L'IA « open source » n'est pas le web « ouvert » de 1993, et la confusion n'est pas accidentelle

Au printemps 1993, deux systèmes se disputaient l’avenir d’internet. Le premier s’appelait Gopher : arborescence simple, navigation intuitive, déjà déployé sur des milliers de serveurs universitaires dans le monde entier. Le second s’appelait le World Wide Web : plus complexe, plus jeune et sans doute moins mature, porté par un ingénieur du CERN qui s’appelait Tim Berners-Lee et qui n’avait convaincu qu’une poignée d’institutions.

Le 17 février 1993, l’Université du Minnesota diffusait un message sur la liste de diffusion comp.infosystems.gopher, signé par Mark P. McCahill, concepteur en chef du protocole. Le message formalisait une nouvelle politique : gratuité maintenue pour les universités et organisations à but non lucratif, mais licence payante (quelques centaines de dollars) pour tout usage commercial du serveur de référence. La décision semblait plutôt modeste dans ses ambitions, mais, contre toutes attentes, elle provoqua un tollé immédiat.

Le CERN répondit deux mois plus tard. Le 30 avril 1993, ses directeurs signaient un document plaçant l’intégralité du code source du World Wide Web dans le domaine public, sans brevet, sans licence, sans contrepartie d’aucune sorte. Le document original est toujours consultable sur le site du CERN.

La suite appartient à l’histoire.

Ce que cette histoire enseigne est souvent mal interprété. On y voit de l’altruisme : Berners-Lee faisant cadeau de son invention à l’humanité. C’est vrai, mais incomplet. Ce que cette décision révèle précisément, c’est qu’à conditions comparables, un protocole sans licence restrictive supplante un protocole avec licence, et que la décision du CERN était autant un calcul d’adoption qu’un acte de générosité. L’universalité du web est une conséquence, pas un objectif planifié.

Trente ans plus tard, ce récit, aux côtés de celui de la création de Linux ou LibreOffice est encore convoqué dans les débats sur l’intelligence artificielle “open source”. Le raisonnement semble évident : si le web a prospéré parce qu’il était libre, l’IA prospérera elle aussi si on la libère. Llama, Mistral, DeepSeek, Whisper… voilà les héritiers de Berners-Lee. Voilà l’alternative aux géants propriétaires. Voilà, peut-être, la sortie de la dépendance que tout le monde sent venir sans savoir comment s’y soustraire réellement.

Ce raisonnement mérite d’être examiné sérieusement, parce qu’il repose sur une analogie en partie faussée. Et parce que la confusion qu’il entretient a des conséquences pratiques directes sur les décisions d’architecture que vous prenez aujourd’hui.

Ce que Berners-Lee a réellement libéré

HTTP, HTML, URL. Trois spécifications techniques, c’est-à-dire des règles décrivant comment des serveurs peuvent s’identifier, se parler et s’échanger du contenu. Pas un service. Pas une infrastructure. Pas des données. Des conventions.

Le coût marginal de reproduction d’une convention est nul. N’importe quel ingénieur, dans n’importe quelle organisation, peut lire ces spécifications, les implémenter, et faire tourner un serveur web sur sa propre machine sans demander la permission à quiconque et sans budget supplémentaire. Ce que le CERN a libéré en 1993 ne nécessitait pas les ressources du CERN pour exister ailleurs.

Cette propriété (coût marginal de reproduction nul, c’est-à-dire que reproduire la convention ne coûte rien) est la condition qui rend possible l’universalité d’un standard. Sans elle, la “libération” d’une technologie reste nominale : on peut théoriquement y accéder, mais on ne peut pas la reproduire sans les ressources de celui qui la détient.

LibreOffice illustre ce que “vraiment libre” signifie dans le domaine logiciel classique. La suite développée par The Document Foundation est substituable à Microsoft Office sur les fonctions courantes, déployable sans licence, modifiable par toute organisation qui en a les compétences. La dépendance contractuelle à un éditeur est nulle, pas seulement réduite, véritablement nulle. Si Microsoft disparaissait demain, LibreOffice continuerait à fonctionner exactement de la même façon.

Ce n’est pas un hasard si LibreOffice traite du texte, des tableurs et des présentations, des formats dont la logique est entièrement spécifiable, reproductible, vérifiable. Un document LibreOffice produit le même résultat sur toutes les machines qui font tourner le même code. C’est un logiciel déterministe : même entrée, même sortie, à l’identique.

