Évolution des LLM 2023-2026 : ce qui a vraiment changé

De la démo impressionnante au composant d'architecture

En 2023, beaucoup d'équipes découvrent les LLM par un effet "waouh". Le 14 mars 2023, OpenAI publie GPT-4 et le marché retient surtout un saut de qualité évident sur les tâches complexes. À ce moment-là, la conversation ressemble encore à ceci : "quel modèle répond le mieux ?"

Trois ans plus tard, au 25 mars 2026, cette question ne suffit plus. Dans un produit réel, un LLM n'est pas jugé sur un benchmark isolé ou sur une belle démo. Il est jugé sur sa place dans une chaîne plus large :

• sait-il suivre des instructions sans partir en roue libre ?
• tient-il un historique long sans se contredire ?
• appelle-t-il des outils proprement ?
• supporte-t-il du texte, des images, parfois de l'audio ou du navigateur ?
• et surtout, coûte-t-il raisonnablement sa place en production ?

Le changement clé est là : on est passé d'un "cerveau conversationnel" à une brique d'orchestration. Le choix d'un modèle est désormais inséparable d'un sujet d'architecture, de RAG et d'agents. Pour la suite, voyez aussi notre lecture des meilleurs modèles par cas d'usage.

2023-2024 : le marché découvre que "mieux répondre" ne suffit pas

Le premier cycle, entre mars 2023 et fin 2024, a surtout clarifié les attentes.

Le 14 mars 2023, GPT-4 crédibilise l'idée qu'un modèle généraliste peut assister des usages métier sérieux. Mais la réalité opérationnelle reste encore rugueuse : coût élevé, latence, fenêtres de contexte plus limitées, peu de briques standardisées pour connecter les outils et gouverner les sorties.

Le 13 mai 2024, OpenAI annonce GPT-4o. Le message n'est plus seulement "plus intelligent" ; il devient "plus naturel, plus rapide, plus multimodal". Ce glissement est important. Le marché comprend qu'un modèle utile n'est pas uniquement un meilleur rédacteur. C'est un modèle qui peut travailler avec de l'image, de l'audio, de la recherche, des interfaces et des contextes plus variés.

Puis le 18 juillet 2024, GPT-4o mini officialise une autre réalité : l'entreprise n'a pas toujours besoin d'un modèle premium. Il faut des versions petites, moins coûteuses, bonnes en function calling, capables d'absorber du volume. En parallèle, d'autres fournisseurs structurent aussi leur gamme :

• Anthropic renforce sa logique de familles distinctes, avec des compromis explicites entre Opus, Sonnet et Haiku.
• Google pousse Gemini vers plus de multimodalité native et plus de grounding.
• Meta fait monter la pression sur l'open-weight.
• Mistral installe un vocabulaire plus "stack produit", notamment autour des agents, des outils et des variantes open/premier.

Le 12 septembre 2024, OpenAI introduit o1-preview et o1-mini. Le marché distingue alors plus clairement les modèles "conversationnels généralistes" des modèles de reasoning. On arrête de demander la même chose à un chat rapide et à un modèle censé raisonner longtemps.

2025 : le grand tri entre familles de modèles

L'année 2025 ne change pas seulement la qualité ; elle change la manière de segmenter les catalogues.

Le 27 février 2025, OpenAI présente GPT-4.5 comme une research preview plus naturelle et plus large en connaissances, sans le positionner comme un champion du raisonnement explicite. Le 14 avril 2025, la famille GPT-4.1 / mini / nano arrive avec un message très net : meilleure instruction following, meilleure tenue du long contexte, et jusqu'à 1 million de tokens de contexte.

Chez Meta, le 5 avril 2025, Llama 4 Scout et Llama 4 Maverick poussent une idée forte : l'open-weight n'est plus réservé aux équipes qui acceptent un fort compromis qualité. Avec de la multimodalité native et, pour Scout, un contexte annoncé à 10 millions de tokens, Meta met la pression sur les scénarios de souveraineté et d'optimisation d'infrastructure.

Le 5 août 2025, OpenAI publie gpt-oss-120b et gpt-oss-20b, deux modèles open-weight orientés raisonnement. Ce point compte parce qu'il montre qu'en 2025 le marché n'oppose déjà plus proprement "open" et "frontier".

