Code Rouge d'OpenAI : L'ail arrive

Le Code Rouge a frappé OpenAI comme une alarme incendie dans un centre de données. Sam Altman a informé les employés que l'entreprise était en « code rouge », une étiquette généralement réservée aux menaces existentielles, et a ordonné aux équipes de se recentrer sur un seul objectif : améliorer ChatGPT de manière significative et rapidement. Les projets secondaires, les fonctionnalités expérimentales et les paris audacieux ont soudainement été relégués au second plan pour renforcer le chatbot central qui a fait d'OpenAI un nom familier.

Le Gemini 3 de Google a créé un moment de crise. Après un déploiement difficile de la première génération de Gemini, Gemini 3 est arrivé comme une réponse brutale à la narration selon laquelle « la montée en puissance est terminée », affichant des performances de niveau frontière et étant directement intégré dans les vastes canaux de distribution de Google. Google a discrètement grimpé d'environ 450 millions à près de 650 millions d'utilisateurs actifs de Gemini en quelques mois, tandis que la propre croissance d'OpenAI, proche d'un milliard d'utilisateurs, commençait enfin à sembler mortelle au lieu d'inévitable.

Gemini 3 a fait plus que gagner des benchmarks ; il a renversé le récit. Pour la première fois, OpenAI avait l'air du titulaire complacent et Google du challenger affamé, soutenu par sa flotte de TPU et des décennies de travaux d'infrastructure. SemiAnalysis a rapporté qu'OpenAI n'avait pas réalisé de manière réussie un entraînement préliminaire complet et déployé à grande échelle pour un nouveau modèle de pointe depuis GPT-4.0 en mai 2024, tandis que Google développait des modèles massifs sur des silicones personnalisés.

Le mémo Code Red d'Altman se concentrerait moins sur les points de QI et plus sur l'expérience. Il a incité les équipes à améliorer la personnalisation, la rapidité, la fiabilité et la gamme de questions auxquelles ChatGPT peut répondre avec confiance au quotidien. En interne, la priorité s'est déplacée des démonstrations tape-à-l'œil vers la plomberie peu séduisante qui détermine si les gens restent réellement fidèles à un chatbot comme outil par défaut.

Ce pivot marque un changement de stratégie silencieux mais profond. Pendant des années, OpenAI a poursuivi des fonctionnalités accrocheuses : multimodalité, agents, voix, boutiques d'applications, keynotes spectaculaires. Sous Code Rouge, le mandat ressemble davantage à une défense classique de la plateforme : - Faire en sorte que ChatGPT semble plus rapide que Gemini 3 - Faire en sorte qu'il semble plus adapté que Gemini 3 - Faire en sorte qu'il tombe moins souvent en panne que Gemini 3

OpenAI n’essaie plus seulement d’inventer l’avenir de l’IA. Code Red signale une entreprise soudainement contrainte de défendre le présent.

La hérésie de l'évolutivité a commencé comme un murmure et s'est solidifiée en dogme. Au cours de l'année écoulée, Ilya Sutskever, Andrej Karpathy et Yann LeCun ont tous soutenu que le simple fait d'ajouter davantage de GPU et de tokens aux architectures LLM existantes avait atteint un rendement décroissant. Plus grand ne signifiait plus intelligent ; cela signifiait juste plus coûteux.

Les chercheurs ont évoqué un supposé « mur » dans la pré-formation. Une fois que les modèles ont atteint l'échelle de classe GPT-4, chaque dollar supplémentaire dépensé en calcul semblait offrir moins de capacité, en particulier sur les tâches de raisonnement complexe et de planification. Le nouveau consensus : le progrès nécessitait désormais de nouveaux algorithmes, de nouvelles architectures, et peut-être des paradigmes d'entraînement entièrement différents.

