OpenAI, Qwen et GigaChat : pourquoi les entreprises russes ont de plus en plus de mal à choisir un modèle d'IA

Le marché russe de l'IA entre dans une phase où le choix d'un modèle n'est plus seulement une question de qualité des réponses. Pour les entreprises, il s'agit désormais d'un faisceau de trois facteurs : la disponibilité des services occidentaux, les exigences sur les données et le coût de l'infrastructure locale.

Un choix qui se réduit

L'auteur décrit une situation où les modèles occidentaux, comme ceux d'OpenAI et d'Anthropic, deviennent de moins en moins accessibles pour les entreprises russes, non seulement techniquement, mais aussi juridiquement. Des blocages par pays et par IP sont déjà en place chez certains fournisseurs et, dans les secteurs régulés, même un accès formellement admissible via un proxy ne règle pas grand-chose. Si une requête vers une API externe contient le nom, le numéro de téléphone ou la voix d'un client, cela ressemble à un transfert transfrontalier de données personnelles et se heurte aux exigences de la loi 152-FZ.

Les agents d'IA destinés au support, aux ventes et aux centres de contact entrent donc dans une zone à risque accru : ce qui transite par le modèle n'est pas du texte abstrait, mais des données réelles d'utilisateurs.

Dans ce contexte, la demande de solutions « souveraines » augmente en Russie, mais ce mot recouvre souvent non pas des modèles maison, mais des versions adaptées de systèmes open source étrangers. C'est là que commence le principal compromis : plus l'indépendance formelle est grande, plus l'économie est lourde.

Trois scénarios praticables

Trois approches se sont de fait imposées sur le marché. La première consiste à construire un modèle de base à partir de zéro, comme le fait Sber avec la famille GigaChat. La deuxième : prendre un modèle ouvert performant, le plus souvent de la famille Qwen, et l'affiner sur un corpus russe et des données métier, comme le font Yandex, T-Bank et Avito. La troisième : continuer à utiliser les API occidentales via une zone grise, si l'entreprise est prête à accepter le risque juridique.

• GigaChat : un maximum de contrôle et de localisation, mais un entraînement et une inférence très coûteux.
• Qwen après affinage : nettement moins cher et plus rapide à lancer, mais la souveraineté y est toute relative.
• OpenAI et Anthropic : une qualité élevée et une économie lisible, mais un accès de moins en moins stable.
• Schémas hybrides : un compromis pour les entreprises de taille moyenne, avec un démarrage dans le cloud puis un transfert vers un environnement propre.

Le problème, c'est que chaque voie comporte un coût qu'on ne peut pas ignorer. L'entraînement à partir de zéro exige des dizaines, voire des centaines de millions de dollars, un gros volume de données et des GPU rares de classe H100 ou H200. L'affinage de Qwen paraît plus réaliste, mais l'architecture de base et les poids restent chinois. Du point de vue d'une logique réglementaire stricte, ce n'est plus une indépendance totale, mais un compromis soigneusement localisé.

Où l'argent se perd

L'argument le plus douloureux de l'article n'est pas la qualité des modèles, mais le prix de l'inférence. D'après les calculs de l'auteur sur sa propre plateforme d'agents, une minute de fonctionnement d'un modèle OpenAI comparable coûte moins de 1 rouble, contre environ 80 roubles pour une minute sur GigaChat-Max. Pour les agents vocaux et les centres de contact, l'écart ne se mesure pas en pourcentages, mais en presque deux ordres de grandeur. Avec une telle structure de coûts, on peut réaliser un bon produit sur le plan technique, mais pas le rendre viable économiquement.

« Une solution entièrement russe coûte une fortune »

L'infrastructure assène un coup supplémentaire. L'auteur estime à environ 55 millions de roubles un serveur capable de gérer quelque mille sessions d'agents simultanées. S'ajoute alors un autre piège : pour que le token reste relativement bon marché, les GPU doivent tourner à 80-90 % de charge. Avec une demande faible et irrégulière, c'est difficile. Le matériel reste inutilisé, mais les coûts d'électricité, de maintenance et d'amortissement, eux, ne disparaissent pas. C'est pourquoi l'IA est rentable avant tout là où le travail humain est cher et la charge constante : support, centres de contact, fonctions juridiques.

Ce que cela signifie

Pour les équipes produit, la conclusion est assez rude : bâtir toute l'architecture sur un seul fournisseur est déjà dangereux. Une entreprise qui travaille avec des LLM en russe a besoin d'un schéma agnostique vis-à-vis du modèle, permettant de basculer rapidement entre OpenAI, GigaChat, des solutions de type Qwen et un environnement local. Sinon, toute nouvelle vague de blocages, de hausses de prix ou d'exigences sur les données transforme vite un choix technique en problème d'entreprise.