Les modèles à poids ouverts ont franchi la frontière agentic : DeepSeek V4, GLM 5.2, et la construction flexible en modèles

La ligne de coût qui a changé l'équation de construction

Le 23 mai 2026, Reuters a rapporté que DeepSeek a rendu permanente sa réduction de prix temporaire de 75 % sur V4 Pro. Le nouveau tarif est de 0,435 $ par million de tokens d'entrée et 0,87 $ par million de tokens de sortie. La variante V4 Flash, plus légère, est à 0,14 $ et 0,28 $. Comparez cela à GPT-5.4 à 2,50 $ et 15 $, ou à Claude Opus 4.7 à 5 $ et 25 $, et l'écart n'est pas incrémental. Pour un agent de codage multi-tours à forte sortie consommant 120 000 tokens d'entrée et 80 000 tokens de sortie par session, le coût se situe à environ 0,04 $ sur Flash, 0,49 $ sur V4 Pro, 1,50 $ sur GPT-5.4 et 2,60 $ sur Claude Opus 4.7. C'est un avantage de coût de 37 à 65 fois pour la voie à poids ouverts sur le type de charge de travail — les boucles d'outils agentiques — où le volume de tokens se compose.

Ce n'est pas une remise promotionnelle qui expire. C'est un palier de prix permanent, et il est arrivé en même temps qu'un jalon de capacité : les modèles à poids ouverts sont désormais au plus près de la frontière sur les benchmarks qui comptent pour le travail agentique. DeepSeek V4 Flash score 79,0 % sur SWE-bench. GLM 5.2 occupe la première position à poids ouverts sur l'AA Intelligence Index à 51 et un score GDPval-AA de 1524 Elo. MiniMax M3 embarque du multimodal natif avec un contexte de 1M de tokens. Le décalage de trois à six mois entre modèles fermés et ouverts qui définissait 2024 et début 2025 s'est compressé à des semaines, et sur le coût il s'est inversé.

L'implication pour un Directeur de l'Ingénierie ou un VP des Opérations construisant un agent de production est directe : la couche de modèles n'est plus la contrainte. La contrainte est la couche d'intégration — les modules MCP, les contrôles de gouvernance, les pipelines de données, la piste d'audit. Et la décision d'architecture qui détermine si vous pouvez capturer l'avantage de coût est de savoir si votre plateforme d'agents traite la sélection de modèles comme un déploiement de code ou une opération de données.

Ce que « franchi la frontière » signifie en pratique

La frontière n'est pas un benchmark unique. C'est un portefeuille de capacités que les agents de production requièrent : raisonnement à contexte long, appel d'outils, sortie structurée, génération de code, et suivi d'instructions sur de longs horizons. Il y a deux ans, les modèles à poids ouverts étaient compétitifs sur une ou deux de ces capacités et en retard sur le reste. La génération actuelle est compétitive sur l'ensemble.

DeepSeek V4 Pro est un modèle mixture-of-experts de 1,6 trillion de paramètres avec 49 milliards de paramètres actifs, une licence MIT, 1 million de tokens de contexte, et 384K de sortie max. Il prend en charge le mode de réflexion et les appels d'outils, et il expose à la fois l'API OpenAI ChatCompletions et l'API Anthropic — ce qui signifie qu'un agent construit contre l'une ou l'autre interface peut y basculer sans réécriture du client. V4 Flash est la variante distillée : moins chère, plus rapide, et toujours à 79 % sur SWE-bench. L'analyse OpenRouter confirme le schéma sur tout le paysage à poids ouverts : l'écart qui était structurel est désormais situationnel, ce qui signifie qu'il dépend de la charge de travail spécifique plutôt que de la catégorie de modèle.

GLM 5.2, de Z.AI, est construit pour les tâches à long horizon et mène le champ à poids ouverts sur l'AA Intelligence Index. Il prend en charge un mode de raisonnement configurable via le passthrough extra_body dans les clients compatibles OpenAI, et il est disponible via AWS Bedrock Mantle ainsi que les endpoints directs de Z.AI. MiniMax M3 ajoute du multimodal natif et un contexte de 1M. La Chine a dépassé les États-Unis en téléchargements Hugging Face avec 41 % de pluralité — l'écosystème à poids ouverts n'est plus un exercice de rattrapage. C'est une chaîne d'approvisionnement parallèle avec son propre prix, son propre chemin matériel et sa propre économie de déploiement.

La réserve honnête : poids ouverts ne signifie pas uniformément moins cher. DeepSeek applique une tarification d'heure de pointe au double du taux de base pendant les heures de bureau de Pékin (9:00 à 12:00 et 14:00 à 18:00). Pour un déploiement qui exécute des boucles d'agents toujours actives pendant ces heures, l'avantage de coût se rétrécit. Pour un déploiement qui peut planifier du traitement par lots ou router vers un modèle de repli pendant les fenêtres de pointe, l'avantage tient. Le point est que la tarification à poids ouverts est désormais une variable que vous gérez, pas une pénalité que vous absorbez.

