Kimi K2 Thinking : les modèles ouverts rattrapent les meilleurs, et après ?
Le 6 novembre, Moonshot AI a publié Kimi K2 Thinking, un modèle aux poids ouverts qui rivalise avec les meilleurs sur certains tests. Ce que ça change, et ses limites.
Pendant longtemps, la règle était simple : les meilleurs modèles d'IA étaient fermés, accessibles uniquement par abonnement chez OpenAI, Anthropic ou Google, et les modèles ouverts suivaient avec un temps de retard. Le 6 novembre 2025, la société chinoise Moonshot AI a publié Kimi K2 Thinking, un modèle dont les poids sont téléchargeables et qui revendique des résultats comparables aux meilleurs modèles fermés sur certaines tâches d'agent. Faut-il pour autant l'installer dans votre entreprise ? Pas forcément. Mais cette sortie dit beaucoup sur la direction du marché.
Ce que Moonshot a publié
Kimi K2 Thinking est un modèle « qui réfléchit » avant de répondre, conçu pour les tâches longues avec utilisation d'outils. D'après la fiche publiée par Moonshot :
- Environ mille milliards de paramètres au total, dont seulement 32 milliards actifs à chaque étape, grâce à une architecture dite « mélange d'experts ».
- Une mémoire de travail de 256 000 tokens, de quoi traiter des documents très longs.
- Une quantification native en INT4 : le modèle est entraîné pour fonctionner avec des nombres compressés, ce qui réduit sa taille et accélère la génération.
- Des centaines d'appels d'outils à la suite : Moonshot annonce un comportement stable sur 200 à 300 appels consécutifs, ce qui est précisément ce qu'on attend d'un agent.
- Une licence MIT modifiée : l'usage, y compris commercial, est libre, avec une obligation d'afficher le nom du modèle pour les produits qui dépassent un très grand nombre d'utilisateurs ou un chiffre d'affaires très élevé.
Moonshot publie des résultats qui placent son modèle devant GPT-5 et Claude Sonnet 4.5 sur des tests de raisonnement et de recherche en mode agent, mais pas sur la programmation. Ce sont des résultats publiés par l'éditeur, à prendre avec prudence ; certains organismes indépendants ont toutefois mesuré des scores élevés sur des tests d'usage d'outils.
Ouvert ne veut pas dire « installable partout »
C'est le premier malentendu à dissiper. Un modèle à poids ouverts peut être téléchargé et exécuté sur ses propres machines. Mais il faut des machines à la hauteur. Les fichiers de Kimi K2 Thinking pèsent près de 600 gigaoctets, même compressés. Le faire tourner demande un serveur avec une quantité de mémoire considérable, hors de portée d'un poste de travail et même de la plupart des serveurs de PME.
Autrement dit, ce modèle s'adresse surtout aux hébergeurs, aux grandes entreprises et aux laboratoires. Pour une PME, l'intérêt est ailleurs.
Ouvert ne veut pas dire « open source » non plus
Le vocabulaire est trompeur. « Poids ouverts » signifie qu'on peut télécharger le modèle entraîné. Cela ne veut pas dire qu'on a accès aux données d'entraînement, ni à la façon dont il a été construit. Plusieurs observateurs rappellent d'ailleurs que la licence de Kimi, avec sa clause supplémentaire, ne correspond pas à une licence open source au sens strict.
Il y a aussi la question de l'origine. Exécuter un modèle chinois sur vos propres serveurs n'envoie aucune donnée en Chine : le modèle tourne chez vous, sans connexion à son éditeur. En revanche, on ne sait pas toujours précisément sur quelles données il a été entraîné, ni quels biais il peut avoir sur certains sujets. Pour un usage professionnel, ce sont des points à évaluer, comme pour tout modèle.
Ce que ça change pour une PME
Le vrai message de cette sortie, c'est que l'écart entre modèles ouverts et modèles fermés se réduit vite. Et cette tendance profite aussi aux modèles plus petits, ceux qu'on peut réellement installer dans une entreprise. Chaque génération de modèles ouverts compacts fait mieux que la précédente, sur du matériel raisonnable.
Pour vous, cela veut dire :
- L'IA locale devient crédible pour de vrais usages : résumer des documents, répondre à des questions sur votre documentation interne, rédiger, trier, classer.
- Vous n'êtes plus obligé de choisir entre performance et confidentialité pour une bonne partie des tâches courantes.
- Le choix du modèle devient révisable : un système bien construit peut changer de modèle quand un meilleur sort, sans tout réécrire.
Ce que nous conseillons
- Partir de l'usage, pas du modèle. Quelle tâche voulez-vous confier à l'IA ? C'est elle qui détermine la taille de modèle nécessaire.
- Choisir un modèle dont on connaît la provenance et la licence. Pour nos installations, nous retenons des modèles comme Mistral, gpt-oss ou Gemma, dont les éditeurs et les conditions d'usage sont clairs.
- Dimensionner le matériel au besoin réel. Un poste, une équipe, une entreprise : les besoins n'ont rien à voir.
- Garder la porte ouverte. Ce qui est hors de portée aujourd'hui sera peut-être installable dans un an.
Nos IA locales sont proposées en trois tailles, matériel compris : un poste, une équipe de 5 à 10 personnes, une entreprise jusqu'à 50 personnes. Aucune donnée ne part chez un fournisseur d'IA. Pour savoir quelle taille correspond à vos usages, et ce qu'un modèle local peut faire aujourd'hui pour vous, prenez un rendez-vous de 30 minutes. Sur le même sujet, relisez notre article sur Mistral AI Studio.