En entreprise, la fidélité aux modèles d’IA ne dure que quelques semaines
Un modèle d’IA peut s’imposer dans les usages des entreprises en quelques semaines, pendant qu’un autre en disparaît presque. C’est notamment ce que montre le Databricks AI Index, un tableau de bord public mis à jour chaque semaine. Il s’appuie sur le trafic de Unity Gateway, la passerelle par laquelle les clients de Databricks accèdent aux modèles d’IA, et sur un benchmark d’agents de code maison.
Ces chiffres décrivent les usages des clients de Databricks, et non l’ensemble du marché. Mais ils mesurent ce que ces entreprises consomment, là où les classements, comme celui des meilleurs modèles pour piloter des agents IA, évaluent des performances.
Un nouveau modèle peut s’imposer en quelques semaines
Depuis mai 2026, un nouveau modèle phare sort environ chaque semaine, selon le décompte de Databricks. À la mi-année, la plupart des clients s’appuyaient surtout sur une poignée de modèles d’Anthropic. OpenAI a ensuite gagné du terrain avec GPT-6 Sol et Astra. Mais la sortie de Claude Opus 5.5, fin septembre, a redonné l’avantage à Anthropic.
En six semaines, Opus 5.5 est passé de 7,2 % à 38 % des tokens consommés sur les modèles propriétaires, ce qui en fait le premier de la passerelle. Sur la même période, Claude Fable 5.1, pourtant en tête du benchmark de code de l’éditeur, est tombé de 5,5 % à 0,6 %. « La qualité des modèles continue d’influencer fortement les parts de marché des fournisseurs », observe Databricks.
L’éditeur dit appliquer la même logique en interne, en évaluant chaque nouveau modèle dans les jours qui suivent sa sortie. Il a ainsi renoncé à passer d’Opus 4.8 à Opus 5, faute d’un gain suffisant pour ses usages au regard du surcoût. Il a en revanche fait d’Opus 5.5 le modèle par défaut de Claude Code, après avoir mesuré un coût par session inférieur de 29 % à celui de son prédécesseur.
Les entreprises sont-elles vraiment passées au multi-fournisseurs ?
Selon Databricks, environ 64 % de ses clients ne passaient que par un seul fournisseur de modèles en juillet, contre 28 % au 2 novembre. L’indicateur est cumulatif : il compte tous les fournisseurs utilisés par une entreprise depuis le 20 juillet. Le point de juillet porte donc sur une semaine d’usage, celui de novembre sur plus de trois mois. Il mesure la part d’entreprises qui ont essayé plusieurs fournisseurs, pas forcément celles qui les utilisent en parallèle.


Le modèle le plus adopté n’est pas le plus économique
Le benchmark de l’index éclaire ces arbitrages entre versions. Databricks y soumet des modèles de neuf laboratoires à des tâches tirées du travail de ses propres développeurs, puis mesure leur taux de réussite et leur coût moyen par tâche. À niveau proche, les écarts de coût sont considérables :
- GPT-6 Luna et Claude Opus 5.5 réussissent tous deux 89 % des tâches, mais Luna coûte en moyenne 0,05 dollar par tâche, contre 1,62 dollar pour Opus 5.5, soit environ 32 fois moins.
- Gemini 3.8 Flash affiche un prix du token bas, mais il lui faut en moyenne 140 tours d’échange par tâche, pour une facture de 11,97 dollars, l’une des plus élevées du benchmark.
- Claude Fable 5.1 arrive en tête avec 96 % de réussite, pour 7,47 dollars par tâche. Muse Wonder, de Meta, atteint 95 % pour 1,53 dollar, soit près de cinq fois moins cher.


Les modèles n’ont pas besoin du même volume de travail pour aboutir. « Des prix du token plus bas ne garantissent pas des coûts plus faibles » lorsqu’un modèle doit en faire davantage pour mener une tâche à bien, résume l’éditeur. Databricks, qui vend un outil de routage automatique entre modèles, conseille de réserver les plus coûteux aux tâches complexes. Il voit dans le recul de Fable 5.1 le signe que ses clients font ce calcul. Le succès d’Opus 5.5, bien plus cher que Luna à score égal, montre pourtant que le coût ne dicte pas seul leurs choix.
Les modèles open weight, portés par les laboratoires chinois, gagnent du terrain
L’index relève aussi la montée des modèles open weight, dont les poids sont publiés et que chacun peut héberger. Sur les modèles servis directement par Databricks, leur part des tokens est passée de 7,3 % en juillet à 31 % début novembre. Ce périmètre exclut le trafic routé vers Anthropic ou OpenAI, et ne dit donc rien de la place de l’open weight dans l’ensemble des usages. La progression s’est concentrée entre juillet et fin septembre, et la part plafonne depuis.


Les fournisseurs open weight que l’index détaille, Zhipu, DeepSeek et Moonshot AI, sont tous chinois. Trois modèles open weight figurent dans le top 10 du benchmark de code, dont DeepSeek V4.1 Flash et GLM 5.3, à égalité à la 3e place avec 93 % de réussite. Databricks, qui héberge ces modèles, y voit « une option de plus en plus attrayante pour les entreprises ».
Comme évoqué lors de la sortie de Kimi K3, l’open weight est devenu un terrain largement occupé par les laboratoires chinois. Côté européen, Mistral AI a publié le 29 octobre les poids de Mistral Large 4 sur Hugging Face. Le modèle ne figure toutefois pas parmi les familles open weight recensées par l’index, qui cite GLM, Kimi, DeepSeek, Qwen, Llama, GPT-OSS et Gemma.
Comment Databricks a construit son index
L’index est publié par Databricks, qui commercialise Unity Gateway, la passerelle d’accès aux modèles dont sont tirées les données, sans institut tiers. Il agrège l’usage anonymisé de plus de 10 000 entreprises clientes, des jeunes pousses du numérique aux groupes du Fortune 500. Les données d’usage couvrent la période du 20 juillet au 2 novembre 2026, et le benchmark de code est arrêté au 10 novembre.
Accéder à l’index complet
www.blogdumoderateur.com
Abdel khalik Abdel khalik
https://abdelkhalik.khamallah.fr

0 Comments