La bataille pour les étages de l’IA.

Le prochain leader de l’IA sera peut-être celui qui rendra l’ensemble du système évident à utiliser. Depuis deux ans, la concurrence déborde la qualité des modèles pour gagner les étages qui transforment l’intelligence en travail utile. Notre hypothèse : l’avantage le plus durable d’OpenAI pourrait être une expérience intégrée premium.

En novembre 2022, OpenAI a réuni deux choses qui avaient rarement aussi bien fonctionné ensemble : un modèle de langage capable et une interaction que presque tout le monde pouvait comprendre. Écrire une question. Lire la réponse. Reprendre. ChatGPT avait été adapté de GPT‑3.5 pour le dialogue ; son entraînement et son interface se répondaient. L’innovation était technique, mais aussi ergonomique.

Selon le bilan rétrospectif d’OpenAI, un million de personnes ont utilisé ChatGPT en cinq jours. Ce chiffre mesure une adoption. Le séisme culturel tenait, à nos yeux, au geste : interagir avec un modèle de langage ressemblait soudain à quelque chose que les humains savaient déjà faire. Le nom portait lui-même le mode d’emploi. Chat.

La concurrence de 2024–2026 prolonge cette ouverture. Lorsque plusieurs entreprises savent proposer un bon modèle dans une fenêtre de conversation, où se forme l’avantage suivant ? Notre réponse commence sous l’écran et se termine au-dessus.

L’électricité alimente le calcul. Le calcul fait tourner des modèles. Les modèles fournissent des tokens à un harness : le logiciel qui organise le contexte, les outils et l’exécution. Une interface donne des commandes à un opérateur. Celui-ci dirige le travail vers un artefact : contrat, tableur, programme ou image. Ce sont des fonctions, pas sept compartiments étanches. Les produits les recouvrent et les retours circulent dans les deux sens.

La question stratégique dépasse donc « qui possède le meilleur LLM ? ». Elle devient : quelle dépendance une entreprise peut-elle maîtriser, quelle relation peut-elle établir avec l’utilisateur, et à quel étage continuera-t-on de la payer ?

L’expérience numérique repose sur des capacités physiques : énergie, terrains, raccordements, refroidissement et machines. En avril 2026, l’AIE projetait une demande électrique mondiale des centres de données passant d’environ 485 TWh en 2025 à 950 TWh en 2030. Ce total comprend d’autres usages informatiques ; il ne mesure pas la consommation des seuls LLM. Il s’agit d’une projection, pas d’un résultat acquis.

Notre lecture stratégique est simple : un fournisseur qui promet une intelligence rapide et toujours disponible finit par devoir s’intéresser à ce qui se passe très loin sous son API. Un meilleur modèle ne compense pas un site qui ne peut pas être alimenté. Descendre dans la stack sert aussi à garantir les conditions d’existence du produit.

En octobre 2025, OpenAI et Broadcom ont annoncé un programme de 10 GW d’accélérateurs et de systèmes sur mesure, avec un déploiement prévu du second semestre 2026 à 2029. En juin 2026, ils ont présenté Jalapeño, le premier accélérateur d’inférence conçu par OpenAI. Au moment de l’annonce, des échantillons fonctionnaient en laboratoire ; un premier déploiement était prévu pour la fin de 2026. Ces étapes établissent une direction, pas un déploiement industriel achevé.

Concevoir une puce autour des modèles, des mouvements de mémoire et des conditions d’inférence permet de relier les choix matériels à la latence du produit. OpenAI ne devient pas pour autant un fabricant de semi-conducteurs : Broadcom et d’autres partenaires industrialisent la plateforme. Le laboratoire contribue désormais à dessiner le plancher sur lequel il travaille.

NVIDIA avance dans l’autre sens. CUDA donne déjà à son matériel un écosystème logiciel. Dynamo, présenté en 2025, organise le service d’inférence ; la Nemotron Coalition, annoncée en mars 2026, réunit des partenaires pour développer des modèles ouverts. Notre interprétation : rendre les modèles plus accessibles et plus faciles à déployer peut renforcer la demande pour l’infrastructure qui les porte. NVIDIA et OpenAI sont donc partenaires à un étage et concurrents potentiels à un autre.

DeepSeek R1, publié en janvier 2025, et Qwen3, publié en avril, ont rendu des modèles performants disponibles pour un déploiement indépendant. Qwen documente plusieurs moteurs de service et applications locales. Le modèle peut quitter son interface de conversation d’origine. « Poids ouverts » est ici le terme utile : publier les paramètres sous une licence permissive ne revient pas nécessairement à ouvrir tout le processus d’entraînement et ses données.

