Dans les entreprises, l’adoption d’un modèle d’IA peut basculer en quelques semaines. Le Databricks AI Index, construit à partir des usages de plus de 10 000 organisations clientes, montre à quel point les habitudes évoluent au rythme des sorties : Claude Opus 5.5 a rapidement pris la tête des modèles utilisés, tandis que Claude Fable 5.1 reculait, malgré ses excellents résultats à un benchmark de programmation.
Ces chiffres ne racontent pas l’ensemble du marché : ils reflètent le trafic observé via les outils de Databricks, et non un classement universel des modèles. Mais ils mettent en lumière une réalité très concrète pour les équipes : choisir une IA ne consiste pas seulement à retenir celle qui obtient le meilleur score. Le coût par tâche, le nombre d’échanges nécessaires et la facilité d’intégration pèsent aussi dans la balance. Pour une entreprise, la fidélité à un modèle se mesure donc moins en années qu’en résultats régulièrement vérifiés.
En bref
- Les parts d’usage changent vite : en six semaines, Claude Opus 5.5 est passé de 7,2 % à 38 % des tokens consommés sur les modèles propriétaires suivis par Databricks.
- Le meilleur score ne garantit pas le meilleur achat : deux modèles affichant 89 % de réussite peuvent avoir des coûts par tâche très différents.
- Le multi-fournisseurs progresse : la part des clients ayant utilisé plusieurs fournisseurs a augmenté, mais l’indicateur est cumulatif et ne prouve pas un usage simultané.
- L’open weight gagne du terrain : sa part a grandi dans les modèles servis directement par Databricks, avant de se stabiliser.
Adoption des modèles d’IA en entreprise : des bascules en quelques semaines
Le Databricks AI Index est actualisé chaque semaine à partir du trafic de Unity Gateway, la passerelle qui donne accès aux modèles. Son benchmark interne évalue aussi des agents de code sur des tâches inspirées du travail des développeurs de l’éditeur. Il s’agit donc d’un indicateur d’usage et d’un outil de comparaison, pas d’un recensement exhaustif de toutes les entreprises.
Selon Databricks, depuis mai 2026, un nouveau modèle phare est apparu environ chaque semaine. Après une période où les clients s’appuyaient largement sur quelques modèles d’Anthropic, GPT-6 Sol et Astra ont gagné du terrain. Puis la sortie de Claude Opus 5.5, fin septembre, a rebattu les cartes : en six semaines, sa part est passée de 7,2 % à 38 % des tokens consommés sur les modèles propriétaires.
Pourquoi la fidélité à un modèle d’IA reste fragile
La même période a vu Claude Fable 5.1 passer de 5,5 % à 0,6 %, alors même qu’il occupait la première place du benchmark de code de Databricks. Ce contraste rappelle qu’une bonne performance sur un test ne suffit pas à assurer l’adoption : les usages réels, les coûts et la disponibilité de nouvelles versions influencent aussi les choix.
Pour une PME fictive qui automatise le traitement de demandes clients, le bon réflexe serait de réévaluer le modèle lorsque les besoins ou les tarifs changent, plutôt que de reconduire automatiquement le choix initial. Une sélection efficace se vérifie sur les tâches de l’entreprise, pas uniquement dans un classement.
Coût des modèles d’intelligence artificielle : le score ne suffit pas
Le benchmark de Databricks confronte des modèles de neuf laboratoires à des tâches de programmation, puis compare leur taux de réussite et leur coût moyen par tâche. Les écarts observés montrent pourquoi le prix affiché par token — une unité de texte traitée par le modèle — ne permet pas, à lui seul, d’estimer la facture finale.
| Modèle | Réussite aux tâches | Coût moyen par tâche | Ce que montre le résultat |
|---|---|---|---|
| GPT-6 Luna | 89 % | 0,05 $ | Coût très faible au niveau de réussite observé |
| Claude Opus 5.5 | 89 % | 1,62 $ | Résultat égal à Luna, mais coût environ 32 fois supérieur |
| Gemini 3.8 Flash | Non précisé dans les données citées | 11,97 $ | Un tarif de token bas peut être compensé par de nombreux échanges |
| Claude Fable 5.1 | 96 % | 7,47 $ | Meilleur taux de réussite cité, avec un coût élevé |
| Muse Wonder | 95 % | 1,53 $ | Résultat proche de Fable 5.1 pour un coût presque cinq fois inférieur |
Comparer le coût par tâche, pas seulement le prix du token
Gemini 3.8 Flash illustre le piège : malgré un prix du token bas, il effectue en moyenne 140 tours d’échange par tâche, ce qui porte le coût moyen à 11,97 dollars. Un modèle peut donc sembler économique sur sa grille tarifaire, puis consommer davantage de ressources parce qu’il a besoin de plus d’étapes pour aboutir.
Databricks indique avoir écarté le passage d’Opus 4.8 à Opus 5, faute de gain suffisant au regard du surcoût. À l’inverse, l’éditeur a fait d’Opus 5.5 le modèle par défaut de Claude Code après avoir mesuré un coût par session inférieur de 29 % à celui de son prédécesseur. La bonne comparaison porte sur le coût d’un résultat exploitable.