L’intelligence artificielle n’est pas un logiciel déterministe. C’est le premier écart structurel avec l’analogie, et il conditionne tous les suivants.

Ouvert, gratuit, libre et reproductible : quatre propriétés qui ne se confondent pas

Le discours sur l’IA “open source” amalgame des propriétés qui sont en réalité indépendantes les unes des autres.

Ouvert signifie que le code source ou les poids du modèle sont accessibles et téléchargeables. C’est une propriété technique, vérifiable, binaire.

Gratuit signifie qu’aucune licence n’est à acquérir pour utiliser le modèle. C’est une propriété commerciale, révisable à tout moment par l’éditeur, d’ailleurs.

Libre signifie sans dépendance, sans dette cachée, substituable à volonté, ce que LibreOffice illustre concrètement. C’est une propriété structurelle, la plus difficile à atteindre.

Reproductible signifie que n’importe quelle organisation peut recréer le modèle de zéro à partir des éléments publiés : code, données d’entraînement, paramètres d’optimisation. C’est la condition que l’Open Source Initiative a formalisée dans son Open Source AI Definition (OSAID) : un modèle véritablement open source doit permettre la réplication complète de l’entraînement par un tiers.

Le logiciel libre au sens de Richard Stallman exige les quatre simultanément. Aucun des modèles présentés comme “open source” par les grands acteurs du marché ne les satisfait toutes.

Ce que les licences disent exactement

Meta — Llama 4. Meta n’utilise pas de licence libre standard mais sa propre “Llama 4 Community License”. Pour un DSI français, la clause la plus significative concerne les modèles multimodaux : la licence interdit formellement leur utilisation aux entités et citoyens résidant dans l’Union européenne. Le texte est explicite : « the rights granted under Section 1(a) of the Llama Community License Agreement are not being granted to you if you are an individual domiciled in, or a company with a principal place of business in, the European Union. » Les modèles texte pur ne sont pas concernés. La licence interdit par ailleurs d’utiliser les sorties du modèle pour entraîner un concurrent non dérivé, et impose un accord commercial avec Meta au-delà de 700 millions d’utilisateurs actifs mensuels.

Pour un DSI qui considère les modèles Llama multimodaux comme une voie vers la souveraineté numérique, la restriction géographique mérite d’être prise en compte avant toute décision d’architecture.

Mistral AI. La société française pratique une stratégie à deux vitesses distinctes, assez courante dans le monde du logiciel. Ses modèles historiques et compacts (Mistral 7B, Mixtral 8x7B) sont publiés sous licence Apache 2.0 standard, une véritable licence open source, avec usage commercial intégralement libre, sans royalties ni seuils. Ses modèles compétitifs (Mistral Large, Mistral Large 2) relèvent en revanche de la Mistral AI Research License : qui permet un usage académique et non commercial uniquement pour les poids bruts, et requiert un contrat commercial pour tout déploiement en production. Certains modèles plus récents utilisent une licence personnalisée ajoutant une clause de chiffre d’affaires au-delà de 20 millions de dollars mensuels — mais cette clause figure dans une licence spécifique, pas dans Apache 2.0 qui ne peut structurellement pas en contenir. L’open source était la stratégie d’entrée. Les modèles compétitifs sont derrière une API.

DeepSeek — V3, R1. DeepSeek a publié ses modèles majeurs sous licence MIT, la plus permissive du monde informatique. Usage commercial illimité, aucun seuil, distillation et entraînement croisé explicitement autorisés. Sur le plan de la liberté juridique d’usage, DeepSeek distance nettement Meta et Mistral.

Mais une licence MIT sur les poids ne fait pas un modèle open source au sens de l’OSI. Le rapport technique officiel (arXiv 2412.19437) déclare un coût de pré-entraînement de 5,576 millions de dollars sur 2 048 GPU Nvidia H800, un chiffre qui correspond uniquement au calcul brut du pré-entraînement final réussi, et exclut l’amortissement matériel, les entraînements préliminaires, les salaires et les coûts de données. Les données d’entraînement elles-mêmes ne sont pas publiées. Le pipeline complet n’est donc pas du tout reproductible par un tiers.

Et les poids ont été ajustés par RLHF ¹ pour refuser ou adapter les réponses aux questions sur la place Tiananmen, Taïwan, le Xinjiang ou Xi Jinping, y compris lorsque le modèle tourne localement sur votre propre infrastructure, hors de tout serveur chinois. Les valeurs embarquées ne se débranchent pas en changeant d’hébergeur.