Cette concurrence fait des allers-retours. L’AI Index 2026 de Stanford décrit un écart Arena entre les meilleurs modèles fermés et à poids ouverts qui s’est fortement réduit en 2024, puis creusé avec de nouvelles sorties propriétaires. En mars 2026, il rapporte 1 503 points pour Claude Opus 4.6 et 1 454 pour GLM‑5. Arena mesure des préférences dans un cadre d’évaluation donné. Ces 49 points ne mesurent pas la qualité d’un parcours professionnel complet.

La pression sur les prix est également réelle. L’AI Index 2025 de Stanford rapporte que le prix API pour atteindre un seuil MMLU fixé au niveau de GPT‑3.5 est passé de 20 à 0,07 dollar par million de tokens entre novembre 2022 et octobre 2024. Il s’agit d’une comparaison de prix d’inférence pour un benchmark donné, pas du tarif d’un abonnement ChatGPT ni d’une preuve de fiabilité équivalente des agents. Une capacité peut devenir moins chère pendant que la frontière avance.

L’effet stratégique compte davantage qu’un classement instantané. Une alternative crédible donne aux concepteurs d’applications une autre position de négociation, une autre option de déploiement et une autre structure de coûts. Elle ne garantit pas qu’un remplacement préservera l’usage des outils, la gestion du contexte ou la fiabilité. L’étage suivant a du travail à faire.

Un modèle de langage peut proposer une action. Un autre système doit l’exécuter, lui retourner le résultat, conserver le bon contexte et organiser la suite. Cet environnement est le harness. Instructions, définition des outils, permissions, état du travail et reprise après erreur deviennent une partie du produit. Deux produits fondés sur le même modèle peuvent donc accomplir un travail très différent.

OpenAI décrit un harness Codex commun à ses expériences web, CLI, IDE et bureau, reliées par un App Server. Le retour d’Anthropic sur les agents au long cours montre pourquoi une simple boucle a besoin d’un environnement préparé, de traces de progression et de tests pour rester efficace dans la durée. Reproduire une conversation ou une requête API ne reproduit qu’une partie de cette mécanique.

L’ouverture se joue aussi ici. Anthropic a lancé MCP en novembre 2024 pour standardiser les connexions aux outils et aux données, notamment dans Claude Desktop. Des composants du harness Codex sont ouverts. L’opposition entre laboratoires de pointe fermés et écosystème ouvert dessine donc une carte incomplète : un même acteur peut défendre un modèle propriétaire et ouvrir ses connexions.

À force de regarder les modèles, on sous-estime à nos yeux le travail de précision des applications ChatGPT et Codex sur ordinateur. ChatGPT a rendu le dialogue intuitif ; Codex étend la question au travail suivi. Son application de février 2026 a réuni agents parallèles, projets persistants, worktrees et revue des modifications dans une même surface. La valeur se loge dans les transitions : comprendre ce qui se passe, retrouver le bon travail, examiner une modification et continuer sans reconstruire le contexte.

Pour nous, la beauté de ces applications tient à leur fonctionnement autant qu’à leurs pixels : un modèle, un environnement d’exécution et des commandes qui s’accordent. On peut reproduire une fonctionnalité isolée. Maintenir la cohérence de centaines d’interactions pendant que les modèles et les outils changent constitue un travail d’ingénierie permanent.

La difficulté reste visible. Quel modèle, quel effort de raisonnement, quels documents, quel connecteur ? GPT‑5 a introduit un routage automatique entre réponse immédiate et raisonnement plus poussé ; les travaux d’OpenAI sur la mémoire en 2026 déplacent une partie de la gestion du contexte dans le produit. Nous y voyons une volonté d’absorber la configuration. Ces évolutions n’établissent pas que le besoin de jugement de l’utilisateur a disparu.

Monter dans la stack signifie se rapprocher du travail que quelqu’un achète réellement. En juin 2026, OpenAI a présenté des plugins Codex par métier, dont la banque d’investissement. En septembre, Astra for Law a réuni un modèle, un index de recherche juridique, des instructions spécialisées et des plugins d’écosystème. Son corpus de recherche initial se concentre sur le droit américain. L’offre verticale est déjà une configuration de plusieurs étages, et pas seulement un modèle portant une étiquette professionnelle.

Il est trop tôt pour déclarer ces initiatives réussies ou manquées. Le rapport d’OpenAI sur l’IA en entreprise décrit lui-même un écart important entre utilisateurs avancés et utilisateurs moyens, ainsi que des obstacles organisationnels. Savoir générer un raisonnement juridique est différent de savoir quelles autorités gouvernent un mandat suisse, quels documents sont accessibles et ce que l’associé attend de signer. Un plugin métier peut fournir un point de départ. Une profession possède aussi des standards locaux, des exceptions et des responsabilités.

C’est là que nous situons la contribution d’ogram : aider l’opérateur humain à configurer l’environnement, relier les bonnes pièces, formaliser les standards du métier et évaluer le résultat. L’utilisateur n’a pas besoin de devenir informaticien. Il faut néanmoins rendre la bonne expertise opératoire dans le système.

