Le 16 juillet 2026, Moonshot AI lance Kimi K3. Derrière l'énième nom de modèle, un fait qui mérite l'attention d'une direction technique : un modèle open-weights de classe frontier, dont le fournisseur annonce ~2,8 trillions de paramètres, un contexte d'un million de tokens et une ouverture des poids avant le 27 juillet. La capacité qu'on croyait réservée aux géants propriétaires (Anthropic, OpenAI, Google) devient disponible en poids ouverts, à prix cassé, chez un labo chinois. SFEIR — partenaire Anthropic et Google Cloud, « sans intérêt à survendre un modèle chinois » — en propose une lecture d'ingénieurs, prudente.
Mise en garde d'emblée : au lancement, aucune table de benchmarks officielle et complète. Specs (Kimi Delta Attention, attention linéaire hybride, décodage annoncé 6,3× plus rapide sur 1M tokens, +25 % d'efficacité d'entraînement) sont vendor-stated ; les scores viennent d'arènes communautaires. À traiter comme des revendications, pas des faits. La règle ne change pas : un score d'arène est un indice, pas une preuve ; la seule mesure qui compte est celle qu'on fera sur ses propres dépôts.
quelle part de mon système suis-je prêt à rendre dépendante d'un fournisseur que je ne contrôle pas ?
Le prix est la vraie arme. Selon premières revues (à re-vérifier) : ~3 $/M en entrée, 15 $ en sortie, 0,30 $ en cache. Plus cher que K2.7 Code, mais agressif pour cette classe. Un frontier open-weights à ce niveau tire toute la courbe prix-performance vers le bas : la banalisation de la couche modèle, accélérée par l'open-source.
Mais la singularité décisive n'est pas un score : c'est la réversibilité. Un modèle propriétaire se consomme (API, dépendance au fournisseur). Un modèle open-weights se récupère comme option : l'exécuter, le porter, ne plus être captif — au prix d'une infra lourde pour 2,8 T de paramètres. Kimi rejoint GLM 5.2 (Z.ai) sur ce terrain et en relève le plafond.
« Faut-il migrer ? » est la mauvaise question. Kimi K3 ne remplace ni Claude ni GPT-5.6 : il s'ajoute au portefeuille. La bonne posture est le routing multi-modèles — « un modèle par tâche, un modèle par contrainte » — auquel un frontier open-weights ajoute une colonne "réversibilité".
Point de vue SFEIR : l'open-weights change la question, pas seulement la réponse — non plus « quel est le meilleur/le moins cher modèle ? » mais « quelle part de mon système suis-je prêt à rendre dépendante d'un fournisseur que je ne contrôle pas ? ». Le modèle est une commodité ; l'avantage durable est dans l'ingénierie qui l'entoure (Context Engineering, harnais, gouvernance des coûts). « La souveraineté technique s'architecture. » Reste à valider les chiffres sur le vôtre.