L'économie de déploiement : pourquoi les agents toujours actifs sont désormais abordables

L'effondrement des coûts sous la réduction de prix à poids ouverts est structurel. Le calcul d'inférence a chuté d'environ 1 000 fois sur quatre générations, porté par les améliorations matérielles (2 à 3 fois par génération), l'optimisation logicielle (2 à 3 fois), les architectures mixture-of-experts (3 à 5 fois), et la quantization (2 à 4 fois). Le coût d'un modèle équivalent à GPT-4 est passé de 20 $ par million de tokens à 0,40 $. L'inférence représente désormais 67 % de toute la computation IA, contre 33 % en 2023, et représente 55 % des dépenses cloud IA à 37,5 milliards de dollars début 2026.

Pour un agent B2B qui exécute le traitement des RFQ, la recherche catalogue, la génération de devis et la transmission de commandes, le coût d'inférence était historiquement la ligne qui faisait tiquer les équipes financières. Un agent qui effectue 200 appels d'outils par workflow de devis, chacun portant du contexte, était coûteux aux tarifs de frontière fermée. Sur V4 Flash à 0,14 $ par million de tokens d'entrée, le même workflow coûte des centimes, pas des dollars. La revue de l'API DeepSeek V4 et l'analyse de tarification DeepInfra confirment toutes deux la trajectoire : l'économie des agents de production toujours actifs est passée de « justifier la dépense » à « la dépense est négligeable comparée au travail d'intégration ».

C'est ici que l'article sur les modèles à poids ouverts rejoint l'article sur l'économie de l'inférence, et pourquoi les deux sujets se comprennent mieux comme une seule décision. L'effondrement des coûts n'est pas une raison pour construire des agents. L'effondrement des coûts est une raison d'arrêter de différer la construction pour des raisons de coût et de commencer à poser la question plus difficile : votre architecture peut-elle router entre les modèles sans déploiement de code ?

La construction flexible en modèles : la sélection de modèles comme opération de données

La question architecturale que la frontière à poids ouverts impose est de savoir si votre plateforme d'agents peut changer de modèles sans redéploiement. La plupart ne le peuvent pas. La plupart des frameworks d'agents codent en dur le nom du modèle dans un fichier de configuration ou une variable d'environnement, et passer de GPT-5.4 à DeepSeek V4 Pro signifie changer la config, reconstruire le conteneur et dérouler le déploiement. Dans un contexte B2B de production où l'agent exécute des workflows de devis, c'est un processus de gestion du changement mesuré en jours.

L'alternative flexible en modèles consiste à traiter le modèle comme une ressource enregistrée et interchangeable — de la même façon que vous traitez un module MCP. Dans le ai_agent_core_engine de SilvaEngine, les modèles sont enregistrés dans une table DynamoDB (aace-llms) avec llm_provider comme clé de hachage et llm_name comme clé de tri. Chaque enregistrement porte un module_name, un class_name, et un configuration_schema — le schéma JSON qui définit quels paramètres le handler du modèle accepte. Un agent référence le LLM par provider et nom, pas par une chaîne codée en dur. Changer le modèle est une opération de données : mettez à jour la référence LLM de l'agent, et la prochaine exécution charge le nouveau handler et son schéma de configuration. Pas de déploiement de code, pas de reconstruction de conteneur, pas de fenêtre de rollback.

Le schéma de configuration openai_completions_agent_handler est la preuve concrète que ce n'est pas théorique. Le champ model du schéma accepte des valeurs comme gpt-4.1, gpt-4o, gpt-5, et Qwen/Qwen3-4B. Le champ base_url prend en charge des endpoints personnalisés pour des serveurs compatibles OpenAI — http://127.0.0.1:30000/v1 pour un modèle à poids ouverts hébergé sur SGLang. Le champ openai_api_key accepte EMPTY pour des serveurs vLLM ou SGLang auto-hébergés qui ne nécessitent pas d'authentification. L'enum reasoning_effort route vers zai.glm-5 via Bedrock Mantle. Le passthrough extra_body gère la configuration de réflexion GLM de Z.AI. Les flags enable_thinking et separate_reasoning couvrent SGLang et Qwen3. Le flag enable_think_tag_split gère un bug de parser vLLM pour les modèles GLM-5, DeepSeek et Qwen3 qui émettent des think tags bruts au lieu de peupler le canal de raisonnement.