Sutskever l'a présenté comme un changement d'époque lors du podcast de Dwarkesh Patel : 2012–2020 comme l'« ère de la recherche », 2020–2025 comme l'« ère de l'échelle », et maintenant un retour à la recherche car 100 fois plus de puissance de calcul ne donnerait pas 100 fois de meilleurs modèles. Karpathy a fait écho à l'idée que les LLM actuels « manquent d'espace pour croître ». LeCun est allé plus loin, qualifiant les modèles de texte autorégressifs de cul-de-sac et plaidant en faveur d'approches basées sur l'énergie et sur les modèles du monde.

Ce récit s'est ancré dans les laboratoires et sur X, où les mèmes présentent "la montée en puissance est terminée" comme du bon sens. Lorsque des figures de proue répètent que plus de données et plus de puissance de calcul ne font plus la différence, les organisations cessent de miser sur le scaling à outrance. Elles réorientent les budgets des énormes sessions d'entraînement vers la sécurité, les outils et des systèmes plus petits et plus spécialisés.

SemiAnalysis a rapporté qu'OpenAI n'avait pas réalisé de course complète de pré-entraînement réussie pour un nouveau modèle de frontière largement déployé depuis GPT-4.0 en mai 2024, soit il y a plus de 18 mois. En interne, cela ressemblait à une preuve empirique du mur : l'entraînement devenait plus difficile, les bugs plus catastrophiques et les limites d'infrastructure plus contraignantes.

Google n’était pas vraiment d’accord. Alors que ses concurrents discutaient des limites, Google a investi massivement dans sa flotte de TPUv5, ses interconnexions à haute bande passante et ses pipelines de données spécialement ajustés pour des mélanges gargantuesques à plusieurs milliers de milliards de paramètres. Gemini 3 est arrivé comme un contre-argument évident : la mise à l’échelle, bien faite, fonctionne toujours.

Cette inadéquation de croyance a créé un angle mort. Les concurrents supposaient que tout le monde avait atteint le même obstacle ; Google savait qu'il venait de passer au-dessus du sien. Quand Gemini 3 a commencé à surpasser OpenAI sur des indicateurs clés de codage et de raisonnement, le discours sur la « mort de l'échelle » a cessé de sembler être de la sagesse et a commencé à ressembler à un autocoup.

Gemini 3 a réfuté le narratif selon lequel « l'échelle est morte » en faisant une chose que les sceptiques pensaient impossible : devenir de manière spectaculaire meilleur en devenant de manière spectaculaire plus grand. Le modèle phare de Google a surpassé les systèmes de classe GPT-4 sur une gamme de benchmarks publics, allant du codage et des mathématiques au raisonnement multimodal, et ce, tout en fonctionnant de manière interactive à des latences adaptées aux consommateurs. Pour les développeurs qui considéraient Gemini 1 et 1.5 comme des mises à niveau mineures, Gemini 3 a enfin semblé offrir un véritable saut générationnel.

Sous le capot, Gemini 3 repose sur l'infrastructure AI intégrée verticalement de Google : silicium TPU sur mesure, centres de données hyperscale, et un pipeline de formation affiné sur près d'une décennie. SemiAnalysis rapporte que bien qu'OpenAI n'ait pas terminé de déploiement généralisé d'un run de pré-entraînement à grande échelle depuis GPT-4.0 en mai 2024, Google continue d'accumuler des runs de formation de plus en plus importants sur sa flotte de TPU. Cette continuité est importante car les lois de mise à l'échelle ne sont rentables que si vous pouvez effectivement continuer à évoluer.

Les TPU v5 de Google et les générations émergentes v6/v7 lui confèrent un avantage en termes de coût et de débit que les centres de données GPU classiques peinent à égaler. Les TPU intègrent une mémoire à large bande, des interconnexions et des unités matricielles dans un emballage conçu spécifiquement pour les charges de travail de type transformateur, réduisant à la fois la consommation d'énergie et la surcharge réseau. Lorsque vous pouvez relier des centaines de milliers de ces puces dans des modules étroitement couplés, "ajoutez simplement plus de puissance de calcul" cesse d’être un mème et devient une feuille de route.