Des accusations documentées pèsent par ailleurs sur l’usage massif des sorties d’OpenAI et d’Anthropic pour entraîner DeepSeek (et d’autres modèles comme Qwen) par distillation ², une pratique que ces deux sociétés ont dénoncée formellement, non sans ironie, étant donné qu’elles ont elles-mêmes ingéré le web mondial sans autorisation explicite de ses auteurs.

Les modèles véritablement open source existent hors du périmètre commercial : OLMo, développé par l’Allen Institute for AI (Ai2), publie le code, les poids et l’intégralité du dataset Dolma (plus de 3 000 milliards de tokens, licence ODC-BY). Pythia, du collectif EleutherAI, offre des modèles de 70M à 12B paramètres entraînés sur The Pile, avec 154 checkpoints intermédiaires par taille de modèle. Ces projets démontrent qu’un LLM rigoureusement open source est possible, bien qu’il reste marginal face aux modèles compétitifs du marché.

Ce que les licences ne disent pas

Sur la transparence technique, Meta, Mistral et DeepSeek partagent exactement le même défaut fondamental : les données d’entraînement, les filtres appliqués, les biais acceptés ou ignorés et le processus d’alignement restent opaques. La liberté juridique d’usage ne dit rien de ce qu’un modèle a appris, de qui l’a décidé, ni selon quelles valeurs.

Cette dimension (les valeurs embarquées) est absente du débat sur les licences logicielles parce que ni Linux ni LibreOffice n’ont jamais eu à la gérer. Un kernel Linux ne prend pas de décision à votre place. Un modèle de langage, oui.

« Servos habeo, ergo AI mea habeo. » ³

C’est l’illusion la plus répandue, et la plus coûteuse si elle oriente des décisions d’architecture. Elle repose sur une confusion entre deux opérations que le même mot “IA” recouvre indistinctement.

L’inférence (faire tourner un modèle existant pour générer des réponses) est effectivement faisable on-premise avec des ressources raisonnables. C’est un avantage concret : vous maîtrisez l’infrastructure, la confidentialité des données à l’exécution, le coût marginal par appel.

L’entraînement (créer ou re-entraîner un modèle compétitif) est une opération d’une autre nature. La combinaison de deux innovations récentes illustre l’écart.

La distillation consiste à faire apprendre un modèle à partir des réponses d’un modèle plus puissant : on interroge le modèle maître sur des centaines de milliers de problèmes complexes, on capture son raisonnement, et le modèle élève s’entraîne à imiter cette démarche. Un modèle dix fois plus petit peut ainsi atteindre 85 à 90 % des capacités d’un modèle géant pour une fraction du coût.

Le Mixture of Experts (MoE) divise le réseau en sous-réseaux spécialisés dont seule une fraction est activée à chaque génération de token. Par exemple, DeepSeek-V3 totalise 671 milliards de paramètres, mais n’en active qu’environ 37 milliards par token. Résultat déclaré : 5,576 millions de dollars de coût de pré-entraînement, contre plus de 100 millions pour des modèles denses comparables, et une tarification API 90 à 95 % inférieure à GPT-4o.

Ces innovations sont réelles. Elles ont été intégrées par l’ensemble de l’écosystème, y compris les acteurs propriétaires, qui en ont bénéficié autant que les modèles ouverts. Entraîner un modèle frontier reste hors de portée de toute organisation non étatique, même à un coût réduit.

La distinction reste la même quelle que soit la licence. L’open source offre une réversibilité réelle sur la couche déploiement : vous maîtrisez l’infrastructure et la confidentialité à l’exécution. Il n’offre aucune réversibilité sur la couche modèle : qui a entraîné, sur quelles données, avec quelles valeurs. Passer de Llama à Mistral n’est pas une migration neutre, les comportements changent, les biais se substituent sans disparaître, les valeurs embarquées changent de fournisseur.

L’open source libère de la dépendance contractuelle. Il ne libère pas de la dépendance de fond.

La démonstration par les contre-exemples

Si un seul exemple avait échappé à la règle (une initiative ayant produit une IA réellement libre, compétitive et maintenue dans la durée) il figurerait ici en première place. Cependant nous devons nous contenter d’initiatives moins abouties, voire d’échecs véritables. Ils n’en sont pas moins édifiants.

