Cohere Command : pourquoi Nick Frosst revendique une efficacité supérieure à DeepSeek

Pour une entreprise, le meilleur modèle d’intelligence artificielle n’est pas nécessairement celui qui obtient le meilleur score dans une démonstration publique. C’est aussi celui qui peut être installé, exploité et adapté sans exiger une infrastructure informatique disproportionnée. C’est sur ce terrain que Nick Frosst, cofondateur de Cohere, avance une affirmation forte : un déploiement optimisé de Cohere Command ne demanderait que deux GPU, contre 16 à 32 GPU pour DeepSeek.

L’écart annoncé, de huit à seize fois moins de GPU, est spectaculaire. Mais il doit être interprété correctement. Il ne signifie pas, à lui seul, que Command est huit à seize fois plus rapide, plus précis ou plus intelligent que DeepSeek dans tous les tests. Il porte sur les ressources matérielles nécessaires dans le scénario de déploiement évoqué par Cohere. Pour des organisations qui veulent faire tourner un modèle dans leur propre environnement informatique, cette différence peut toutefois peser lourd dans la décision.

Une promesse d’efficacité pensée pour les déploiements d’entreprise

Les GPU, ou processeurs graphiques, sont devenus une ressource centrale pour l’IA générative. Ils servent à entraîner les grands modèles de langage, mais aussi à les faire fonctionner en production, étape appelée « inférence ». Chaque requête adressée à un assistant, chaque résumé de document ou chaque génération de code mobilise ainsi de la puissance de calcul.

Réduire le nombre de GPU requis peut simplifier plusieurs aspects très concrets d’un projet : l’achat ou la location de matériel, l’intégration à l’infrastructure existante, les besoins électriques, le refroidissement et l’exploitation quotidienne. Cela concerne particulièrement les déploiements dits on-premise, c’est-à-dire réalisés dans les serveurs de l’entreprise ou dans un environnement qu’elle contrôle directement, plutôt que dans un service public distant.

Selon Nick Frosst, Command peut être déployé avec deux GPU, quand DeepSeek demanderait entre 16 et 32 GPU dans la comparaison mise en avant. Le dirigeant présente donc Command comme une solution plus simple à faire entrer dans les contraintes techniques d’une grande organisation.

La nuance est importante. Comparer deux modèles exige en principe de connaître les versions précises, le matériel employé, la quantification utilisée, la longueur des requêtes, le volume de réponses simultanées, le niveau de qualité attendu et les outils logiciels qui entourent le modèle. L’article à l’origine de cette déclaration ne détaille pas cette méthodologie. Les entreprises ont donc intérêt à considérer le chiffre comme une indication stratégique donnée par Cohere, puis à le vérifier sur leurs propres charges de travail.

Pourquoi deux GPU plutôt que 16 ou 32 peut changer un projet

Pour une direction informatique, le nombre de GPU n’est pas un simple détail technique. Il détermine la faisabilité même de certains usages. Une organisation peut accepter de tester un assistant documentaire avec une infrastructure limitée, tout en renonçant à un projet qui impliquerait de réserver plusieurs dizaines de processeurs spécialisés.

Un déploiement plus compact peut apporter plusieurs avantages :

• une intégration plus réaliste dans les centres de données déjà exploités par l’entreprise ;
• un coût d’infrastructure potentiellement plus facile à maîtriser ;
• une mise en production plus simple pour des équipes qui ne disposent pas d’un vaste parc de GPU ;
• davantage de latitude pour conserver des données sensibles dans un périmètre maîtrisé.

Cela ne veut pas dire qu’un modèle moins exigeant est automatiquement préférable. Une entreprise peut avoir besoin de capacités spécifiques qui justifient une infrastructure plus lourde. Elle peut aussi faire appel à plusieurs modèles, selon les tâches : un modèle compact pour le traitement interne courant, un système plus volumineux pour des cas complexes ou des besoins ponctuels.

Le discours de Cohere répond surtout à une question pratique : quelle IA une entreprise peut-elle réellement opérer, personnaliser et maintenir pour ses salariés ? L’enjeu n’est pas seulement de produire un texte convaincant à partir d’une consigne. Il est de raccorder le modèle aux documents, aux règles, aux applications et aux exigences de sécurité de l’organisation.

Command, un modèle conçu pour des tâches professionnelles ciblées

Cohere ne cherche pas à couvrir tous les usages populaires de l’IA générative. Nick Frosst insiste sur une orientation centrée sur les besoins des organisations. Dans cette logique, les ressources ne sont pas prioritairement consacrées à des fonctions jugées secondaires dans un contexte professionnel, comme la génération d’images.

Cette spécialisation se traduit aussi par l’attention portée à des compétences parfois négligées par les modèles généralistes. Le COBOL est l’exemple cité. Ce langage de programmation ancien reste présent dans de nombreux systèmes informatiques de grandes entreprises. Il peut notamment être associé à des logiciels métier historiques, dont la compréhension et la modernisation représentent un enjeu opérationnel considérable.

Un modèle capable d’aider à lire, documenter, analyser ou transformer du code COBOL peut avoir une valeur plus immédiate pour une organisation qu’une fonction créative supplémentaire. L’objectif est de faire gagner du temps sur des tâches concrètes, sans demander aux équipes de déplacer des données vers un environnement qu’elles ne contrôlent pas.