Stratégiquement, cet avantage siliconé permet à Google de réaliser davantage d'expériences, des programmes d'entraînement plus longs et des fenêtres de contexte plus larges sans gaspiller d'argent. La configuration massive de mélange d'experts de Gemini 3—dirigeant les jetons à travers des sous-réseaux spécialisés—exige des quantités énormes de communication inter-circuits. Les TPU, conçus en étroite collaboration avec la stack logicielle de Google, rendent cela réalisable à l'échelle de la production.

La réaction du marché a été rapide. Google affirme que l'utilisation de Gemini est passée d'environ 450 millions à 650 millions d'utilisateurs actifs en quelques mois, principalement grâce à Gemini Advanced et Gemini for Workspace. Pour la première fois, des développeurs qui se tournaient par défaut vers OpenAI ont commencé à porter sérieusement des agents, copilotes et chatbots dans l'écosystème Google AI.

Ce changement se manifeste dans les outils. Les clients cloud voient désormais des options Gemini 3 intégrées à Vertex AI, Google Docs, Gmail, Android et Chrome, transformant le choix du modèle en un paramètre par défaut plutôt qu'en un projet de recherche. Pour les startups surveillant leurs taux de consommation, l'inférence moins coûteuse sur les TPU et une qualité concurrentielle font de Gemini 3 un test A/B facile par rapport à GPT-4.1.

Les investisseurs et les concurrents ont remarqué. Une couverture telle que L’Altman d’OpenAI déclare 'Code Rouge' pour améliorer ChatGPT alors que Google menace la domination de l'IA a présenté Gemini 3 comme la première véritable menace à la domination culturelle et technique de ChatGPT. La note interne "code rouge" de Sam Altman a simplement confirmé ce que les repères laissaient déjà entendre : Google avait franchi le mur que tout le monde d’autre insistait être solide.

Alerte rouge chez OpenAI ne signifie pas exercices d'évacuation et slogans ; cela signifie un réajustement radical des priorités. Selon des informations du Wall Street Journal et des mémos internes, Sam Altman a ordonné aux équipes de suspendre toute activité qui ne rend pas ChatGPT plus rapide, plus fiable ou plus addictif à utiliser chaque jour.

Des projets qui semblaient autrefois être les prochains moteurs de revenus d'OpenAI sont soudainement au point mort. Le travail sur les publicités expérimentales, les intégrations de shopping et les paris légers sur les entreprises a été suspendu ou ralenti afin que les ingénieurs et les chercheurs puissent revenir à l'architecture de modèle centrale.

Les chefs de produit qui ont passé l'année écoulée à esquisser des outils de productivité « natifs à l'IA » répondent désormais à un mandat plus simple : défendre les utilisateurs actifs quotidiens. Cela signifie moins d'expérimentations dans des applications adjacentes et un travail plus concentré sur la latence, la disponibilité et les garde-fous du chatbot phare d'OpenAI.

Altman aurait dit au personnel que l'« expérience quotidienne » de ChatGPT est à la traîne par rapport à ce qu'elle devrait être, surtout avec Gemini 3 de Google qui réduit l'écart. Ainsi, l'optimisation des performances est devenue la nouvelle stratégie de croissance : réduire de centaines de millisecondes les temps de réponse, renforcer l'infrastructure et affiner les invites et les routages pour que les utilisateurs accèdent par défaut au meilleur modèle.

La personnalisation est au cœur de ce sprint. Les équipes s'efforcent d'approfondir les profils des utilisateurs, de se souvenir de plus de contexte au fil des sessions et d'adapter le ton et le format afin que ChatGPT ressemble moins à un assistant générique et plus à un compagnon AI sur mesure qui comprend vos habitudes, vos documents et vos flux de travail.

En interne, les ingénieurs décrivent une réorganisation « tous à bord » qui ressemble beaucoup à un état de guerre. Les chercheurs qui exploraient des idées à long terme ont été réaffectés à des améliorations à court terme en matière de fiabilité du raisonnement, d'utilisation d'outils en plusieurs étapes et de réduction des impasses « Je ne peux pas vous aider avec ça ».