Gaia-X, l’ambition sans contrainte d’usage

Annoncé conjointement par la France et l’Allemagne à partir de 2019-2020, Gaia-X devait être l’infrastructure cloud européenne souveraine, l’alternative aux hyperscalers américains, encadrée par les valeurs européennes en matière de protection des données et d’immunité juridique face aux lois extraterritoriales américaines (Cloud Act, FISA 702).

Le projet a commencé par une contradiction fondamentale. Dès 2020-2021, l’association ouvrait ses portes à AWS, Microsoft, Google, Huawei et Alibaba. Des acteurs comme OVHcloud et Scaleway, fondateurs et promoteurs de la vision souveraine initiale, ont pris leurs distances ou carrément claqué la porte, dénonçant publiquement un projet devenu, selon leurs termes, un instrument de légitimation des hyperscalers américains en Europe plutôt qu’une alternative à ceux-ci.

Derrière cette contradiction, on retrouve un schisme franco-allemand structurel. La France, portée par l’ANSSI et ses critères SecNumCloud, poussait pour une souveraineté juridique absolue, c’est-à-dire une exclusion de tout acteur soumis aux lois extraterritoriales américaines, quels que soient ses engagements contractuels. L’Allemagne, portée par ses industriels (SAP, BMW, Siemens) déjà massivement engagés auprès des hyperscalers, refusait tout protectionnisme susceptible de perturber ses marchés d’exportation. Pour Berlin, “souveraineté” signifiait contrôle des données et peu importait qui fournissait les serveurs en dessous. Ces deux définitions étaient fondamentalement irréconciliables.

Le résultat de cet impossible compromis : une association de droit belge (AISBL) juridiquement incapable de refuser l’adhésion d’acteurs opérant légalement en Europe, et dont les groupes de travail techniques ont été rapidement phagocytés par les ingénieurs et lobbyistes d’AWS et Google. Les fondateurs pensaient naïvement “réguler de l’intérieur” et imposer aux acteurs américains de se plier aux exigences européennes en échange d’un accès au marché. Dans les faits, ce sont les acteurs américains qui ont façonné les standards depuis l’intérieur.

Gaia-X existe toujours, néanmoins transformé en organisme de normalisation et d’échange de données interentreprises (ce que l’association nomme sa “Saison 2.0”). Il produit un Trust Framework, des labels de conformité, un système d’identité décentralisée. Son application la plus concrète est Catena-X dans l’automobile : BMW, Volkswagen, Renault et leurs sous-traitants l’utilisent pour tracer l’empreinte carbone et l’origine des pièces le long de la chaîne logistique. C’est utile bien évidemment, mais ce n’est pas l’Airbus du cloud.

Ce que Gaia-X démontre ici va au-delà de l’absence de contrainte d’usage. Il illustre qu’une ambition de souveraineté numérique ne peut pas survivre à un désaccord politique fondamental sur ce que “souveraineté” signifie, et que le format institutionnel ouvert, conçu pour favoriser l’adoption, est précisément ce qui rend impossible l’exclusion des acteurs dont l’influence devait être limitée.

BLOOM, la démonstration par l’honnêteté

De mai 2021 à juillet 2022, plus de mille chercheurs issus de 250 institutions dans 60 pays collaboraient au projet BigScience, porté par HuggingFace. L’objectif était très clair : produire un grand modèle de langage véritablement ouvert. BLOOM, 176 milliards de paramètres, multilingue (46 langues et 13 langages de programmation), a été entraîné sur Jean Zay, le supercalculateur national de l’IDRIS/GENCI, pendant 3,5 mois sur 384 GPU A100 et publié en juillet 2022 sous licence RAIL.

BLOOM est le contre-exemple le plus honnête disponible : le projet qui a le plus rigoureusement respecté les critères du vrai open source : gouvernance collective, données publiques, compute public, modèle reproductible. Et pourtant, il a été marginalisé dès la sortie de Llama en février 2023.

Ce que BLOOM démontre n’est pas un échec de gouvernance : c’est une limite structurelle. Maintenir un modèle compétitif exige un compute continu que ni HuggingFace ni aucun collectif de recherche ne peut financer sans engagement institutionnel permanent. BLOOM a eu Jean Zay pendant 3,5 mois. Il lui aurait fallu Jean Zay en permanence.

Le CERN n’a pas construit ses collisionneurs, le PS, le SPS, le LEP et enfin le LHC, pour les éteindre un mois plus tard. Il les a fait tourner, les a maintenus en état, mis à niveau, depuis 1954, avec actuellement un budget annuel d’environ un milliard d’euros contribué par 23 États membres. Aucun équivalent n’existe pour l’IA en Europe.

