Hello,

Avant de commencer, nous espérons que tout va bien de ton côté. Nous sommes heureux de te retrouver pour cette édition #219 de la newsletter Bourseko ! Nous sommes 26 856 abonnés. Bienvenue aux nouveaux et merci à tous pour votre confiance !

Si on t’a transféré cette édition et que tu souhaites recevoir nos prochaines newsletters, c’est ici 😊

Nvidia, Hugging Face et le pari des modèles ouverts

Cette semaine, Jensen Huang a publié sur le blog de Nvidia une annonce qui a fait le tour de l’industrie de l’IA. Le fabricant de puces a signé un accord pour racheter Hugging Face, la plateforme de référence de l’intelligence artificielle open source, pour 12,9 milliards de dollars.

Avec cette acquisition, Nvidia met la main sur la plateforme où ces mêmes modèles sont partagés, téléchargés et modifiés par des millions de développeurs.

Comme souvent, la première réaction s’est concentrée sur le prix. Hugging Face génère environ 150 millions de dollars de chiffre d’affaires annualisé. Nvidia paierait donc près de 86 fois l’ARR d’une entreprise qui s’approche seulement de la rentabilité.

À première vue, le montant paraît donc difficile à justifier. Néanmoins, selon nous, cette acquisition dit beaucoup de la montée en puissance des modèles open source, de la manière dont Nvidia cherche à protéger sa position dominante et du basculement géopolitique qui s’opère dans l’intelligence artificielle depuis 18 mois.

De plus, cette opération a une résonance particulière en France. Hugging Face a été cofondé par des Français, et reste l’une des plus belles réussites françaises de l’écosystème mondial de l’IA, même si l’entreprise est aujourd’hui basée à New York.

Que fait Hugging Face ?

Dans la chaîne de valeur de l’IA, Hugging Face se situe à l’interface entre les modèles et les applications. Son rôle consiste à héberger, organiser et distribuer les modèles créés par d’autres. Un développeur qui veut utiliser un modèle open source peut s’y rendre, le télécharger en quelques lignes de code, le tester, l’adapter à son cas d’usage, puis le déployer.

C’est pour cette raison que Hugging Face a gagné le surnom de GitHub de l’IA. Selon Nvidia, plus de 18 millions de développeurs et 200 000 entreprises utilisent la plateforme, qui héberge plus de 3 millions de modèles.

En outre, le parallèle avec GitHub vaut aussi pour le modèle économique. L’hébergement de modèles publics est gratuit, mais Hugging Face facture les entreprises qui veulent des espaces privés, des outils de sécurité et de gouvernance, ainsi que la puissance de calcul nécessaire pour faire tourner directement les modèles depuis la plateforme.

Et justement, c’est sur ce dernier point que le rapprochement avec Nvidia devient particulièrement intéressant. Mais avant d’expliquer pourquoi, petite parenthèse sur l’histoire de Hugging Face, qui nous intéresse tout particulièrement en tant que Français.

Comment Hugging Face est devenu le GitHub de l'IA

Hugging Face a été fondée en 2016 par trois Français, Clément Delangue, Julien Chaumond et Thomas Wolf. À l’origine, le trio ne rêve pas de devenir l’infrastructure mondiale de l’IA open source, mais de créer un chatbot pour adolescents, une sorte de meilleur ami virtuel, d’où leur fameux logo.

La start-up rejoint Station F en 2017, sans vraiment sortir du lot. Les investisseurs français n’y croient pas et aucun fonds français n’entrera au capital. D’ailleurs, Jean de La Rochebrochard, de Kima Ventures, le fonds de Xavier Niel, reconnaîtra plus tard qu’il s’agit de l’une des plus grosses erreurs de sa carrière.

Pendant deux ans, les fondateurs multiplient les tests et patinent. Avec le recul, cela peut paraître court, mais à l’époque, ces deux années ont dû leur sembler interminables.

Fin 2018, Google publie BERT, un modèle de langage révolutionnaire, mais livré dans un format encore difficile à utiliser pour une grande partie des développeurs. En une semaine, l’équipe de Hugging Face en propose une version compatible avec PyTorch et la publie en open source. La bibliothèque, rebaptisée Transformers, devient en quelques mois l’un des moyens standards d’accéder aux modèles de langage les plus avancés.