La personnalisation est au cœur de ce positionnement. Cohere indique tirer une part importante de ses revenus de contrats avec de grands groupes, auxquels elle fournit des modèles ajustés à des langues ou à des besoins propres. L’entreprise évoque ainsi une version en japonais pour Fujitsu et une version en coréen pour LG. Ces adaptations illustrent une réalité souvent sous-estimée : pour être utile, une IA professionnelle doit maîtriser non seulement une langue, mais aussi le vocabulaire, les documents et les pratiques d’un secteur ou d’une organisation.

Quels clients Cohere vise-t-il ?

Cohere présente une clientèle allant des très grands groupes aux entreprises de taille intermédiaire, en passant par les start-ups et les PME. Parmi les grandes organisations citées figurent LG, Fujitsu et Oracle. En Europe, SAP est présenté comme son client le plus significatif.

Cette diversité de clients correspond à deux manières d’adopter l’IA. Les grands groupes peuvent demander un modèle adapté à leur langue, à leurs systèmes et à leurs politiques de sécurité. Les structures plus petites cherchent souvent un outil directement exploitable, sans avoir à constituer une équipe de recherche ni à financer une infrastructure trop vaste.

Dans les deux cas, l’argument de l’efficacité matérielle est central. Il n’a pas exactement le même sens pour toutes les organisations, mais il répond à une préoccupation commune : obtenir une valeur mesurable sans faire exploser la complexité du projet. Un déploiement sur mesure peut aussi rendre l’IA plus pertinente qu’un assistant généraliste, à condition que les données utilisées soient de qualité et que les résultats soient vérifiés par les équipes concernées.

Une ouverture des poids limitée à la recherche

Cohere adopte une stratégie d’ouverture partielle. L’entreprise rend les poids de son modèle accessibles en open source à des fins de recherche, selon l’approche décrite. Les poids correspondent aux paramètres appris par le modèle au cours de son entraînement. Y avoir accès permet notamment aux chercheurs et aux utilisateurs potentiels d’étudier ou de tester le comportement d’un modèle dans leur propre environnement.

Cette démarche peut renforcer la confiance avant un engagement commercial. Une entreprise n’a pas à se contenter d’une promesse ou d’une démonstration : elle peut chercher à évaluer la compatibilité technique du modèle avec ses données et ses usages. Pour Cohere, cette possibilité d’essai peut aussi faciliter l’adoption de ses solutions.

Il faut toutefois distinguer l’accès aux poids pour la recherche d’une liberté totale d’usage et de redistribution. Les conditions exactes de licence, les droits accordés aux utilisateurs et les possibilités de déploiement commercial restent déterminants. « Open source » ne recouvre pas toujours les mêmes autorisations selon les modèles. Les entreprises doivent donc lire précisément les conditions applicables avant d’intégrer un modèle dans un produit ou un processus métier.

Comment comparer sérieusement Command et DeepSeek ?

La déclaration de Nick Frosst met en lumière une dimension souvent oubliée dans les comparaisons publiques : l’efficience opérationnelle. Mais choisir entre des modèles ne peut pas se réduire à compter les GPU. Une évaluation sérieuse doit partir des usages réels de l’entreprise.

Avant de déployer une IA, plusieurs questions méritent d’être posées :

• le modèle répond-il correctement dans la langue et le domaine métier visés ?
• peut-il être exécuté dans l’infrastructure disponible, avec le niveau de sécurité exigé ?
• quel est le délai de réponse pour les utilisateurs et le volume de requêtes à traiter ?
• les données internes restent-elles dans le périmètre prévu par l’organisation ?
• les équipes peuvent-elles auditer, superviser et corriger les réponses produites ?

Dans cette grille de lecture, Command cherche à se différencier par un compromis : moins de ressources matérielles, une orientation professionnelle et des personnalisations ciblées. DeepSeek, de son côté, ne peut pas être résumé aux seuls besoins en GPU mentionnés dans la déclaration de Cohere. Un modèle peut être pertinent pour certaines tâches et moins adapté à d’autres, selon sa configuration et le contexte d’utilisation.

Ce qu’il faut surveiller pour l’IA en entreprise

La concurrence entre les fournisseurs de modèles de langage se joue de plus en plus sur la capacité à convertir une prouesse technique en outil déployable. Les entreprises ne demandent pas seulement des modèles puissants. Elles recherchent des solutions prévisibles en matière de coûts, compatibles avec leurs systèmes, capables de fonctionner dans plusieurs langues et adaptables à des métiers précis.

L’affirmation de Nick Frosst sur les deux GPU de Command traduit cette évolution. Si l’écart de déploiement annoncé se confirme dans des conditions comparables, il pourrait constituer un avantage important pour les organisations limitées par leur matériel ou attachées à un hébergement interne. Mais la validation devra passer par des tests documentés, menés sur des cas d’usage réels et avec des critères qui ne se limitent pas à la puissance de calcul.

Pour Cohere, le défi sera de démontrer que son efficacité matérielle s’accompagne d’une qualité suffisante dans les tâches qui comptent pour ses clients : compréhension de documents, assistance aux développeurs, travail multilingue et personnalisation métier. Pour les entreprises, le bon réflexe reste d’évaluer simultanément la performance, le coût, la sécurité et la capacité d’intégration. C’est à cette condition qu’un modèle d’IA devient un véritable outil de production, plutôt qu’une simple démonstration technologique.