Un épilogue s’est ajouté depuis. Le 3 septembre 2026, Nvidia annonçait le rachat de HuggingFace pour 12,93 milliards de dollars. Jensen Huang a immanquablement promis que la plateforme resterait agnostique et qu’aucune obligation d’utiliser les puces Nvidia pour héberger ou déployer des modèles ne serait imposée. La promesse est peut-être sincère. Elle ne change pas la situation : la principale plateforme de distribution de l’IA mondiale (18 millions de développeurs, plus de 3 millions de modèles, hôte historique de BLOOM) appartient désormais au fournisseur dont le quasi-monopole sur les GPU rend précisément impossible l’autonomie computationnelle que l’open source était censé offrir. Pas par malveillance, par pure logique économique.

Mistral, la trajectoire lisible

Fondée en juin 2023, Mistral publiait dès septembre de la même année Mistral 7B sous licence Apache 2.0. En décembre, Mixtral 8x7B, également sous licence Apache 2.0. Le narratif était cohérent : un champion européen, ouvert, souverain. La levée de 105 millions d’euros en juin 2023, puis 600 millions en juin 2024 à une valorisation de 6 milliards d’euros, validait l’ambition.

La trajectoire des licences depuis lors raconte une trajectoire un peu différente. Sortie de Mistral Large, le modèle compétitif avec GPT-4, sous la Mistral AI Research License, avec usage non commercial pour les poids bruts. Puis Mistral Large 2, juillet 2024 : même régime. Le Chat (devenu Vibe en 2026 ⁴), le produit grand public : propriétaire. Les modèles Apache 2.0 d’origine sont toujours disponibles ; ils ne sont plus les modèles compétitifs de la gamme.

Pas besoin d’invoquer de la mauvaise foi de la part de l’éditeur : l’open source a été la stratégie d’adoption, comme pour de nombreux éditeurs avant eux. Elle a fonctionné. Aujourd’hui, la suite logique d’une valorisation de 6 milliards d’euros n’est pas de maintenir gratuits ses modèles les plus avancés. Ce n’est pas du cynisme, c’est de la rentabilité.

Pour un DSI qui aurait orienté son architecture en 2023 sur la promesse open source de Mistral, la situation en 2026 est précise : les modèles les plus capables sont derrière une API. La réversibilité qu’il avait, et qu’il a toujours, ne s’applique qu’aux modèles d’hier, pas à ceux dont il a besoin aujourd’hui.

Ce que ces exemples nous démontrent

La structure de l’échec n’est pas la même dans les trois cas, et c’est précisément ce qui les rend convaincants ensemble.

Gaia-X échoue par absence de contrainte d’usage réel. BLOOM échoue par absence de ressources de compute continu. Mistral ne “faillit” pas, il suit la logique d’une économie de marché.

Ce que ces contre-exemples illustrent : l’IA libre ne peut pas être une fin en soi. Sans contrainte d’usage réel pour forcer les bons arbitrages, sans financement public continu à l’échelle requise, sans modèle économique qui ne repose pas sur la valorisation par le marché, la trajectoire vers un LLM propriétaire est structurellement inévitable.

Ce que “vraiment libre” exigerait

Cette question a une réponse précise, et elle est particulièrement utile pour évaluer n’importe quelle initiative future : une IA véritablement libre nécessiterait trois conditions simultanées réunies.

Un financement public continu à l’échelle requise. Le CERN fonctionne parce que 23 États membres contribuent depuis 70 ans à un budget annuel d’environ un milliard d’euros, un engagement structurel, reconduit décennie après décennie. L’équivalent pour l’IA n’existe pas. Face aux 1 090 milliards de dollars engagés contractuellement par cinq hyperscalers américains en baux de datacenters (Microsoft, Meta, Amazon, Alphabet et Oracle, selon Reuters), le budget d’un éventuel “CERN de l’IA” atteindrait une tout autre dimension qu’en 1954.

Une gouvernance des valeurs. Le CERN n’a pas à décider quelles valeurs instille le boson de Higgs. Un “CERN de l’IA” devrait décider des données d’entraînement, des critères de filtrage, du processus d’alignement, tout ceci avec une légitimité démocratique suffisante pour que vingt-sept États membres aux histoires et aux valeurs différentes acceptent le résultat. Gaia-X a échoué précisément là : non pas sur le financement, mais sur l’incapacité à arbitrer des choix politiques se substituant aux choix techniques.