Les métriques ont évolué en conséquence. Au lieu de célébrer des démonstrations tape-à-l'œil, la direction suit désormais : - Les utilisateurs actifs quotidiens et hebdomadaires - La durée des sessions et l'achèvement des tâches - Les taux d'abandon lorsque ChatGPT répond incorrectement ou trop lentement

Code rouge, en pratique, signifie qu'OpenAI considère chaque réponse instable, réponse lente ou réponse hors sujet comme un bug existentiel. Avec Garlic en préparation, l'entreprise souhaite disposer d'une base d'utilisateurs loyaux et engagés avant de déployer ce qui vient ensuite.

L'ail est le genre de nom de code que l'on choisit lorsqu'on essaie d'éloigner quelque chose de terrifiant. Selon une révélation détaillée de The Information, OpenAI a discrètement commencé à entraîner "Garlic" cet automne en tant que son premier véritable modèle de pointe post-GPT-4, explicitement présenté en interne comme une réponse à l'essor de Gemini 3 de Google et aux succès en matière d'échelle grâce aux TPU. Mark Chen, le directeur de la recherche d'OpenAI, aurait déclaré au personnel que Garlic est désormais la principale priorité de recherche de l'entreprise.

Plutôt que de poursuivre la taille pour elle-même, Garlic cible précisément les goulots d'étranglement en pré-entrainement que Gemini vient de surmonter. Google a prouvé qu'il est possible de monter en échelle si votre infrastructure informatique est suffisamment impitoyable ; OpenAI parie que vous pouvez combler cet écart avec des recettes de pré-entrainement plus intelligentes : une curation de données plus efficace, un entraînement de type curriculum et un routage agressif par mélange d'experts pour contrôler les coûts. Les documents internes cités par The Information décrivent Garlic comme ayant une "puissance de calcul de classe GPT-4.5, une efficacité de classe Gemini-3."

Alors que Gemini 3 a démontré ses capacités sur les benchmarks web et les tâches multimodales, Garlic se concentre apparemment sur des charges de travail à forte valeur ajoutée : le codage, le raisonnement à long terme et l'utilisation d'outils. Sur la suite de codage interne d'OpenAI—fortement orientée vers les refactorisations multi-fichiers et les flux de travail agentiques—Garlic surpasse déjà Gemini 3 Pro et l’Opus 4.5 d'Anthropic lors des premiers tests, bien qu'il ne soit pas encore entièrement entraîné. Un graphique interne partagé avec les chercheurs a montré que Garlic devance de quelques points de pourcentage à un chiffre les métriques de codage pass@1 à des températures comparables.

Les benchmarks de raisonnement racontent une histoire similaire. Garlic surpasserait apparemment Gemini 3 et Opus 4.5 sur le mélange privé de mathématiques et de logique d'OpenAI, y compris des tâches synthétiques en chaîne de pensée conçues pour pénaliser l'appariement de modèles superficiels. Des membres du personnel qui ont vu les résultats ont décrit Garlic comme étant « largement en avance sur GPT-4.1 » et « rivalisant avec Gemini 3 Ultra » sur des demandes multi-étapes difficiles, même avant les dernières étapes d'entraînement et les passes d'apprentissage par renforcement.

D'un point de vue architectural, Garlic ressemble à une évolution, pas à un reboot. Les personnes familières avec le travail décrivent une structure de type GPT-4.1 avec une plus grande sparsité, de meilleurs points de récupération et une intégration plus étroite avec la pile d'appel d'outils d'OpenAI. L'objectif : un modèle qui peut agir comme le cerveau par défaut pour des agents, des flux de travail de style recherche et des copilotes de code, sans les pics de latence qui frappent les plus grands systèmes d'aujourd'hui.

Le choix du nom est là où la spéculation commence. En interne, Garlic n'est qu'un nom de code, mais les dirigeants débattent apparemment de la possibilité de le présenter sous le nom de GPT-5.2—une mise à jour discrète mais percutante—ou de le brander comme GPT-5.5 et de le commercialiser comme la réponse à grande échelle de l'entreprise à Gemini 3. Les délais évoqués chez OpenAI laissent entrevoir une fenêtre agressive : un lancement échelonné pour les clients professionnels au quatrième trimestre, et une disponibilité générale d'ici la fin de l'année, si la formation et les évaluations de sécurité restent sur la bonne voie.

