépenses en IA à mesure que la consommation de jetons augmente.

Cette proposition a suscité des inquiétudes quant aux risques sécuritaires et géopolitiques liés à l'acheminement des charges de travail d'entreprise via des systèmes d'origine chinoise.

Pourquoi les entreprises utilisent-elles des modèles d'IA chinois ? 

Les contrôles américains à l'exportation ont rendu plus difficile l'accès des entreprises chinoises aux puces d'IA américaines, mais cela ne les a pas empêchées de développer des modèles compétitifs et de les vendre à des prix beaucoup plus bas. 

Par exemple, le GLM 5.2 de Zhipu coûte 1,40 $ par million de jetons d'entrée et 4,40 $ par million de jetons de sortie, contre 5 $ et 25 $  pour l'Opus 4.8 d'Anthropic pour le même volume

GLM 5.2 a obtenu un score de 62,1 sur SWE-bench Pro, un benchmark de codage clé, surpassant GPT-5.5 d'OpenAI à 58,6. Un chercheur en IA a déclaré que GLM 5.2 « est au moins aussi bon qu'Opus 4.8 et GPT 5.5 »

Un autre l'a qualifié de « premier modèle ouvert capable de rivaliser réellement avec les systèmes à code source fermé »

Coinbase utilise-t-elle des modèles d'IA chinois ?

de Coinbase, Brian Armstrontronaffirme que le meilleur moyen de contrôler la hausse des coûts de l'IA est d'utiliser des modèles à pondération ouverte moins chers, notamment des systèmes chinois comme GLM 5.2. 

Armstron​​g a déclaré qu'au lieu de dépenser toujours plus dans l'IA, les entreprises ont besoin de « meilleurs paramètres par défaut, de routage et de mise en cache ». Sa suggestion d'utiliser des modèles chinois, même s'ils sont moins chers, a suscité des inquiétudes quant aux risques de sécurité et politiques. 

Outre son prix avantageux, GLM 5.2 utilise une licence MIT, ce qui signifie que les entreprises peuvent le télécharger, le modifier et l'exécuter sur leurs propres serveurs, éliminant ainsi tout risque d'envoi de données sensibles de l'entreprise à une API externe. 

Les dépenses liées à l'IA sont devenues un véritable problème, obligeant les entreprises à réduire l'utilisation de cette technologie dans leurs opérations. 

Cryptopolitan a récemment indiqué qu'Uber avait épuisé son budget de développement d'IA prévu pour 2026 dès avril et plafonne désormais les dépenses de ses ingénieurs à 1 500 $ par outil et par mois. Meta a diffusé une note de service alertant sur une « augmentation exponentielle » de l'utilisation de l'IA et a commencé à mettre en place des mécanismes de contrôle des dépenses. Amazon a supprimé un classement interne des employés basé sur leur consommation d'IA, car certains le manipulaient, entraînant une hausse des coûts. 

Une étude de KPMG a révélé que seulement 26 % des entreprises ont une visibilité complète sur leurs coûts liés à l'IA, tandis que 22 % ne découvrent ces dépenses qu'après réception de la facture. Goldman Sachs prévoit que la consommation de jetons d'IA pourrait être multipliée par 24 d'ici 2030, pour atteindre 120 quadrillions de jetons par mois.

L'International Data Corporation prévoit que 70 % des entreprises leaders en matière d'IA utiliseront plusieurs modèles d'ici 2028 au lieu de s'appuyer sur un seul fournisseur. 

Qu’est-ce qui rend les modèles d’IA chinois risqués ?

L'API cloud de Z.ai, qui permet aux développeurs et aux entreprises d'utiliser ses modèles d'IA (dont GLM 5.2), est soumise à la loi chinoise sur le renseignement national. Cela soulève de sérieuses inquiétudes pour toute entreprise traitant des informations sensibles. 

En mai, des législateurs américains ont ouvert une enquête officielle sur les risques de cybersécurité liés aux modèles d'IA d'origine chinoise dans les infrastructures critiques. 

On craint également que les modèles entraînés dans des contextes juridiques différents puissent présenter des comportements non divulgués. De plus, un concepteur d'IA a comparé GLM 5.2 à GPT-5.5 lors d'une tâche de débogage et a constaté que ses performances étaient loin d'égaler celles du modèle OpenAI pour détecter les problèmes, malgré les rapports indiquant que les modèles chinois surpassent leurs homologues plus coûteux. 

Anthropic a révélé dans une lettre ouverte adressée à la commission bancaire du Sénat que des opérateurs d'Alibaba Qwen avaient effectué 28,8 millions de transactions Claude via environ 25 000 faux comptes entre avril et juin. L'entreprise a qualifié cette opération de plus importante campagne connue de vol des fonctionnalités d'un modèle. 

L'hébergement sur place des poids ouverts élimine le risque lié au routage des données de l'API, car les entreprises qui exécutent le modèle sur leurs propres serveurs n'envoient pas de données en Chine. Cependant, des inquiétudes subsistent quant aux modèles eux-mêmes.