Une contrainte d’usage réel. C’est la condition la moins évidente et la plus déterminante. HTTP est universel parce que Tim Berners-Lee devait résoudre un problème concret : faire communiquer tous les physiciens de la planète. Cette contrainte a forcé des arbitrages que nul comité n’aurait produits. Un projet dont l’objectif serait de “créer une IA libre” ne dispose pas de ce type de contrainte d’usage réel.

Le précédent le plus reproductible n’est pas le CERN, ni Apache, ni Linux, ce serait plutôt le DARPA, l’agence américaine de recherche défense qui a produit ARPANET, le GPS et les fondations de l’internet en résolvant des problèmes militaires précis avec des conséquences réelles en cas d’échec. L’innovation était un sous-produit nécessaire de la contrainte.

La question pertinente pour une institution publique n’est donc pas “comment créer un CERN de l’IA” mais plutôt : au service de quel problème non-IA une telle institution produirait-elle de l’IA comme sous-produit nécessaire ? La réponse existe peut-être : le climat, la recherche médicale, la physique des particules. Mais dans ce cas, ce ne serait plus un “CERN de l’IA” : ce serait un CERN qui utiliserait l’IA, et la liberté du résultat serait une conséquence de la mission, pas son objectif.

Pourquoi la course ne s’arrêtera pas seule

Les 1 090 milliards de dollars de baux signés par Microsoft, Meta, Amazon, Alphabet et Oracle (pour des datacenters contractualisés mais pas encore opérationnels, soit 3,8 fois ce que leurs états financiers font apparaître) ne sont pas la conséquence d’une stratégie délibérée de verrouillage. Ils sont le produit d’une cascade de décisions qui paraissent toutes individuellement rationnelles.

Quand ChatGPT a déclenché la panique de novembre 2022, chaque acteur s’est retrouvé face au même dilemme : ne pas investir signifiait risquer d’être éliminé ; investir signifiait alimenter une surenchère sans plafond. C’est le dilemme du prisonnier à l’échelle industrielle : la décision rationnelle pour chaque joueur produit un résultat collectivement déraisonnable dont aucun d’eux ne voulait.

La pénurie de GPU Nvidia en 2023-2024 a aggravé la situation : pour obtenir une allocation de puces H100, il fallait signer des réservations pluriannuelles. Les baux de datacenters sont en partie la conséquence de cette contrainte d’approvisionnement. Et annoncer des investissements massifs faisait monter les cours, ce qui facilitait de nouveaux investissements, ce qui justifiait de nouvelles annonces.

Le résultat : des obligations financières légales qui courent indépendamment de l’évolution du marché. Un éditeur qui a signé des baux pour dix ans n’a pas les moyens d’offrir à ses clients une sortie facile, pas par mauvaise volonté ou cynisme, mais tout simplement parce que sa trésorerie ne le lui permet pas. Les éditeurs n’ont pas à être malhonnêtes pour que leurs intérêts divergent des vôtres, il suffit que leurs contraintes économiques soient différentes.

Le parallèle avec la course aux armements nucléaires n’est pas que rhétorique, c’est une analogie structurelle. Chaque puissance s’est retrouvée dans la même situation : ne pas développer la bombe signifiait être dominé ; la développer signifiait alimenter une course sans fin. Les arsenaux ont largement dépassé la capacité de destruction nécessaire, exactement comme les engagements de puissances de calcul dépassent les usages actuellement démontrés de l’IA.

Deux différences méritent d’être précisées. La course nucléaire était inter-étatique, encadrée par des traités imparfaits mais existants. La course IA est principalement entre acteurs privés, sans équivalent du TNP. Et la bombe était conçue pour ne jamais être utilisée. Au contraire, l’IA est conçue pour être utilisée massivement et immédiatement, ses effets se produisent durant la course, pas seulement si elle dégénère.

Ce que la course nucléaire enseigne sur sa résolution : la limitation des arsenaux n’est pas venue de la bonne volonté des États, ni de la pression des marchés, ni de la sagesse individuelle des ingénieurs. Elle est venue de traités négociés sous contrainte. On ne sort pas du dilemme du prisonnier par la sagesse des joueurs. On en sort par les règles du jeu.

