Hugging Face décrypté : le GitHub de l’IA

Le 3 septembre 2026, Nvidia a annoncé le rachat de Hugging Face pour 12,93 milliards de dollars. C’est la plus grosse acquisition de son histoire, et elle porte sur une entreprise qui ne vend presque rien au grand public. Nvidia achète en réalité la place où se croisent les modèles ouverts, ceux qui les fabriquent et ceux qui les utilisent. Pour comprendre ce montant, il faut comprendre ce qu’est devenue la plateforme.

Cette position centrale découle d’un pari pris en 2018 par trois Français, Clément Delangue, Julien Chaumond et Thomas Wolf. Ils ont réorienté leur startup de chatbot vers une ambition plus large : devenir l’infrastructure partagée de l’IA ouverte. Si vous travaillez aujourd’hui sur des modèles de langage, des datasets, des démonstrations ou des prototypes, vous finissez très souvent par croiser Hugging Face. Si vous découvrez la plateforme, le guide pour débuter sur Hugging Face vous donne une méthode pour vos premiers tests.

D’un chatbot pour ados à l’infrastructure de l’IA mondiale

Hugging Face naît en 2016 à New York, fondée par trois entrepreneurs français. Clément Delangue prend la direction générale, Julien Chaumond la direction technique, et Thomas Wolf devient la figure scientifique de l’équipe. Leur première idée tient d’une application grand public : un chatbot conversationnel pour adolescents, avec une personnalité amicale.

Le virage arrive en 2018. En marge du produit principal, l’équipe développe une bibliothèque Python, Transformers, qui permet d’utiliser en quelques lignes de code les modèles de langage de pointe de l’époque, comme BERT ou GPT-2. Ces modèles demandaient jusque-là un gros travail d’implémentation. La bibliothèque rencontre un succès immédiat chez les chercheurs, et les fondateurs comprennent qu’ils tiennent quelque chose de plus important que leur chatbot.

La suite va vite. Le Hub devient un dépôt central où chercheurs, entreprises et communautés publient leurs modèles et leurs datasets, sur le modèle de Git. En 2021, Hugging Face lance le projet de recherche BigScience, un consortium international qui produit en 2022 BLOOM, l’un des premiers grands modèles de langage multilingues ouverts. En 2023, une levée de 235 millions de dollars valorise l’entreprise à 4,5 milliards, avec Google, Amazon, Nvidia, Salesforce, Intel et IBM parmi les investisseurs.

Deux rachats élargissent ensuite son terrain. En avril 2025, Hugging Face achète la société bordelaise Pollen Robotics, qui fabrique le robot Reachy 2. Le 20 février 2026, l’équipe de ggml, à l’origine de llama.cpp, rejoint à son tour l’entreprise. Ce moteur fait tourner les modèles de langage sur un ordinateur personnel, et il sert de base à de nombreux logiciels d’IA locale. Hugging Face ne se contente donc plus d’héberger les modèles : elle se rapproche aussi de leur exécution.

Les briques de la plateforme

Hugging Face réunit plusieurs briques qui se répondent. Les modèles, les datasets et les Spaces forment le socle historique. Les services d’inférence, les Kernels et la robotique s’y sont ajoutés.

Models : le cœur du Hub

Le répertoire de modèles a fait la notoriété de la plateforme. On y trouve toutes les grandes familles ouvertes, comme Llama, Mistral, Qwen, DeepSeek, Gemma ou les modèles Nemotron de Nvidia, ainsi que des centaines de milliers de variantes créées par la communauté. La seule famille Qwen compte plus de 113 000 modèles dérivés. Chaque modèle peut s’accompagner d’une model card, une fiche qui documente l’architecture, les usages recommandés, les performances, les limites connues, les biais éventuels et la licence.

Les modèles se téléchargent depuis l’interface web, par la ligne de commande de Hugging Face ou directement depuis du code Python. Un même modèle peut ainsi être découvert par un débutant dans le navigateur, testé dans un Space, téléchargé par un développeur, puis intégré dans un produit. Le deuxième volet de la série, le Hub de modèles, détaille cette démarche.

Datasets : la matière première

Hugging Face héberge plus de 500 000 datasets publics : textes, images, sons, vidéos, données scientifiques, benchmarks et corpus multilingues. La bibliothèque datasets les charge en quelques lignes de code, et un mode de lecture en continu évite de tout télécharger quand les fichiers sont trop lourds. Une visionneuse permet aussi de parcourir les données directement dans le navigateur.

Ce pilier compte autant que les modèles, car un modèle dépend des données qui l’ont formé. Pour entraîner, évaluer, comparer ou spécialiser un modèle, il faut des jeux de données bien structurés. Le troisième volet, les Datasets, montre comment les trouver et les préparer.

Spaces : des démonstrations en un clic

Les Spaces sont des petites applications web hébergées sur Hugging Face, et on en compte plus d’un million. Ils permettent de tester un modèle ou un prototype dans le navigateur, sans rien installer. La plupart reposent sur Gradio, une bibliothèque Python rachetée par Hugging Face en 2021, ou sur Docker. Beaucoup tournent sur ZeroGPU, un système qui prête gratuitement une carte graphique Nvidia le temps d’un calcul, dans la limite d’un quota quotidien.