La mémoire musculaire est soudainement redevenue un atout stratégique chez OpenAI. Le directeur de la recherche, Mark Chen, aurait déclaré au personnel que l'entreprise avait laissé s'atrophier son expertise en pré-entraînement pendant qu'elle poursuivait l'apprentissage par renforcement à partir des retours humains, le travail de sécurité et des fonctionnalités de produits flashy—et cette époque est désormais révolue. Au sein de Code Red, le pré-entraînement est passé d'un processus en arrière-plan à l'événement principal.

Pendant environ 18 mois après la fin de l'entraînement de GPT-4o en mai 2024, OpenAI n'a pas réalisé de nouvelle pré-formation à grande échelle qui ait été largement diffusée, selon SemiAnalysis. Ce décalage coïncidait avec un pivot vers l'RLHF, l'utilisation d'outils et la productisation : ChatGPT, modes vocaux, agents et fonctionnalités pour les entreprises. Ces choix ont attiré des utilisateurs et des revenus, mais ils ont également émoussé une compétence fondamentale alors que Google prouvait que l'échelle brute continue d'élever le plafond.

OpenAI reconstruit maintenant ce muscle avec une mentalité presque à l'ancienne, comme celle d'un "laboratoire de frontière vers 2020". Chen a défini le pré-entraînement comme la partie la plus difficile et la plus riche en potentiel de la pile, et Code Red lui offre un soutien politique pour recruter en conséquence. En interne, les dirigeants évoquent le montage d'une "équipe de superstars" composée d'ingénieurs systèmes, de spécialistes en optimisation et d'experts en pipelines de données dont le seul mandat est d'atteindre un ordre de magnitude supplémentaire.

Le raisonnement est simple et brutal : celui qui possède l'efficacité de pré-entraînement possède la frontière. OpenAI croit que sa recette secrète se trouve dans des éléments que les étrangers ne peuvent pas facilement voir : les recettes de curation de données, les plannings de cursus, les ajustements d'optimiseur, le routage par mélange d'experts, et les astuces d'alignement dans le temps d'entraînement. Ce sont précisément ces réglages qui déterminent si un dollar de calcul génère une modeste augmentation ou un bond de classe Gemini 3.

Les dirigeants pensent également que le marché a mal interprété leur silence comme une stagnation. Alors que Google met en avant le TPUv7 et le nombre de paramètres, OpenAI parie sur des avantages moins évidents : une meilleure mise à l'échelle des pertes dans des régimes à un billion de tokens, un meilleur conditionnement des connaissances dans des modèles plus petits, et des architectures qui survivent à des échecs d'entraînement catastrophiques. Lors de briefings internes autour de Garlic, Chen a indiqué au personnel des rapports tels que OpenAI développe le modèle 'Garlic' pour contrer les récents gains de Google comme la partie visible d'un iceberg beaucoup plus vaste.

Code Rouge, en pratique, signifie réallocation des ressources, annulation des projets secondaires, et un processus de recrutement qui dirige les meilleurs candidats directement vers la pré-formation. Si Garlic réussit et correspond à l'engouement interne, OpenAI souhaite que l'industrie réapprenne une vieille leçon : les astuces d'alignement et le polissage de l'expérience utilisateur sont importants, mais la véritable barrière reste celle qui commence dès le premier jeton du corpus.

Le mémo interne de Sam Altman aurait souligné un point simple : pour "99 % des utilisateurs", l'expérience quotidienne compte plus que des points de QI abstraits sur un graphique de référence. C'est une reformulation brutale de la course à l'armement des modèles de pointe. Si Gemini 3 et Garlic sont à peu près interchangeables pour la plupart des requêtes, celui qui rend l'interaction plus fluide, plus rapide et plus personnelle l'emporte.