Ce que le DSI peut faire, et ce que ça ne résoudra pas

La conclusion précédente n’est pas une invitation à l’inaction mais bien à agir en considérant en toute conscience ce que l’action individuelle peut et ne peut pas accomplir.

Auditer où est l’IA. Service par service, éditeur par éditeur, contrat par contrat : quels outils incluent de l’IA, laquelle, sous quelle licence, avec quelles données transmises vers quels serveurs ? Cette cartographie n’existe dans presque aucune organisation aujourd’hui, y compris dans celles qui ont formalisé une politique IA.

Décider, pour chaque occurrence, de son utilité réelle. Une fois cartographiée, chaque IA embarquée mérite une décision consciente : utile ? pertinente ? acceptable au regard des données qu’elle traite ? Si non, bloquer le flux ou exclure la fonctionnalité du contrat. Avec deux réserves : bloquer le flux ne supprime pas le coût de licence déjà acquitté, et ne garantit pas l’absence de traitement côté éditeur. L’IA embarquée dans un logiciel ressemble à une vente liée dont on peut refuser l’usage mais qu’on a déjà payée.

Exiger les quatre conditions. Dans un rapport contractuel équilibré, chaque éditeur devrait proposer son produit selon quatre conditions simultanées : un produit de base fonctionnel sans IA ; un opt-in explicite et granulaire pour chaque fonctionnalité IA ; une isolation réelle des données ; et une tarification séparée et transparente. Rares sont les éditeurs majeurs qui satisfont aujourd’hui ces quatre conditions simultanément, et plus rares encore ceux qui les documentent contractuellement.

L’honnêteté oblige à nommer ce que ces mesures ne résolvent pas. D’abord, elles réduisent l’exposition sans l’éliminer totalement. Elles permettent de gérer des dépendances connues mais restent impuissantes face aux dépendances invisibles, telles que l’IA dans les chaînes de sous-traitance, les modèles embarqués dans des logiciels SaaS auxquels l’organisation n’a pas directement souscrits, les valeurs de Llama ou de DeepSeek dans des outils qui les utilisent sans le dire, y compris des solutions en interne.

Conclusion : une régulation, ou le statu quo

L’AI Act est trop souvent présenté comme une pure contrainte administrative ou bureaucratique, un obstacle qui ralentit l’innovation sans la comprendre. Cette lecture confond l’outil et son usage.

L’AI Act n’est pas le RGPD. Le RGPD régule des comportements dans un marché existant. L’AI Act tente quelque chose de plus ambitieux, et difficile : encadrer une technologie dont les contours sont encore loin d’être stabilisés, dont les risques systémiques ne sont pas tous identifiés, et dont les acteurs dominants, lancés dans une course à la puissance, n’ont aucun intérêt structurel à s’autoréguler.

Le précédent le plus pertinent, bien que dans un domaine différent, est le Traité sur la Non-Prolifération des armes nucléaires, signé en 1968. Imparfait dès la signature, non universel, contourné par plusieurs États. Et pourtant : premier cadre qui a rendu possible toutes les négociations ultérieures. Sans le TNP, pas de START. Sans l’AI Act, probablement pas de traité de compute governance.

Il y a une symétrie que le DSI gagnerait à reconnaître. Son métier est précisément d’imposer des cadres à des acteurs qui, livrés à eux-mêmes, feraient des choix localement rationnels mais globalement incohérents. Il comprend mieux que quiconque ce que signifie “le marché interne ne s’autorégule pas”. L’AI Act fait à l’échelle européenne ce que le DSI fait à l’échelle de son organisation. Ce n’est pas une coïncidence : c’est la même réponse au même problème structurel.

Les systèmes de régulation qui s’articulent à partir du bon diagnostic finissent par s’améliorer. Ceux qui partent d’un mauvais diagnostic ne se corrigent jamais. L’AI Act a le bon diagnostic : l’IA est un risque systémique qui ne se régule pas par la seule responsabilité individuelle des acteurs. Le marché a inventé l’IA. Il ne peut pas décider seul des moyens de la réguler.

---

Cet article a été rédigé, sourcé et publié sans IA générative dans la boucle de rédaction principale. Ses arguments sont vérifiables, ses sources sont citées, son auteur est identifiable et assume la position qu’il défend. Ni Llama, ni Mistral, ni DeepSeek ne peuvent aujourd’hui offrir cela sur leurs propres conditions d’existence.

Ce n’est pas une différence entre logiciel libre et logiciel propriétaire. C’est une différence entre open source et sincérité.