Pour un non-développeur, c’est la meilleure porte d’entrée. Un Space peut générer une image, transcrire un fichier audio, résumer un texte, supprimer un arrière-plan ou comparer deux modèles. Pour une startup ou un chercheur, c’est aussi un moyen rapide de rendre un projet testable par tous.

Inference Providers et Endpoints : passer du test à l’usage réel

Utiliser un modèle dans un produit ou une application demande autre chose qu’une démonstration. Hugging Face propose pour cela deux services. Les Inference Providers donnent accès, avec un seul compte et une seule facture, à des modèles hébergés par des fournisseurs partenaires comme Groq, Together AI ou Fireworks. Les Inference Endpoints déploient un modèle sur une machine dédiée, gérée par Hugging Face, sans que vous ayez à administrer les serveurs.

Concrètement, vous choisissez un modèle et une taille de machine, puis vous obtenez une adresse que votre application peut appeler. Un Endpoint démarre à 0,033 dollar de l’heure sur processeur et atteint 4,50 dollars de l’heure sur une carte Nvidia H100. On entre alors dans la production, avec la surveillance, la montée en charge et la facturation à l’usage.

Kernels : le nouvel étage technique

Le 9 avril 2026, Hugging Face a fait des Kernels un type de dépôt à part entière sur le Hub, au même rang que les modèles, les datasets et les Spaces. Un kernel est une brique de calcul optimisée pour une carte graphique, qui accélère certaines opérations pendant l’entraînement ou l’utilisation d’un modèle. Chaque page indique les processeurs graphiques et les versions compatibles. Depuis juillet 2026, seuls les kernels d’éditeurs reconnus se chargent par défaut, et chaque kernel est signé pour empêcher la diffusion de code malveillant.

Pour un débutant, cette couche paraît lointaine. Elle montre pourtant que Hugging Face descend peu à peu dans la pile technique, jusqu’aux composants qui accélèrent l’exécution des modèles.

Robotique : LeRobot et Reachy

Hugging Face développe aussi LeRobot, une bibliothèque ouverte pour entraîner des robots à partir de démonstrations. Avec Pollen Robotics, l’entreprise vend du matériel, du robot humanoïde Reachy 2, destiné aux laboratoires, au petit robot de bureau Reachy Mini, vendu à partir de 399 dollars. Cette branche pèse déjà sur le Hub : les datasets de robotique sont passés de 1 145 en 2024 à près de 27 000 en 2025, et ils forment désormais la plus grande catégorie de jeux de données. Notre article sur les robots humanoïdes replace ces projets dans le paysage.

Comment Hugging Face gagne de l’argent

La plateforme applique un modèle freemium. L’accès public au Hub reste gratuit, tandis que les utilisateurs avancés, les équipes et les entreprises paient pour du stockage, du contrôle, de la sécurité et de la puissance de calcul.

Offre	Tarif	Public cible
Gratuit	0 $	Découverte du Hub, modèles et datasets publics, 5 minutes de ZeroGPU par jour, 0,10 $ de crédits d’inférence par mois
PRO	9 $/mois	Utilisateur individuel avancé : dix fois plus de stockage privé, 2 $ de crédits d’inférence par mois, 40 minutes de ZeroGPU par jour avec priorité
Team	20 $/utilisateur/mois	Équipes qui veulent collaborer avec connexion unique (SSO), contrôle des accès, journaux d’audit et choix de la région de stockage
Enterprise	50 $/utilisateur/mois	Organisations qui ont besoin des limites les plus hautes, d’une sécurité avancée, d’un support dédié et d’une facturation annuelle

S’ajoutent les usages facturés à la consommation : Inference Providers, Inference Endpoints, Spaces avec carte graphique dédiée, stockage supplémentaire et tâches de calcul. Le principe reste simple : découvrir et expérimenter coûte peu ou rien, alors que la production, les gros volumes et les garanties d’entreprise se paient.

Pendant longtemps, l’essentiel du chiffre d’affaires est venu des grands comptes, avec des versions privées et gérées de la plateforme. Les revenus ont nettement accéléré en 2026. Hugging Face a atteint 150 millions de dollars de revenu annualisé en août 2026, contre environ 100 millions deux mois plus tôt et 81 millions fin 2025, selon The Information et le cabinet Sacra. D’après TechCrunch, l’entreprise approchait alors de la rentabilité. Plus de 30 % des entreprises du classement Fortune 500 ont un compte vérifié sur la plateforme, et 200 000 entreprises l’utilisent.

Le rachat par Nvidia : ce qui est signé et ce qui reste à venir

Les premières informations sur des négociations ont circulé fin août 2026. Nvidia a signé l’accord le 2 septembre et l’a annoncé le lendemain. Le montant se décompose en deux parts : environ 11,9 milliards de dollars pour les actionnaires de Hugging Face, et jusqu’à 1 milliard de dollars de programme de fidélisation en actions pour les salariés. Selon CNBC, c’est Clément Delangue qui a pris contact avec Jensen Huang, quelques semaines avant l’accord.