Les fondateurs décident alors de repartir presque d’une page blanche. Hugging Face ne sera plus un chatbot, mais la plateforme sur laquelle les développeurs pourront héberger, partager et utiliser les modèles ouverts.

L’effet de réseau fait ensuite le reste. Chaque nouveau modèle publié attire davantage de développeurs, qui rendent à leur tour la plateforme plus attractive pour les laboratoires suivants.

Ensuite, les investisseurs se bousculent, mais toujours aucun fonds français. Sequoia entre au capital en 2022, année où Hugging Face devient une licorne. Puis, en août 2023, l’entreprise lève 235 millions de dollars auprès de Salesforce, Google, Amazon, Intel, AMD, Qualcomm, IBM et déjà Nvidia, portant sa valorisation à 4,5 milliards de dollars.

La même année, Clément Delangue est même invité à témoigner devant le Congrès américain pour défendre les modèles ouverts.

Point important, bien que son siège social soit situé aux États-Unis, l’entreprise conserve un lien fort avec la France avec une part significative de ses équipes basées à Paris.

C’est quoi un modèle ouvert ?

Les modèles fermés d’OpenAI, de Google ou d’Anthropic ne sont accessibles que via un chatbot ou une interface de programmation contre un paiement à l’usage. À l’inverse, un modèle à poids ouverts peut être téléchargé et exécuté directement sur les serveurs d’une organisation, voire sur un ordinateur portable. Pour une entreprise, c’est en quelque sorte la différence entre louer une intelligence et en posséder une copie.

Ce qu’il faut comprendre, c’est qu’un modèle d’IA est constitué de “poids”, c’est-à-dire de milliards de paramètres ajustés pendant l’entraînement, au prix de dizaines, voire de centaines de millions de dollars de calcul. Quand on parle de modèle open source dans l’IA, on parle donc en réalité, dans l’immense majorité des cas, de modèle à “poids ouverts”, ou open weights.

L’éditeur publie ces poids, ce qui permet à n’importe qui de télécharger le modèle, de le faire tourner sur ses propres serveurs et de le modifier, notamment pour le spécialiser sur un domaine précis grâce au fine-tuning. Les données d’entraînement et la recette complète restent en revanche généralement confidentielles.

Reste alors une question économique évidente. Pourquoi dépenser des centaines de millions de dollars pour entraîner un modèle, puis en donner librement accès ?

La réalité, c’est qu’un modèle à poids ouverts se monétise rarement directement. La valeur se capte surtout autour de lui, de plusieurs façons.

1. L’open core : le modèle gratuit attire les développeurs, puis l’entreprise monétise des services autour, comme l’API hébergée, le support, les outils professionnels ou certaines versions premium fermées.

2. Les royalties : le modèle reste téléchargeable librement, mais sa licence impose aux grands fournisseurs de services d’inférence de négocier un accord commercial spécifique. C’est le cas de Kimi K3.

3. Le produit d’appel : le modèle est distribué gratuitement pour renforcer un autre métier beaucoup plus rentable. C’est par exemple le cas d’Alibaba avec Qwen, qui sert à renforcer son écosystème cloud et, plus largement, ses autres activités.

Pour Nvidia, pousser les modèles ouverts est justement un prolongement direct de cette troisième option. La meilleure façon de comprendre cette logique est de revenir à un concept théorisé au début des années 2000 : la commodisation du complément.

L’idée est simple. Lorsque le prix d’un produit complémentaire au vôtre baisse, la demande pour votre propre produit tend à augmenter. Or, c’est précisément ce que Nvidia cherche à provoquer.

Plus les modèles deviennent abondants, accessibles et interchangeables, plus la valeur remonte vers la puissance de calcul nécessaire pour les entraîner, les adapter et surtout les faire fonctionner. Chaque modèle téléchargé, modifié puis déployé finit par consommer de la puissance de calcul. Tant que Nvidia reste le principal fournisseur de cette infrastructure, la montée en puissance des modèles ouverts alimente donc directement la demande pour ses produits.

👉️ Pour aller plus loin sur le concept de commoditisation du complément, nous vous invitons à lire cet article de Joel Spolsky, qui l’a théorisé dès 2002.

Par ailleurs, cette stratégie devient d’autant plus intéressante que le rapport de force autour des modèles ouverts a profondément changé au cours des 18 derniers mois.