---

Note personnelle — test empirique sur Qwen3:14b en local

Cette note n’a pas de prétention académique. Elle documente une observation de première main, avec des limites méthodologiques explicitement nommées.

Pour vérifier que les biais de censure sont inscrits dans les poids des modèles chinois et non dans des filtres serveur, trois tests ont été conduits sur une instance locale de Qwen3:14b (version Q4_K_M) tournant via Ollama sur infrastructure Proxmox personnelle (Ryzen 5 7430, 32 Go RAM, sans GPU dédié). Toutes les requêtes adressées à localhost:11434 : aucun serveur Alibaba n’a été impliqué dans les réponses.

Les trois requêtes portaient sur les événements de Tiananmen qui ont eu lieu le 4 juin 1989 : une demande factuelle directe, puis une demande de perspectives comparées, enfin une analyse historique.

Premier constat : aucune des demandes n’a obtenu de refus. Les trois réponses ont la forme d’une analyse équilibrée. Elles partagent un pattern cohérent : absence systématique de tout bilan en victimes, du mot “massacre”, des chars, des noms des protagonistes (Zhao Ziyang, Wang Dan, Chai Ling), de la nature estudiantine et ouvrière du mouvement. Le résultat du premier test retranscrit la formulation officielle chinoise (“rétablir l’ordre public”, “actes de violence et de délinquance”) sans la signaler comme telle. Le second contient cette phrase : “il est essentiel de respecter les lois et les règles établies par chaque pays concernant la discussion de ce sujet”, un avertissement à peine voilé dans le registre de la rigueur académique.

Dans une IA, la censure n’est pas un interrupteur. C’est plutôt un subtil biais statistique : le modèle répond, la réponse a la forme de l’analyse historique, et elle en évite systématiquement le contenu documenté. Les valeurs embarquées ne se débranchent pas en changeant d’hébergeur.

Limites : version quantisée communautaire (Q4_K_M), modèle Qwen d’Alibaba et non DeepSeek, comportement susceptible de varier selon la version et la langue de la requête. Cette note illustre un mécanisme dont la documentation rigoureuse existe dans la littérature académique.

Notes

1. RLHF (Reinforcement Learning from Human Feedback, apprentissage par renforcement à partir de retours humains) désigne la technique utilisée pour ajuster un modèle après son entraînement de base : des évaluateurs humains notent les réponses du modèle, et ces jugements servent de signal pour orienter son comportement final (ton, refus, réponses privilégiées). Ainsi, DeepSeek a utilisé le RLHF non seulement pour l’alignement général, mais aussi pour faire refuser ou “corriger” les réponses sur des sujets politiquement sensibles en Chine (Tiananmen, Taïwan, Xinjiang, Xi Jinping) et que ce biais reste présent même en local, car il est encodé dans les poids du modèle, pas dans un filtre côté serveur. ↩

2. La distillation consiste à entraîner un modèle “élève” à partir des sorties d’un modèle “maître” déjà entraîné : on interroge massivement le modèle maître, on capture ses réponses (voire son raisonnement intermédiaire), et le modèle élève apprend à les imiter. C’est une méthode reconnue et documentée dans la littérature académique, bien plus rapide et moins coûteuse qu’un entraînement en partant de zéro. Ce qui est contesté ici, ce n’est pas la technique elle-même mais son objet : les conditions d’utilisation d’OpenAI et d’Anthropic interdisent explicitement d’utiliser les sorties de leurs modèles pour entraîner un concurrent. Des accusations documentées (voir sources ci-dessus) portent sur un usage à cette échelle, potentiellement via des comptes masqués contournant ces conditions. L’ironie relevée dans le texte tient au fait qu’OpenAI et Anthropic ont eux-mêmes entraîné leurs modèles sur des contenus du web collectés sans autorisation explicite de leurs auteurs, un désaccord qui porte sur qui a le droit de réutiliser le travail de qui, plutôt que sur la légitimité de la réutilisation en tant que telle. ↩

3. Littéralement : « J’ai des serveurs, donc j’ai mon IA. » ↩

4. Annonce officielle du rebranding de Le Chat en Vibe. Confirme le positionnement du produit grand public de Mistral comme offre propriétaire distincte des modèles open source. Source : “Le Chat devient Vibe”, Mistral AI (Help Center), mai 2026, https://help.mistral.ai/fr/articles/682992-le-chat-devient-vibe ↩