Enfin, le 7 août 2025, OpenAI introduit GPT-5 comme un système unifié avec routage entre réponse rapide et pensée plus longue. C'est probablement l'un des vrais changements structurants du cycle 2023-2026 : le modèle n'est plus forcément une entité unique. Il devient une politique de routage entre plusieurs comportements.

2026 : les modèles deviennent des catalogues gouvernables

Au 25 mars 2026, ce qui saute aux yeux n'est pas seulement le niveau des meilleurs modèles. C'est la maturité du catalogue.

OpenAI affiche désormais une famille GPT-5.4 avec des variantes pro, mini et nano. Anthropic documente des modèles récents comme Claude Opus 4.6, Claude Sonnet 4.6 et Claude Haiku 4.5 avec des compromis clairs. Google structure Gemini 3 entre Gemini 3.1 Pro Preview, Gemini 3 Flash Preview et Gemini 3.1 Flash-Lite Preview. Mistral, enfin, distingue plus nettement ses modèles open-weight, ses modèles premier et ses modèles spécialisés agents/code.

Cette maturité s'accompagne de trois évolutions très concrètes.

1. Le long contexte n'est plus un argument marketing isolé

Le 1 million de tokens devient un palier courant sur plusieurs familles premium. Mais cela ne veut pas dire qu'il faut tout injecter. En pratique, les équipes sérieuses utilisent ce contexte long pour :

• réduire le découpage artificiel de documents,
• garder l'historique utile plus longtemps,
• limiter certaines pertes d'information entre retrieval et génération,
• ou alimenter des workflows agents plus riches.

2. Le tool calling est devenu un critère de premier rang

En 2023, beaucoup de projets se résumaient à "question-réponse". En 2026, un modèle entreprise doit souvent savoir :

• appeler un outil avec un schéma propre,
• exploiter un résultat structuré,
• passer à l'étape suivante sans casser le flux,
• et demander une précision quand les paramètres sont incomplets.

Autrement dit, la conversation seule ne suffit plus. C'est exactement le terrain des agents IA et de leur runtime.

3. Le portefeuille de tailles devient stratégique

Mini, nano, flash, lite, haiku : ces suffixes ne sont pas décoratifs. Ils traduisent un apprentissage industriel simple. La plupart des entreprises n'ont pas besoin d'un modèle premium sur 100 % des requêtes. Elles ont besoin d'un mix :

• petit modèle pour le volume,
• modèle intermédiaire pour le standard,
• modèle haut de gamme pour les cas ambigus, documentaires ou outillés.

Ce qui a vraiment changé pour un acheteur B2B

Vu côté Webotit, le vrai changement n'est donc pas "les modèles sont meilleurs". C'est que la méthode d'achat a changé. En 2023, une direction innovation pouvait encore acheter une capacité de démonstration. En 2026, une direction produit ou relation client doit acheter un contrat d'exploitation :

• une qualité de réponse,
• une qualité d'action,
• une latence cible,
• un coût par tâche résolue,
• une posture de gouvernance,
• et une trajectoire de mise à jour acceptable.

Cela change la manière de benchmarker. On ne teste plus seulement des prompts. On teste :

• des cas d'usage complets,
• des architectures multi-modèles,
• des scénarios RAG,
• des appels outils,
• des garde-fous,
• et des règles d'escalade humaine.

Si votre enjeu porte sur l'arbitrage de déploiement, lisez ensuite open source vs commercial en 2026. Si votre enjeu porte sur un fournisseur précis, notre lecture de la trajectoire OpenAI permet de voir comment cette segmentation s'est construite.

La leçon utile pour 2026

La période 2023-2026 a surtout remplacé une illusion par une discipline.

L'illusion, c'était de croire qu'un modèle puissant allait mécaniquement résoudre un parcours client, un support interne ou un workflow métier.

La discipline, c'est d'accepter que la performance vient d'un ensemble :

• modèle,
• orchestration,
• retrieval,
• politiques d'usage,
• observabilité,
• et arbitrages coût/latence/gouvernance.