La domination de la Chine sur l’open weight

Pendant des années, le champion de l’IA ouverte était Meta. En 2023, l’entreprise de Mark Zuckerberg publie Llama 2, puis Llama 3 en 2024. En juillet de la même année, Mark Zuckerberg signe même un manifeste au titre sans ambiguïté, Open Source AI Is the Path Forward.

Puis arrive janvier 2025 et ce que l’industrie appellera ensuite le moment DeepSeek. Le laboratoire chinois publie R1, un modèle de raisonnement à poids ouverts capable de rivaliser avec les meilleurs modèles américains, pour un coût d’entraînement annoncé nettement inférieur.

Le 27 janvier 2025, l’action Nvidia perd près de 17% en une seule séance. Le marché craint alors qu’une IA plus efficace et moins gourmande en calcul finisse par réduire la demande de puces.

Avec le recul, DeepSeek a bien marqué un tournant, mais pas celui que le marché redoutait. À partir de ce moment-là, le centre de gravité de l’IA ouverte a commencé à basculer vers la Chine.

Selon Hugging Face, la famille Qwen comptait au printemps 2026 plus de 113 000 modèles dérivés sur la plateforme, davantage que Google et Meta réunis.

La dynamique s’est encore accélérée en juillet 2026, lorsque Moonshot AI a publié Kimi K3, un modèle de 2 800 milliards de paramètres présenté par de nombreux observateurs comme le modèle à poids ouverts le plus puissant au monde.

Pendant ce temps, Meta a adopté une stratégie mêlant modèles fermés et modèles à poids ouverts. Après les difficultés rencontrées par Llama 4 au printemps 2025, Meta a réorganisé sa division IA sous la direction d’Alexandr Wang avant de publier, le 8 avril 2026, Muse Spark, son premier modèle fermé.

Cependant, il est intéressant de noter un mouvement d’ouverture chez certains laboratoires nord-américains de second rang, probablement en réaction à la domination du trio Claude, ChatGPT et Gemini. C’est notamment le cas de Cohere, laboratoire canadien qui a levé environ 1,5 milliard de dollars et qui a publié en mai 2026 son dernier modèle, Command A+, sous licence Apache 2.0, une première pour l’entreprise.

Quoi qu’il en soit, le résultat est une situation que peu auraient imaginée deux ans plus tôt. Les modèles fermés les plus performants sont aujourd’hui américains, tandis que les modèles ouverts les plus performants viennent de Chine.

Des modèles ouverts qui progressent très vite

Une fois ce constat posé, la question qui suit naturellement est la suivante : quels sont aujourd’hui les meilleurs modèles ? Et surtout, les modèles ouverts sont-ils réellement capables de rivaliser avec les meilleurs modèles fermés, ou restent-ils avant tout des alternatives moins coûteuses pour des tâches à plus faible valeur ajoutée ?

Selon SemiAnalysis, à chaque nouvelle génération, les modèles ouverts mettent environ deux fois moins de temps à rattraper le niveau atteint par les meilleurs modèles fermés de la même génération.

Ainsi, GLM 5.3 et Kimi K3, deux modèles ouverts chinois, sont désormais capables d’effectuer une grande partie des tâches réalisées par les modèles fermés d’Anthropic ou d’OpenAI, mais à des coûts beaucoup plus faibles.

C’est là que l’enjeu économique devient intéressant. Si des modèles ouverts continuent de se rapprocher des performances des leaders tout en coûtant beaucoup moins cher à utiliser, la capacité des acteurs fermés à maintenir des prix élevés par token pourrait progressivement être remise en cause.

Toutefois, SemiAnalysis nuance ce constat. Les benchmarks publics ne mesurent qu’une partie des performances réelles et les laboratoires apprennent de mieux en mieux à les optimiser. Et surtout, la force de Claude repose aussi sur tout l’écosystème construit autour, avec les outils, les interfaces, la fiabilité et l’intégration dans les usages professionnels.

Le principal risque vient de Washington

À ce stade, la finalisation de l’acquisition est attendue au premier semestre 2027 après l’approbation des autorités de la concurrence.

Et justement, le principal risque pour Nvidia vient de Washington. Le 24 juillet 2026, Jensen Huang, qui venait tout juste de créer son compte sur X, y publiait son premier message pour partager une lettre ouverte consacrée aux modèles ouverts, cosignée par 25 entreprises et organisations, parmi lesquelles Microsoft, Meta, Mistral, IBM et, bien sûr, Hugging Face.

