Agents IA
Prompt engineering pour entreprises : les bases qui font la différence
Maîtrisez le prompt engineering pour obtenir des résultats professionnels avec GPT-4 et Claude. Techniques, templates et exemples concrets pour les équipes métier.
GPT-5 ou Mistral ? Claude ou Llama 3 ? La question du choix du modèle de langage est devenue stratégique pour les entreprises en 2026. Les LLM open source ont rattrapé une grande partie de leur retard sur les modèles propriétaires — et dans certains cas, les dépassent. Voici comment choisir.
Qu’est-ce qu’un LLM open source ?
Un LLM open source est un modèle dont les poids sont rendus publics. N’importe qui peut le télécharger, l’héberger sur ses propres serveurs et le modifier.
Exemples : Mistral 7B/8x7B, Llama 3 (Meta), Gemma 2 (Google), Phi-3 (Microsoft), DeepSeek V3, Qwen 2.5.
Un LLM propriétaire est accessible uniquement via API, sans accès aux poids du modèle.
Exemples : GPT-5 (OpenAI), Claude 3.5 Sonnet (Anthropic), Gemini 1.5 Pro (Google), Mistral Large (Mistral AI — version commerciale).
Comparatif : open source vs propriétaire
| Critère | Open source | Propriétaire |
|---|---|---|
| Coût | Coût serveur uniquement | Facturation à l’usage (tokens) |
| Confidentialité | Données sur vos serveurs | Données envoyées au fournisseur |
| RGPD | Conformité totale si self-hosted | Dépend du fournisseur et du pays |
| Performance | Très bonne (selon le modèle) | Meilleure sur tâches complexes |
| Maintenance | À votre charge | Gérée par le fournisseur |
| Personnalisation | Fine-tuning possible | Limitée (prompt engineering) |
| Disponibilité | Dépend de votre infra | 99.9% garantie par SLA |
| Démarrage | Plus long (installation) | Immédiat (clé API) |
Les modèles open source qui comptent en 2026
Mistral (France)
Le champion français de l’IA. Mistral 7B reste un excellent rapport performance/ressources pour des usages courants. Mistral Small et Medium surpassent GPT-3.5 sur la plupart des benchmarks.
Idéal pour : PME françaises soucieuses de la souveraineté des données, hébergement sur serveur européen.
Point fort : Documentation française, support en français natif, conformité RGPD facilitée.
Llama 3.3 (Meta)
Le modèle de Meta atteint des performances proches de GPT-5 sur de nombreuses tâches. Llama 3.3 70B est particulièrement impressionnant pour le raisonnement et la rédaction.
Idéal pour : entreprises avec infrastructure serveur existante, cas d’usage nécessitant un grand contexte.
DeepSeek V3
La surprise de 2025-2026. Ce modèle chinois affiche des performances comparables à GPT-5 sur la plupart des benchmarks, pour un coût d’inférence 10× inférieur.
Point de vigilance : Société chinoise — à éviter pour des données sensibles ou des secteurs réglementés.
Gemma 2 (Google)
Modèles légers (2B, 9B, 27B) optimisés pour tourner sur des machines modestes. Parfait pour des cas d’usage embarqués ou des budgets serveur limités.
Les modèles propriétaires qui dominent
GPT-5 (OpenAI)
Le standard de facto pour la complexité. Meilleur pour le raisonnement multi-étapes, la compréhension d’images, et les tâches nécessitant un contexte très long.
Tarif : ~2,50$/million de tokens en entrée, ~10$/million en sortie.
Limitation : Données transitent aux USA, même avec le DPA signé.
Claude 3.5 Sonnet (Anthropic)
Excellent pour la rédaction longue, l’analyse de documents et le respect des instructions complexes. Souvent préféré par les équipes contenu et juridique.
Tarif : ~3$/million de tokens en entrée, ~15$/million en sortie.
Avantage : Très bon sur les tâches de synthèse et d’analyse de documents PDF.
Mistral Large (Mistral AI)
La version commerciale de Mistral, hébergée en Europe. Performances comparables à GPT-5, avec la garantie de données traitées en France/Europe.
Idéal pour : PME qui veulent un LLM cloud performant avec conformité RGPD native.
Comment choisir selon votre cas d’usage
Vous traitez des données sensibles (santé, juridique, RH, finance)
→ LLM local obligatoire : Mistral 7B ou Llama 3 via Ollama, sur votre propre serveur.
Les données ne quittent jamais votre infrastructure. Conformité RGPD et AI Act garantie.
Vous avez besoin de la meilleure performance possible
→ GPT-5 ou Claude 3.5 via API, avec anonymisation des données personnelles en amont.
Pour les tâches de raisonnement complexe, d’analyse multi-documents ou de génération de code avancée, les modèles propriétaires gardent une longueur d’avance.
Vous voulez maîtriser vos coûts à volume élevé
→ Mistral Small ou Llama 3 8B hébergés sur votre infra ou via un provider européen.
À partir de 50 000 requêtes/mois, l’hébergement de votre propre modèle devient moins cher que les APIs propriétaires.
Vous démarrez et voulez aller vite
→ API propriétaire (GPT-5 ou Claude) pour les 3 premiers mois.
Focalisez-vous sur le cas d’usage, pas sur l’infrastructure. Migrez vers un modèle open source une fois que le workflow est validé et que le volume justifie l’investissement serveur.
Vous souhaitez personnaliser le modèle sur vos données
→ Open source uniquement — le fine-tuning sur un modèle propriétaire est limité et coûteux.
Fine-tuner Mistral 7B sur votre documentation produit, vos emails types ou votre jargon métier permet d’obtenir des résultats bien supérieurs à un modèle généraliste.
L’architecture hybride : le meilleur des deux mondes
La plupart de nos clients PME utilisent une architecture mixte :
- Modèle local (Mistral/Llama) pour tout ce qui touche aux données internes : CRM, RH, documents confidentiels
- Modèle propriétaire (GPT-5/Claude) pour les tâches créatives ou complexes sans données sensibles : rédaction contenu, analyse de marché, support client générique
Cette approche combine performance, conformité et maîtrise des coûts.
Estimation des coûts
| Scénario | Volume | Coût API propriétaire | Coût self-hosted |
|---|---|---|---|
| Chatbot PME | 5 000 req/mois | ~15-30€/mois | ~50-80€/mois (serveur) |
| Automatisation contenu | 20 000 req/mois | ~60-120€/mois | ~50-80€/mois |
| Chatbot e-commerce | 100 000 req/mois | ~300-600€/mois | ~80-150€/mois |
Le seuil de rentabilité du self-hosting se situe généralement autour de 30 000 à 50 000 requêtes par mois.
Le choix entre open source et propriétaire n’est pas dogmatique — c’est une décision technique et économique qui dépend de votre volume, de vos données et de vos contraintes réglementaires. Un audit de votre situation permet de définir l’architecture optimale en moins d’une journée.