C'est ce que flexible en modèles signifie en production : le même handler, le même runtime d'agent, la même piste d'audit, et la même surface de module MCP — avec le modèle sous-jacent échangé via un changement de configuration. Le comportement de l'agent, ses appels d'outils, ses contrôles de gouvernance, et son isolement de tenant par partition-key ne changent pas. Seul l'endpoint d'inférence change. C'est la différence entre une architecture qui peut capturer l'avantage de coût de 37 fois et une qui ne le peut pas.

L'opportunité de routage : quand utiliser quel modèle

La flexibilité des modèles n'est pas un choix binaire entre poids ouverts et frontière fermée. Le pattern de production est le routage : utilisez le modèle le moins cher qui atteint la barre de qualité pour chaque tâche, et escaladez vers le modèle coûteux uniquement quand la tâche l'exige.

Un agent de devis B2B a une surface de routage naturelle. La recherche catalogue et la consultation de disponibilité sont des tâches de récupération de faible complexité où V4 Flash à 0,14 $ par million de tokens est largement suffisant. La génération de devis avec tarification par paliers, FX et raisonnement de politique d'annulation est une tâche de complexité moyenne où V4 Pro à 0,435 $/0,87 $ est le point optimal. La négociation complexe multipartite ou l'interprétation de politique en cas limite — les 5 % de requêtes qui entraînent 80 % du coût sur un modèle de frontière fermée — peuvent escalader vers GPT-5.4 ou Claude Opus 4.7. La décision de routage est prise par appel d'outil, pas par agent, et elle est enregistrée dans la même piste d'audit que toute autre exécution d'outil.

Le rapport Lucidworks 2026 Enterprise AI Adoption a constaté que seules 2 % des entreprises ont déployé plus d'un agent et que la plupart des organisations s'en tiennent à un seul modèle malgré le discours sur la diversité des modèles — environ 50 % uniquement commerciaux, 30 % un mix, et 20 % entièrement open source. Le défaut à modèle unique est le défaut coûteux. Les entreprises qui prendront de l'avance sont celles qui routent, et le routage exige une architecture où le modèle est une ressource enregistrée, pas une dépendance codée en dur.

Le critère d'achat

Si votre vendeur ou plateforme d'agents ne peut pas répondre à ces trois questions, l'avantage de coût des poids ouverts n'est pas disponible pour vous :

1. Puis-je changer le modèle sans déploiement de code ? Si la réponse implique d'éditer un fichier de configuration, de reconstruire un conteneur ou d'ouvrir une pull request, le modèle est codé en dur. Le coût de changement de modèles est un coût d'ingénierie qui dépassera les économies de tokens.

2. Votre runtime d'agent prend-il en charge les endpoints compatibles OpenAI pour les modèles à poids ouverts auto-hébergés ? Si la réponse est « nous ne prenons en charge que notre endpoint de modèle géré », vous êtes enfermé dans la tarification de ce fournisseur. La surface d'API compatible OpenAI est le standard qui fait de V4 Pro, GLM 5.2, et de tout modèle hébergé sur SGLang ou vLLM un remplacement direct.

3. Pouvez-vous router par appel d'outil, pas par agent ? Si la réponse est « l'agent utilise un seul modèle pour tout », vous payez des prix de frontière pour des tâches de récupération qu'un modèle de niveau Flash gère au dixième du coût. Le routage est l'endroit où l'économie de déploiement se compose.

L'architecture flexible en modèles répond à chaque question par un mécanisme concret : le registre LlmModel, le handler compatible OpenAI avec les paramètres base_url et model, et la surface de routage par appel qui enregistre chaque décision dans la piste d'audit. C'est la différence entre lire la mathématique des coûts et pouvoir agir dessus.

Un distributeur qui exploite NetSuite, BigCommerce et trois catalogues fournisseurs déploie un agent de devis qui route par complexité de tâche : recherche catalogue sur DeepSeek V4 Flash à 0,14 $ par million de tokens d'entrée, génération de devis avec tarification par paliers et FX sur V4 Pro à 0,435 $/0,87 $, et interprétation de politique en cas limite escaladée vers GPT-5.4 uniquement lorsque le seuil de confiance n'est pas atteint. Les modules MCP de l'agent, les contrôles de gouvernance et la piste d'audit sont inchangés — seul l'endpoint d'inférence se déplace par appel d'outil. Le coût d'inférence mensuel passe de la fourchette à quatre chiffres au bas de trois chiffres, et les décisions de routage sont interrogeables dans la même piste d'audit DynamoDB que toute autre exécution d'outil. Cette construction correspond aux Phases 2-4 de la méthode en quatre étapes et est généralement en ligne en 5-8 semaines.

Demandez une construction cadrée. Découverte d'une semaine. Vous obtenez un inventaire système, une carte des workflows et un périmètre fixe — que vous construisiez avec nous ou non.