Stratégie multi-fournisseurs : ce que révèle l’usage des entreprises
Entre juillet et le 2 novembre, la part des clients de Databricks ayant utilisé plusieurs fournisseurs est passée d’environ 36 % à 72 % : autrement dit, ceux qui n’en avaient utilisé qu’un sont passés d’environ 64 % à 28 %. Cette évolution suggère une diversification des essais, mais mérite une lecture attentive.
L’indicateur est cumulatif : il comptabilise les fournisseurs utilisés par chaque entreprise depuis le 20 juillet. Le chiffre de juillet porte sur une seule semaine d’usage, celui de novembre sur plus de trois mois. Il indique donc que davantage de clients ont testé plusieurs fournisseurs au fil du temps, sans établir qu’ils les utilisent en parallèle. Tester plusieurs options n’équivaut pas automatiquement à déployer une architecture multi-fournisseurs.
Une méthode simple pour choisir un modèle adapté
Pour une équipe qui veut éviter de changer de modèle sur un simple effet de nouveauté, une courte évaluation sur ses propres tâches peut rendre la décision plus solide. Une entreprise fictive qui traite des factures, par exemple, comparerait la précision d’extraction, le coût par document et le taux de vérification humaine nécessaire.
- Définir quelques tâches représentatives : sélectionner des cas réels, dont les erreurs ont un impact mesurable.
- Comparer les résultats à consigne identique : suivre la réussite, le temps de traitement et les reprises nécessaires.
- Calculer le coût complet : inclure les échanges, les appels supplémentaires et le contrôle humain.
- Fixer un seuil de réévaluation : relancer le test lors d’une nouvelle version ou d’un changement tarifaire notable.
Cette démarche évite de confondre popularité du moment et adéquation métier. Un modèle mérite sa place lorsqu’il améliore un indicateur utile sans faire exploser le coût ou la charge de contrôle.
Modèles open weight en entreprise : une progression portée par des acteurs chinois
Les modèles open weight — dont les paramètres sont publiés et peuvent être hébergés par les organisations — ont gagné du terrain parmi les modèles servis directement par Databricks. Leur part des tokens est passée de 7,3 % en juillet à 31 % début novembre, avec une progression concentrée entre juillet et fin septembre, puis une stabilisation.
Ce chiffre ne couvre pas les requêtes acheminées vers Anthropic ou OpenAI : il décrit uniquement le périmètre des modèles fournis directement par Databricks. Les acteurs open weight détaillés dans l’index, notamment Zhipu, DeepSeek et Moonshot AI, sont chinois. Trois modèles de ce type figurent dans le top 10 du benchmark de code ; DeepSeek V4.1 Flash et GLM 5.3 y obtiennent chacun 93 % de réussite.
Hébergement et contrôle : les critères à examiner
L’open weight peut intéresser les entreprises qui souhaitent héberger elles-mêmes un modèle et mieux maîtriser son environnement d’exécution. Ce choix demande toutefois d’évaluer les besoins d’infrastructure, la maintenance et les compétences disponibles : publier les poids ne signifie pas que le déploiement est gratuit ou sans contraintes.
Le panorama évolue aussi hors de Chine. Mistral AI a publié les poids de Mistral Large 4 sur Hugging Face le 29 octobre, même si cette famille ne figure pas parmi celles recensées dans l’index de Databricks. Pour les équipes, l’enjeu est de comparer le contrôle et les coûts d’hébergement aux résultats obtenus sur leurs tâches.
Databricks AI Index : périmètre et limites des données
L’index agrège des données d’usage anonymisées provenant de plus de 10 000 entreprises clientes de Databricks, des jeunes pousses numériques aux groupes du Fortune 500. Les données d’usage couvrent la période du 20 juillet au 2 novembre 2026, tandis que le benchmark de code a été arrêté au 10 novembre.
Databricks commercialise Unity Gateway, la passerelle dont le trafic nourrit une partie de l’index, et n’a pas fait appel à un institut tiers pour produire ces mesures. Cela ne rend pas les données inutiles, mais leur périmètre doit rester visible : elles renseignent les comportements des clients de la plateforme, pas l’ensemble des entreprises ni la qualité universelle des modèles.
Avant de transposer ces tendances à une organisation, il est donc utile de vérifier la compatibilité des tâches, des exigences de sécurité et des coûts. Un indicateur de marché aide à poser les bonnes questions ; les essais internes permettent de trancher.
Que mesure le Databricks AI Index ?
Il suit notamment l’usage des modèles via Unity Gateway chez les clients de Databricks et publie un benchmark de code fondé sur des tâches de développement. Il ne représente pas l’ensemble du marché de l’IA.
Pourquoi un modèle très performant peut-il perdre des utilisateurs ?
Les entreprises arbitrent aussi selon le coût par tâche, le nombre d’échanges nécessaires, les usages visés et les nouvelles versions disponibles. Un excellent score ne garantit donc pas le meilleur rapport entre résultat et dépense.
La hausse du multi-fournisseurs signifie-t-elle que les entreprises utilisent plusieurs modèles en même temps ?
Pas nécessairement. L’indicateur de Databricks est cumulatif et compte les fournisseurs essayés depuis le 20 juillet. Il mesure une diversification des usages au fil du temps, pas forcément une utilisation simultanée.
Les modèles open weight sont-ils automatiquement moins chers ?
Non. L’accès aux poids peut permettre un hébergement maîtrisé, mais l’infrastructure, l’exploitation et la maintenance ont un coût. Il faut comparer le coût total et les performances sur les tâches de l’entreprise.