Le 15 juillet 2026, Thinking Machines Lab, la société fondée par Mira Murati, ancienne directrice technique d'OpenAI, a publié son premier modèle, Inkling. C'est un modèle à poids ouverts, conçu pour que les entreprises puissent l'adapter à leurs propres besoins (TechCrunch, 15 juillet 2026). Il se positionne comme une alternative aux offres d'OpenAI, d'Anthropic et de Google. Pour les directions générales et financières qui pilotent des projets d'automatisation IA, cette annonce a des conséquences pratiques.
Ce que signifie concrètement un nouveau concurrent crédible sur le marché des modèles
Depuis 2023, les PME et ETI françaises qui ont engagé des projets d'automatisation IA se sont retrouvées dans une position inconfortable : dépendre d'un oligopole de trois ou quatre fournisseurs américains dont elles ne maîtrisent ni la roadmap, ni la politique tarifaire, ni les conditions d'utilisation. Cette dépendance a des effets concrets : un changement de conditions d'utilisation, le retrait d'un modèle ou une nouvelle restriction d'usage peuvent obliger à revoir toute une chaîne d'automatisation.
L'arrivée de Thinking Machines Lab ne règle pas ce problème du jour au lendemain. Elle s'ajoute aux modèles ouverts de Mistral, de Meta (Llama) ou d'Alibaba (Qwen), qui rendent le marché moins concentré. Plus d'offres, c'est davantage de choix pour les acheteurs.
La structure des coûts d'automatisation IA change
La concurrence entre modèles a déjà des effets mesurables sur les coûts. Selon une analyse du fonds a16z, le prix d'usage d'un modèle de niveau équivalent a été divisé par environ dix chaque année entre 2021 et 2024 ; pour le niveau de GPT-4, il avait baissé d'un facteur 62 entre mars 2023 et fin 2024 (a16z, « Welcome to LLMflation »). La même analyse rappelle que la facture totale augmente souvent quand même, parce que les usages se multiplient.
Pour les PME qui automatisent des processus à fort volume, qualification de leads, traitement de documents entrants, génération de rapports, assistance client de premier niveau, cette dynamique tarifaire a des conséquences directes sur le calcul de rentabilité des projets. Exemple illustratif : un processus qui n'était pas rentable à 20 euros pour mille appels peut le devenir à 2 euros.
Pour un directeur financier, il faut donc se demander ce que coûtera l'automatisation dans dix-huit mois, et si l'architecture choisie permettra de profiter de ces baisses.
Pourquoi l'architecture d'intégration compte autant que le choix du modèle
Une erreur fréquente, lors des premiers déploiements, est de lier le code à un modèle précis. Les prompts sont calibrés pour GPT-4o, les paramètres sont hardcodés pour l'API OpenAI, et l'ensemble du workflow n'est pas conçu pour être portable.
Ce choix, souvent fait par défaut ou par habitude de l'intégrateur, a un coût différé : le jour où un autre modèle offre un meilleur rapport qualité/coût sur votre cas d'usage, la migration devient un chantier d'intégration au lieu d'un simple changement de paramètre.
Pour profiter de la concurrence entre modèles, il faut une couche d'abstraction entre leur logique métier et le fournisseur de modèle. Concrètement, cela peut prendre plusieurs formes :
- Un orchestrateur comme n8n ou LangChain qui isole la logique d'appel aux APIs
- Un système de configuration qui permet de changer de modèle sans modifier le code métier
- Des benchmarks internes réguliers qui testent les modèles concurrents sur vos données réelles
- Une politique de contractualisation qui évite les engagements mono-fournisseur sur des durées longues
Ce que le choix de Thinking Machines Lab indique
La crédibilité d'un nouveau modèle ne tient pas seulement à ses résultats de lancement, mais à la capacité de l'équipe à itérer et à construire un écosystème. Mira Murati a supervisé chez OpenAI le lancement de ChatGPT et de GPT-4.
Le choix de Thinking Machines Lab est différent de celui des grands laboratoires : parier que les entreprises veulent un modèle qu'elles peuvent adapter, plutôt que le modèle généraliste le plus puissant. Inkling est publié avec des poids ouverts, ce qui permet de le télécharger et de l'héberger. Sa taille (975 milliards de paramètres pour la version principale) le réserve toutefois à des infrastructures importantes ; une PME y accédera plutôt via un hébergeur.
Pour les PME et ETI qui évaluent leurs options, cela ne signifie pas qu'il faut migrer immédiatement. Cela signifie qu'il faut suivre cette trajectoire avec attention, et que l'évaluation du modèle sur des cas d'usage réels devrait être inscrite dans le calendrier des équipes techniques dès les prochains mois.
Attendre a aussi un coût
On entend souvent que les PME devraient attendre que le marché se stabilise avant de lancer des projets d'automatisation IA. Ce raisonnement confond le risque technologique et le risque concurrentiel.
Le risque technologique est réel : les modèles évoluent vite, les outils changent, certains fournisseurs disparaîtront. Mais ce risque est gérable par des choix d'architecture, comme évoqué plus haut.
Le risque concurrentiel est d'une nature différente. Les entreprises de taille intermédiaire qui ont déployé des automatisations IA sur leur cycle de vente, leur traitement des réclamations ou leur production de contenu opérationnel ont accumulé quelque chose que leurs concurrents n'ont pas : de l'expérience réelle, des données d'apprentissage propriétaires, et des équipes qui ont intégré ces outils dans leur façon de travailler. Cet écart ne se comble pas en quelques semaines.
Le choix du meilleur modèle au bon moment compte moins que la volonté de revoir ses processus, quitte à commencer avec des outils imparfaits, et d'apprendre en pratiquant.
De nouveaux acteurs ne justifient pas d'attendre
Face à une annonce comme celle de Thinking Machines Lab, la tentation est d'attendre de voir si le modèle tient ses promesses. Cette posture suppose que l'attente ne coûte rien, ce qui est faux : chaque trimestre sans automatisation IA sur des processus à fort volume représente des coûts opérationnels qui auraient pu être réduits, des données qui auraient pu être structurées, et des compétences qui auraient pu être développées.
La multiplication des modèles en 2026 est plutôt un argument pour agir dans une architecture flexible, capable d'intégrer les meilleures options quand elles se confirment. Pour une direction générale, la capacité à changer de modèle compte autant que le choix du modèle.
Par où commencer dans une PME
Pour chaque automatisation IA en production, vérifiez trois points : le modèle est-il désigné par un paramètre ou écrit en dur dans le code, disposez-vous d'un jeu d'exemples pour comparer deux modèles, et votre contrat vous engage-t-il auprès d'un seul fournisseur ? Si l'une des réponses pose problème, c'est le premier chantier. Notre page développement IA décrit comment nous concevons des automatisations indépendantes du modèle. Pour faire ce point avec nous, vous pouvez demander un diagnostic gratuit.
Article rédigé par Louis Noyaret, cofondateur de Lumivi.