Pour les utilisateurs typiques demandant des brouillons d'e-mails, des résumés ou des extraits de code, les grands modèles de langage d'aujourd'hui semblent déjà « assez intelligents ». Ils n'ont pas besoin d'un démonstrateur de théorèmes au niveau doctorat ; ils ont besoin d'un assistant qui ne se bloque pas, ne glitch pas ou n'oublie pas le contexte. Les gains marginaux en raisonnement comptent beaucoup moins que le fait que ChatGPT, Gemini ou Claude se sentent comme des outils fiables plutôt que comme des génies lunatiques.

Cela déplace le champ de bataille vers l'échafaudage : tout ce qui entoure le modèle de base. Altman aurait notamment souligné : - Les fonctionnalités de personnalisation - La vitesse - La fiabilité - Une couverture de questions plus large

Ce sont des problèmes de produit, pas seulement des problèmes de recherche, et ils déterminent quelle icône les utilisateurs touchent 20 fois par jour.

La rapidité devient une fonctionnalité d'UX au même niveau que l'exactitude. Google vante la réactivité de Gemini 3 sur son ensemble TPUv7 ; OpenAI doit utiliser Garlic et son infrastructure de service pour égaler ou battre cette latence, surtout sur mobile. Une différence de 400 millisecondes dans le temps de réponse peut décider si un assistant semble instantané ou lent.

La fiabilité va au-delà du temps de disponibilité. Les utilisateurs souhaitent moins de dead ends du type « Je ne peux pas vous aider avec ça », moins de citations erronées, et un comportement cohérent sur le web, le bureau et le téléphone. Google revendique 650 millions d'utilisateurs de Gemini ; OpenAI tourne autour d'un milliard pour ChatGPT. À cette échelle, une mauvaise interruption ou une fonctionnalité défaillante a des répercussions dans les salles de classe, les bureaux et les centres d'appels.

La personnalisation est le prochain avantage. Celui qui transforme un chatbot générique en un agent persistant et conscient du contexte, capable de se souvenir des préférences, des projets et du style, remportera la bataille de la fidélité — bien avant que quiconque ne remarque qui a pris de l’avance sur le prochain classement MMLU.

ChatGPT se situe dans une catégorie rare de marques technologiques dont le nom est devenu un verbe presque du jour au lendemain. Les gens "ChatGPT" les devoirs, les e-mails et le code de la même manière qu'ils "Google" des questions. Ce verrouillage linguistique est important : il encode le chatbot d'OpenAI comme le modèle mental par défaut pour les assistants AI, même si des concurrents le surpassent discrètement sur les benchmarks.

La gravité de la marque entre en collision directe avec la machine de distribution de Google. Google peut mettre en avant Gemini partout où les utilisateurs se trouvent déjà : dans la barre de recherche, la barre d'URL de Chrome, les barres latérales de Docs et l'interface système d'Android. OpenAI, en revanche, évolue principalement dans une application web, une application mobile et un écosystème dispersé d'intégrations API et de wrappers tiers.

L'avantage de Google se cumule grâce aux paramètres par défaut. Des milliards de personnes découvriront l'IA générative à travers : - Une réponse Gemini au-dessus de 10 liens bleus - Un panneau Gemini dans Chrome - Une suggestion Gemini dans Gmail ou Docs

La plupart de ces utilisateurs ne taperont jamais "chatgpt.com" ni ne compareront Gemini à GPT-4. Ils accepteront simplement ce que leur donne la barre de recherche ou la boîte de composition.

La protection d'OpenAI semble la plus forte avec les premiers adopteurs et les utilisateurs avancés. Les développeurs, chercheurs et professionnels natifs de l'IA jonglent déjà avec ChatGPT, Claude, Gemini et des modèles open source comme Llama ou Mistral, souvent via des outils de "routeur" qui choisissent automatiquement le meilleur modèle. Pour ce public, la marque est importante, mais la latence, la longueur du contexte, l'utilisation des outils et la qualité du raisonnement brut déterminent quel onglet reste épinglé.

