La « lassitude des modèles » gagne face au rythme des labos IA

En une seule semaine, début septembre 2026, quatre des plus grands laboratoires d'intelligence artificielle au monde ont publié de nouveaux modèles. Anthropic a sorti Claude Fable 5.1 et Claude Mythos 5.1. Meta a livré Muse Spark 1.3. Google a dévoilé Gemini 3.8 Flash. OpenAI a suivi avec GPT-6 Astra, un modèle que l'entreprise dit centré sur la cybersécurité et l'usage d'ordinateur, fruit d'« années de recherche et de paris importants ». La même semaine, la Mohamed bin Zayed University of Artificial Intelligence, à Abou Dabi, a ajouté sa propre famille de modèles ouverts K2 Horizon, et le fabricant de puces Nvidia a accepté de racheter la plateforme open source Hugging Face pour 12,9 milliards de dollars. Résultat, selon des dirigeants et des chercheurs interrogés par CNBC : un phénomène qu'ils appellent la 'lassitude des modèles' (model fatigue), un épuisement rampant qui touche à la fois les ingénieurs qui construisent ces systèmes et les entreprises censées choisir entre eux.

Pourquoi les labos ne ralentissent pas

Cette concentration des sorties n'est pas un hasard, selon Ahmed Abbasi, professeur à la Mendoza School of Business de Notre Dame et chercheur en IA depuis vingt-cinq ans. Les grands éditeurs, dit-il, 'jouent tous à qui gardera la plus grosse part du budget des clients', en s'assurant de rappeler à chaque instant qu'ils innovent au moins aussi vite que leurs rivaux. Anthropic et OpenAI, valorisées toutes deux à près de 1 000 milliards de dollars par des investisseurs privés, poussent particulièrement fort à l'approche d'une éventuelle entrée en Bourse. Le directeur général d'OpenAI, Sam Altman, a déclaré à CNBC que 'nous passons tous à des cadences plus rapides', attribuant une partie de l'accélération au retour des équipes de vacances d'été.

L'enjeu financier explique cette urgence. Gartner prévoit que les dépenses mondiales en IA atteindront 2 590 milliards de dollars en 2026, en hausse de 47 % sur 2025, dont plus de 1 000 milliards consacrés aux services, aux logiciels, à la sécurité, aux modèles et à d'autres outils plutôt qu'à l'infrastructure brute. Toute famille de modèles qui prend du retard sur une sortie risque de perdre une part de ce budget au profit d'un concurrent prêt à publier plus vite — même si, comme le souligne Noah Faro, directeur technique de la start-up financière Farsight, la plupart des annonces de la semaine étaient des 'versions mineures', des mises à jour de modèles existants plutôt que des créations entièrement nouvelles. Selon lui, les dernières sorties à avoir vraiment changé la donne sont Fable 5 d'Anthropic en juin et Kimi K3 de Moonshot AI en juillet.

Je pense que la lassitude des modèles est bien réelle. Ne vous méprenez pas, je suis très enthousiaste face à toute cette innovation, mais je pense sincèrement que nous sommes dans un environnement tellement effervescent qu'il faut faire du bruit pour exister.

Un tapis roulant qui épuise ingénieurs et acheteurs

Le rythme se lit clairement dans les chiffres. Selon une analyse de Crypto Briefing, l'écart médian entre deux sorties majeures de modèles de pointe, toutes entreprises confondues, est passé de 37,5 jours en 2023 à seulement 11 jours depuis le début de 2026. La cadence propre d'OpenAI raconte la même histoire : l'écart médian entre ses lancements de modèles est tombé de 170,5 jours en 2023 à 49 jours cette année. Les laboratoires chinois ajoutent à la pression : le modèle Kimi K3 de Moonshot AI, doté de 2 800 milliards de paramètres, a atteint une parité de performance avec des systèmes propriétaires fermés pour environ un sixième du coût de déploiement, et les modèles chinois ont représenté 41 % des téléchargements sur Hugging Face au printemps 2026, avant le rachat de la plateforme par Nvidia.

Les analystes de Gartner ont pointé le problème de fond dès juin 2026 : la 'convergence des capacités', cette tendance des nouveaux modèles de pointe à obtenir des scores très proches les uns des autres sur les tests standards, ce qui efface presque aussitôt l'avantage d'être le premier à publier. Le coût humain, lui aussi, est devenu visible. En juillet 2026, plus de 1 000 salariés des grands laboratoires d'IA ont signé une pétition réclamant un rythme de développement plus mesuré, invoquant la saturation des tests de référence et la réduction du temps consacré à la documentation et aux tests de sécurité.

• Écart médian entre deux sorties majeures de modèles : 37,5 jours en 2023, 11 jours depuis début 2026
• Cadence propre d'OpenAI entre deux lancements : 170,5 jours en 2023, 49 jours en 2026
• Dépenses mondiales en IA prévues par Gartner pour 2026 : 2 590 milliards de dollars, en hausse de 47 % sur 2025
• Part des téléchargements Hugging Face allant à des modèles ouverts chinois, printemps 2026 : 41 %
• Salariés de laboratoires d'IA ayant signé une pétition en juillet 2026 pour un rythme plus mesuré : plus de 1 000

Ce tourbillon retombe directement sur les équipes informatiques des entreprises. 'C'est vraiment difficile d'aller évaluer chacun des modèles qui sortent en ce moment', explique Suresh Vasudevan, directeur général de la start-up Clockwork Systems, spécialisée dans l'IA d'entreprise. Si sa société veut tester dix modèles candidats pour une tâche donnée, dit-il, elle peut tout simplement en choisir cinq et laisser les autres de côté — non pas parce qu'ils seraient moins bons, mais parce qu'il n'y a plus le temps de tous les vérifier. 'Chaque sortie est tellement bonne qu'il devient difficile de distinguer un vrai saut qualitatif', a-t-il ajouté.

Ce que cela change pour une entreprise qui doit choisir un modèle

Pour une entreprise française qui doit choisir un modèle d'IA — le plus souvent auprès d'un laboratoire américain —, la lassitude des modèles transforme un choix technique en cible mouvante. Verrouiller une feuille de route produit sur le modèle d'un seul fournisseur expose à une réécriture coûteuse quelques mois plus tard, quand un concurrent publie quelque chose de nettement meilleur ou que le fournisseur lui-même retire la version utilisée. La réponse qui s'impose chez les acheteurs, en écho au constat de Suresh Vasudevan et à celui de Gartner sur la convergence des capacités, consiste à ne plus traiter le modèle sous-jacent comme un actif durable : de plus en plus d'entreprises construisent une couche d'abstraction — un routeur ou une couche d'orchestration — capable de changer de modèle sans réécrire le code applicatif, afin qu'un modèle plus rapide ou moins cher puisse être adopté à un rythme trimestriel plutôt que de déclencher une refonte complète. Pour une entreprise française qui dépend d'un fournisseur américain, cette dépendance ajoute une dimension supplémentaire : les clauses contractuelles de dépendance et les coûts de migration transatlantique pèsent autant, dans la décision, que les scores obtenus sur les derniers tests de référence.