L’opération n’est pas encore finalisée. Elle doit obtenir les autorisations des autorités de la concurrence, notamment aux États-Unis et dans l’Union européenne, et Nvidia prévoit de la boucler au premier semestre 2027. Le contexte appelle la prudence : Nvidia fait déjà l’objet d’enquêtes pour sa position dominante sur les puces d’IA, et le groupe avait renoncé en 2022 au rachat d’Arm face à l’opposition des régulateurs.

Pour Nvidia, la logique est claire. Le groupe était déjà le premier contributeur du Hub, avec plus de 500 modèles et 250 datasets publiés. Plus l’IA ouverte se diffuse, plus les entreprises entraînent et font tourner des modèles, et plus elles achètent de cartes graphiques. Avec Hugging Face, Nvidia met aussi la main sur l’équipe de llama.cpp et sur un service de location de calcul déjà en place.

Jensen Huang a pris des engagements publics. La plateforme doit rester ouverte, les développeurs resteront libres de choisir leurs modèles, leurs outils, leur cloud et leur matériel, et les modèles de tous les éditeurs, y compris chinois, resteront accessibles. La marque et sa mascotte sont conservées. Plusieurs analystes soulignent pourtant qu’un même groupe contrôlera à la fois la principale vitrine des modèles ouverts et les puces qui les font tourner. Les concurrents de Nvidia, comme AMD, surveillent de près la neutralité promise. En France, l’opération relance aussi le débat sur la souveraineté, puisqu’une plateforme fondée par des Français passe sous contrôle d’un géant américain.

Concurrents et positionnement

Hugging Face n’a pas d’équivalent exact. La plateforme mélange catalogue, dépôt adapté aux gros fichiers, documentation, communauté, démonstrations interactives, accès à l’inférence et services pour entreprises. Ses concurrents l’affrontent plutôt sur une partie de ce périmètre.

La vraie concurrence stratégique vient des grands clouds. AWS, Google et Microsoft proposent tous leur catalogue de modèles et leurs services de déploiement. Leur force tient à l’intégration dans une infrastructure que l’entreprise utilise déjà, et leur limite à la dépendance qu’ils créent. Hugging Face a bâti sa place sur une position neutre, entre tous les clouds et tous les fabricants de puces. C’est précisément cette neutralité que le rachat par Nvidia met à l’épreuve.

Les tendances qui renforcent son rôle

Le rapport « State of Open Source on Hugging Face », publié par la plateforme en mars 2026, fait ressortir trois évolutions.

L’open source chinois a pris la tête. En 2025, les modèles chinois ont représenté 41 % des téléchargements sur le Hub, devant les modèles américains. Qwen, DeepSeek, Kimi ou MiniCPM montrent que l’innovation ouverte ne vient plus seulement des États-Unis, et DeepSeek-R1 est devenu le modèle le plus apprécié de la plateforme.

Les indépendants pèsent désormais autant que les entreprises. Les développeurs sans affiliation représentent 39 % des téléchargements en 2025, contre 17 % avant 2022. Dans le même temps, la part des entreprises est tombée d’environ 70 % à 37 %.

L’IA locale s’appuie sur le Hub. Ollama, LM Studio, Jan et la plupart des outils d’IA locale vont chercher leurs modèles sur Hugging Face. Le format GGUF, créé pour llama.cpp, s’est imposé pour les modèles compressés qui tournent sur un ordinateur personnel. Si vous faites tourner une IA sur votre machine, Hugging Face fait probablement déjà partie de la chaîne, même si vous n’avez jamais ouvert le site.

Les limites à connaître

La plateforme a aussi de vrais défauts.

• Découvrabilité — Avec plus de 3 millions de modèles, trouver le bon demande une méthode. Les filtres par tâche, langue, licence, taille et popularité aident, mais la qualité des model cards varie beaucoup.
• Sécurité — Les anciens fichiers au format pickle peuvent exécuter du code au chargement. Hugging Face analyse les fichiers déposés et recommande le format safetensors, mais la plateforme reconnaît que ce contrôle n’est pas infaillible.
• Souveraineté — Hugging Face est une entreprise américaine, bientôt filiale de Nvidia si le rachat aboutit. Pour les organisations européennes attentives au RGPD, il faut vérifier la région de stockage des données, les options de déploiement privé et les fournisseurs d’inférence utilisés.
• Documentation inégale — La documentation officielle est vaste, mais l’écosystème bouge vite. Les services d’inférence, les tâches de calcul, les Kernels ou les options d’entreprise demandent encore un vrai effort de lecture.

À qui s’adresse Hugging Face

La suite de la série

Cet article pose les bases. Le deuxième volet plonge dans le Hub de modèles : recherche avancée, lecture d’une model card, formats safetensors, GGUF ou ONNX, test dans le navigateur et téléchargement. Le troisième traite des datasets : trouver un jeu de données, le charger, préparer ses propres exemples et les publier.

Si vous n’avez encore jamais utilisé la plateforme, commencez plutôt par le guide pour débuter sur Hugging Face, qui vous fait tester vos premiers Spaces en dix minutes.