Les utilisateurs du grand public se comportent différemment. L'histoire montre que la plupart des gens s'en tiennent aux options par défaut, même lorsque de meilleurs outils existent : Chrome a surpassé Firefox parce que Google contrôlait la recherche, pas parce que Firefox est devenu moins bon. Si Gemini devient l'assistant ambiant sur la recherche, Android et Chrome, OpenAI doit convaincre les utilisateurs de rechercher une application séparée pour des réponses légèrement meilleures.

Le pari de Sam Altman sur l’“expérience quotidienne” reconnaît implicitement cette division. Les utilisateurs avancés rechercheront le meilleur modèle ; tout le reste du monde s’en tiendra à ce qui lui paraît rapide, familier et gratuit. La marque ChatGPT donne à OpenAI du temps, mais la distribution de Google offre à Gemini une portée — et dans la tech de consommation, la portée façonne généralement la prochaine génération d’habitudes.

Le Code Rouge chez OpenAI fait un titre dramatique, mais présenter cela comme un duel propre entre OpenAI et Google passe à côté de l'essentiel. L'IA ressemble désormais plus à un titre encombré : OpenAI, Google, Anthropic, Meta, Mistral, Apple, xAI, et une longue traîne en pleine croissance de laboratoires chinois et de collectifs open-source. Chacun optimise une définition légèrement différente de l'« intelligence », et cette fragmentation accélère le rythme du changement.

Anthropic s'engage fermement dans l'IA constitutionnelle, mettant en avant la fiabilité et la sécurité comme des caractéristiques essentielles pour les entreprises. Les modèles Claude 3.5 apparaissent de plus en plus dans des secteurs régulés qui se soucient moins des performances brutes et plus de l'auditabilité, du comportement de refus et des API stables. Leur argument est simple : moins de surprises, de meilleures protections, un codage solide et un raisonnement sans le fardeau de marque de Gemini ou de GPT.

Meta, quant à elle, a transformé Llama en la plateforme open-source par défaut. Llama 3.1 et ses variantes 8B/70B alimentent désormais des milliers de startups, d'outils internes d'entreprise et d'expérimentations sur appareils. Meta échange son leadership à la pointe pour la distribution : si les développeurs s'appuient par défaut sur Llama, Meta façonne discrètement l'écosystème même lorsque personne n'utilise ses applications officielles.

Mistral joue le jeu de l'efficacité. Ses modèles de classe 7B à 22B dépassent leurs limites en matière de débit et de latence, en particulier sur des GPU de base. Les centres de données européens, les fournisseurs de SaaS sensibles aux coûts et les startups d'infrastructure audacieuses se tournent de plus en plus vers Mistral lorsque la qualité de type GPT-4 est excessive et que chaque milliseconde et chaque dollar comptent.

Dézoomez, et le Code Rouge de Sam Altman et le Gemini 3 de Google agissent comme un facteur déclenchant pour tous les autres. Comme le détaille Google Tente de Récupérer la Couronne de l'IA, l'économie des TPU et les énormes sessions de pré-entraînement redéfinissent les attentes en matière d'échelle. Cela pousse à son tour Anthropic à se différencier sur la sécurité, Meta à renforcer les licences permissives, et Mistral à maximiser la performance par FLOP.

Les utilisateurs ne voient pas un duel ; ils observent un royal rumble d'écosystèmes qui se chevauchent. Le véritable vainqueur pourrait être le comportement émergent de tous ces modèles bloqués dans une boucle de rétroaction de compétition, d'imitation et de compétition d'ego.

Code rouge chez OpenAI et une offensive alimentée par des TPU chez Google semblent terrifiants si vous êtes un laboratoire concurrent. Si vous êtes un utilisateur, c'est un jackpot. Les courses à l'armement dans la technologie se terminent historiquement par des produits plus performants, une itération plus rapide et une course brutale pour baisser les prix.

La concurrence féroce a déjà transformé l'accès aux "LLM" d'une nouveauté à 20 $ par mois en une marchandise. OpenAI, Google, Anthropic, Meta, Mistral et les projets open-source se battent désormais pour offrir plus de contexte, de meilleurs outils et des limites de taux plus élevées pour le même prix ou moins. Les acheteurs entreprises poussent discrètement encore plus fort, pressant les coûts par siège et exigeant des remises basées sur l'utilisation.