Son message adressé à Washington était clair : ne pas imposer de restrictions prématurées aux modèles à poids ouverts.

En effet, quelques jours plus tôt, la presse rapportait que l’administration Trump réfléchissait à restreindre l’utilisation de certains modèles chinois aux États-Unis, dans le sillage de la sortie de Kimi K3.

Or, selon Jensen Huang, si le monde finit par adopter massivement des modèles ouverts chinois, il pourrait aussi se tourner progressivement vers les puces chinoises optimisées pour les faire fonctionner. Nvidia a donc tout intérêt à présenter la défense de l’open source occidental comme un enjeu géopolitique, puisqu’elle rejoint directement ses propres intérêts.

De son côté, pour Hugging Face, le sujet est existentiel. La plateforme héberge indistinctement Qwen, DeepSeek ou Kimi aux côtés des modèles de Nvidia, Mistral ou Google. Sans compter qu’une interdiction ou une restriction importante des modèles chinois aux États-Unis placerait directement la start-up au cœur du débat réglementaire.

En conclusion

Pour conclure, Jensen Huang promet que Hugging Face restera une plateforme ouverte à l’ensemble de l’écosystème de l’IA. Les développeurs pourront continuer à choisir librement leurs modèles, leurs clouds et leurs processeurs, sans être obligés d’utiliser du calcul Nvidia.

Si l’on regarde uniquement le prix de l’acquisition, il paraît extrêmement élevé. Il faut néanmoins le remettre à l’échelle de Nvidia. Avec Hugging Face, le groupe achète en partie une assurance contre l’un des principaux risques de son modèle : la concentration de la demande. Dans ce contexte, dépenser 11% du résultat net du dernier exercice fiscal ne nous paraît pas déraisonnable.

Aujourd’hui, les plus gros acheteurs de puces d’IA sont justement les géants du cloud et les grands laboratoires, qui cherchent tous à réduire leur dépendance à Nvidia en développant leurs propres accélérateurs.

L’open source produit l’effet inverse en fragmentant la demande. Chaque entreprise, start-up ou État qui télécharge un modèle pour le faire tourner sur sa propre infrastructure devient un nouveau consommateur potentiel de puissance de calcul. Contrairement aux hyperscalers, la grande majorité de ces acteurs n’a ni les moyens ni l’intérêt de concevoir ses propres puces.

Ils achèteront donc celles disponibles sur le marché. Et aujourd’hui, les meilleures sont celles de Nvidia. À mesure que l’IA bascule de l’entraînement vers l’inférence, Nvidia a donc tout intérêt à favoriser un écosystème composé de millions de clients dispersés plutôt qu’un marché concentré autour de quelques hyperscalers. Et l’open source est probablement l’un des meilleurs moyens d’y parvenir.

Enfin, il est difficile de terminer cette newsletter sans revenir sur ce que cette opération représente pour la France. Au-delà de Nvidia et de la logique financière de l’opération, c’est aussi une formidable réussite entrepreneuriale française. Bravo à Clément Delangue, Julien Chaumond, Thomas Wolf et à toutes les équipes qui ont construit en moins de dix ans l’une des infrastructures les plus importantes de l’IA mondiale.

Il s’agit du plus important exit jamais réalisé pour une entreprise issue de l’écosystème tech français, hors introduction en Bourse. L’opération devrait enrichir considérablement les fondateurs, mais aussi les salariés de Hugging Face, dont une partie importante est basée en France.

Et d’ailleurs, Clément Delangue ne cache pas sa volonté de réinvestir une partie de ces fonds dans l’écosystème français.

Pour aller plus loin, nous avons analysé les derniers résultats de Nvidia dans le Club Bourseko. Si vous souhaitez approfondir le dossier, nous y détaillons pourquoi Nvidia reste, selon nous, l’une des plus belles valeurs du marché à une valorisation encore tout à fait raisonnable.

C’est tout pour cette newsletter.

Si tu as des questions sur le Club, cette newsletter ou tout autre sujet, n’hésite pas à nous les poser. Nous y répondrons avec plaisir. Tu peux répondre à ce mail ou nous contacter directement à contact@bourseko.fr

Et si tu penses que cette newsletter pourrait plaire à une personne de ton entourage, transfère-lui directement cet email.

Passe une excellente journée et à bientôt dans la prochaine newsletter 😊

L’équipe Bourseko