La bonne question n'est donc plus : "quel est le meilleur LLM ?"

La bonne question est :

"Quelle combinaison de modèles et de garde-fous nous donne le meilleur service réel sur nos cas, à date du 25 mars 2026 ?"

Et c'est une bien meilleure question, parce qu'elle mène à un produit exploitable.

Pourquoi les benchmarks seuls ne suffisent plus

Une autre évolution majeure entre 2023 et 2026 est la place prise par les benchmarks dans la discussion. En 2023, ils servaient encore à crédibiliser l'idée même qu'un LLM pouvait être utile. En 2026, ils ne suffisent plus à décider.

Pourquoi ? Parce qu'un bon score ne dit pas, à lui seul :

• combien coûte la tâche complète ;
• si le modèle appelle correctement des outils ;
• si le routage vers mini, nano ou premium est possible ;
• si la dépréciation du modèle est bien documentée ;
• ni si l'équipe saura l'exploiter dans six mois.

Autrement dit, le benchmark reste utile pour repérer un candidat fort, mais il ne remplace plus la lecture du catalogue, des prix, des limites, ni des workflows réels.

Ce que la période 2023-2026 change dans la manière d'acheter

La conséquence la plus sous-estimée du cycle récent n'est pas technique. Elle est organisationnelle. Entre GPT-4, Claude 3.7, Gemini 2.5, Mistral Small 4, Qwen3, Kimi K2.5 ou DeepSeek-V3.2, une entreprise n'achète plus “un LLM”. Elle choisit une méthode de gouvernance.

Cette méthode doit clarifier :

• quels cas vont vers le haut de gamme ;
• quels cas restent sur des modèles économiques ;
• quels usages demandent du grounding, du multimodal ou du long contexte ;
• et quel niveau de dépendance au fournisseur est acceptable.

En ce sens, la période 2023-2026 a fait mûrir le marché. Le débat n'oppose plus seulement les modèles entre eux. Il oppose des stratégies de portefeuille.

FAQ

Questions frequentes

Le principal changement entre 2023 et 2026 est-il la qualité brute ?+

Non. La qualité a progressé, mais le changement le plus utile pour l'entreprise est l'industrialisation : modèles multimodaux, longues fenêtres de contexte, tool calling standardisé, gammes mini/nano/open-weight et catalogues plus lisibles.

Pourquoi parle-t-on autant de routage de modèles en 2026 ?+

Parce qu'un seul modèle premium partout est rarement optimal. Les équipes cherchent désormais à router les requêtes entre plusieurs classes de modèles selon la difficulté, la latence cible, le coût admissible et le besoin d'outils.

Le long contexte rend-il le RAG obsolète ?+

Non. Un contexte plus long aide, mais il ne remplace ni la sélection de bonnes sources ni la gouvernance documentaire. Injecter davantage de tokens n'est pas la même chose que récupérer les bons passages au bon moment.

Open-weight veut-il dire plus simple à gouverner ?+

Pas automatiquement. L'open-weight donne plus de contrôle, mais il transfère aussi plus de responsabilités à l'équipe qui déploie : infrastructure, sécurité, observabilité, patching et coûts cachés.

Sources et references

1. [1]OpenAI, "GPT-4", 14 mars 2023.
2. [2]OpenAI, "Hello GPT-4o", 13 mai 2024.
3. [3]OpenAI Help Center, "Model Release Notes", consulté le 25 mars 2026.
4. [4]OpenAI, "Introducing GPT-4.5", 27 février 2025.
5. [5]OpenAI, "Introducing GPT-4.1 in the API", 14 avril 2025.
6. [6]Meta, "The Llama 4 herd", 5 avril 2025.
7. [7]OpenAI, "Introducing GPT-5", 7 août 2025.
8. [8]OpenAI Developers, "All models" et "Pricing", consultés le 25 mars 2026. https://developers.openai.com/api/docs/models/all et
9. [9]Anthropic, "Models overview", consulté le 25 mars 2026.
10. [10]Google AI, "Gemini models" et "Gemini pricing", consultés le 25 mars 2026. https://ai.google.dev/gemini-api/docs/models et
11. [11]Mistral AI, "Models", consulté le 25 mars 2026.