Au sommet, l’artefact tranche. Un tableur doit calculer juste. Un contrat doit répondre au mandat. Une image doit respecter le brief. Notre raisonnement est qu’un token bon marché peut produire une erreur coûteuse, tandis qu’un système plus cher peut être économique s’il réduit la vérification et les reprises. La comparaison pertinente porte sur le coût total d’un résultat acceptable.

Anthropic partage une grande partie de cette ambition modèle–harness–application, avec son propre accent sur Claude, Claude Code et les connexions par MCP. xAI relie Grok à une infrastructure de calcul et à la distribution par X. Son annonce d’abonnement d’octobre 2026 réunit Grok, Cursor et X, tout en conservant des modèles tiers dans Cursor avec une facturation distincte. Intégration et modularité peuvent coexister dans une même offre commerciale.

Google part d’une autre position. Ses TPU lui donnent un calcul sur mesure ; Gemini apporte les modèles ; Search et Workspace offrent une distribution déjà installée. L’annonce Gemini at Work d’octobre 2026 place des agents dans des surfaces de travail existantes. Google peut apporter l’intelligence là où se trouvent déjà le document, l’email et l’agenda. C’est un autre chemin vers l’utilisateur.

Les pièces restent séparables. Un fournisseur peut changer d’accélérateurs. Un concepteur d’applications peut changer de modèle. Une équipe peut adopter un autre harness ou une autre interface. L’architecture Managed Agents d’Anthropic sépare explicitement session, harness et sandbox afin de faire évoluer leurs implémentations indépendamment. Ces frontières sont de vrais choix d’ingénierie.

Séparable ne signifie pas interchangeable sans coût. Le matériel a besoin de runtimes et de kernels compatibles. Un autre modèle peut exiger d’autres instructions, schémas d’outils ou mécanismes de contexte. Une nouvelle interface change les habitudes et les permissions. Et un marché modulaire ne donne pas à l’utilisateur de ChatGPT la possibilité d’insérer n’importe quel LLM dans l’application propriétaire. L’architecture du fournisseur, le choix du développeur et les commandes de l’utilisateur sont trois choses distinctes.

Un composant peut devenir remplaçable pendant que la qualité de l’assemblage prend de la valeur.

Nous pensons qu’OpenAI possède une trajectoire crédible pour devenir une référence auprès des personnes qui veulent des capacités avancées, de la réactivité et une interaction soignée, en plaçant le prix au second plan. Une IA de luxe, si l’expression signifie payer pour la qualité de l’expérience entière. L’avantage se répartirait entre modèle, harness, infrastructure d’inférence et application.

L’analogie avec Apple est utile à ce niveau : des choix coordonnés peuvent épargner à l’utilisateur une succession de décisions techniques. Elle reste une analogie. Elle n’établit ni une structure de marché équivalente, ni un leadership permanent, ni une supériorité sur toutes les dimensions. Google, Anthropic et les concepteurs d’assemblages modulaires peuvent aussi produire d’excellentes expériences intégrées.

« OpenAI ne pourra jamais occuper le créneau du bon marché » serait excessif. L’entreprise a lancé ChatGPT Pro à 200 dollars par mois en 2024, mais aussi annoncé ChatGPT Go dans le monde entier à 8 dollars par mois aux États-Unis en janvier 2026, à côté de l’accès gratuit, et publié les modèles à poids ouverts gpt-oss en 2025. Son programme matériel vise également à réduire les coûts. La thèse la plus solide concerne l’endroit où sa différenciation pourrait le mieux tenir, plutôt que les niveaux de prix qu’elle pourrait proposer.

Cette hypothèse peut être mise à l’épreuve. Elle s’affaiblit si des alternatives modulaires égalent durablement l’expérience complète à un coût total inférieur, si les parcours professionnels restent trop difficiles à configurer, ou si un autre fournisseur intégré fait mieux. Elle se renforce si les utilisateurs continuent de payer pour la continuité, la vitesse et la réduction des frictions, alors que les composants individuels deviennent plus faciles à remplacer.

C’est la danse que l’on observe dans la stack : descendre pour garantir les capacités, monter pour atteindre le travail, ouvrir certaines frontières pour favoriser l’adoption, en intégrer d’autres pour rendre le produit cohérent. Le résultat se jugera au sommet. Quel artefact a été livré, dans quelles contraintes, et quel effort l’humain a-t-il dû fournir pour l’obtenir ?

Sources vérifiées le 23 octobre 2026. Les annonces de produits documentent des disponibilités, des architectures et des intentions déclarées ; elles ne prouvent pas, à elles seules, un succès commercial ou une supériorité générale. Les interprétations stratégiques et la perspective d’une expérience premium sont les hypothèses de l’auteur.