La qualité des modèles progresse plus rapidement lorsque personne ne se sent en sécurité. Gemini 3 a contraint OpenAI à Garlic, une nouvelle initiative de pré-entraînement après plus d'un an sans sortie majeure au-delà de GPT-4.0. Anthropic a répondu à GPT-4 avec Claude 3.5 et 4.5 ; Meta continue de publier gratuitement des checkpoints Llama plus importants, rehaussant ainsi le niveau pour tout le monde.

Attendez-vous à ce que les 6 à 12 prochains mois n'apportent pas seulement des titres tels que « GPT-5 contre Gemini 4 », mais aussi des améliorations concrètes que les utilisateurs peuvent toucher :

• 1Des fenêtres contextuelles plus longues par défaut, pas en option premium.
• 2Des temps de réponse plus rapides grâce à de meilleures piles d'inférence et à des circuits intégrés sur mesure.
• 3Des outils plus robustes : exécution de code, navigation et gestion de fichiers qui fonctionnent réellement à grande échelle.
• 4Une fiabilité accrue dans les tâches multi-étapes et les agents.

La pression sur les prix va s'intensifier. Google peut subventionner Gemini via Search et Cloud, tandis que Microsoft peut intégrer les modèles d'OpenAI dans 365 et Azure. Cette dynamique de subvention croisée a historiquement fait baisser les prix effectifs dans le calcul et le stockage cloud ; il est probable qu'elle agisse de la même manière pour les jetons, les appels d'API et les licences "AI seat".

L'expérience utilisateur s'améliorera car Sam Altman a explicitement déclaré que « l'expérience quotidienne » serait le champ de bataille. Attendez-vous à une personnalisation plus riche, une mémoire qui perdure d'une session à l'autre, et des flux de travail qui ressemblent davantage à des assistants intégrés dans les e-mails, les documents et les IDE qu'à une simple boîte de discussion. Le véritable avantage de la marque ChatGPT ne se maintiendra que si le produit semble clairement meilleur chaque semaine.

Plus important encore, aucun laboratoire ne peut se permettre de ralentir. Tout ralentissement dans la pré-formation, l'optimisation de l'inférence ou le polish de l'expérience utilisateur se transforme en une actualité et un événement de désengagement. Cette urgence signifie que les utilisateurs bénéficient de cycles d'itération plus rapides, de plus d'expérimentations et d'un flux constant de fonctionnalités que les concurrents ont trop peur de ne pas déployer.

Qu'est-ce que le 'Code Red' d'OpenAI ?

C'est une initiative interne déclarée par le PDG Sam Altman pour améliorer de toute urgence les performances et la technologie de base de ChatGPT en réponse directe à la menace concurrentielle posée par le modèle Gemini 3 de Google.

Quel est le modèle d'IA 'Garlic' ?

'Garlic' est le nom de code interne d'un nouveau modèle d'IA en cours de développement par OpenAI. Il est conçu spécifiquement pour contrer les récentes avancées en pré-entraînement de Google et aurait de bonnes performances contre Gemini 3 lors de tests internes.

Le scaling des modèles d'IA est-il mort ?

Bien que certains experts, y compris le cofondateur d'OpenAI Ilya Sutskever, aient suggéré que l'énorme montée en puissance atteignait ses limites, le Gemini 3 de Google a prouvé que des gains significatifs sont encore possibles. La direction d'OpenAI affirme désormais que l'expansion n'est pas morte et qu'ils se recentrent sur celle-ci.

Pourquoi le Gemini 3 de Google représente-t-il une menace majeure pour ChatGPT ?

Gemini 3 a démontré d'énormes gains de performance, suggérant que l'architecture TPU sur mesure de Google leur confère un avantage clé dans le dimensionnement des modèles. Ceci, combiné à la vaste base d'utilisateurs et aux canaux de distribution de Google, représente le premier grand défi à la domination du marché d'OpenAI.