Souveraineté
Souveraineté : la nationalité du modèle compte moins qu’on ne le croit
Être souverain en IA, c’est garder la capacité de choisir et de changer de modèle : lieu d’exécution, droit applicable et RAG pèsent plus que le drapeau.
Le mot souveraineté a mauvaise presse dans le numérique. On l’associe à des discours de repli, à des solutions nationales choisies par principe, parfois au détriment de la qualité. Faut-il, pour être souverain, n’utiliser que des modèles entraînés chez soi ? Chez Oxebo, nous défendons une autre lecture. Pour une organisation, être souveraine, c’est garder la capacité de choisir, et de changer d’avis.
Cette capacité se joue à quatre niveaux : les données et le droit sous lequel elles vivent ; l’infrastructure, c’est-à-dire le lieu et l’opérateur qui exécutent les traitements ; les modèles et la possibilité d’en changer ; la compétence enfin, qu’on oublie souvent, qui consiste à comprendre les modèles qu’on utilise et à savoir les évaluer sur ses propres documents. Le pays où un modèle a été entraîné ne figure pas dans cette liste.
Trois signaux qui poussent à la souveraineté
Le premier signal est géopolitique. Le 10 juin 2025, devant la commission d’enquête du Sénat sur la commande publique, le directeur des affaires publiques et juridiques de Microsoft France a répondu qu’il ne pouvait pas garantir, sous serment, que les données de citoyens français confiées à Microsoft via l’Ugap ne seraient jamais transmises aux autorités américaines sans l’accord des autorités françaises, en ajoutant que « cela ne s’est encore jamais produit ». Il décrivait honnêtement une réalité juridique : une entreprise américaine reste soumise au droit américain, où que se trouvent ses serveurs. En juin 2026, Anthropic a suspendu pendant près de trois semaines l’accès à deux de ses modèles pour se conformer à des contrôles à l’exportation américains, selon le communiqué de l’entreprise, avant de le rétablir à partir du 1er juillet, selon Al Jazeera. Une décision administrative peut interrompre l’accès à un modèle du jour au lendemain, quelle que soit la bonne volonté de son éditeur.
Le deuxième signal est économique. Le prix d’un modèle est une décision de son éditeur. Le 29 septembre 2026, à sa conférence DevDay, OpenAI a lancé une offre à 500 dollars par mois et annoncé la réduction de l’usage inclus dans son offre à 200 dollars, selon The Next Web, tout en présentant un modèle qu’il décrit comme proche de son modèle phare pour un cinquième du prix par token. La volatilité joue dans les deux sens : une organisation liée à un seul fournisseur absorbe les hausses et profite mal des baisses.
Le troisième signal vient du droit européen. Le Data Act s’applique depuis le 12 septembre 2025 et, à compter du 12 janvier 2027, son article 29 interdit aux fournisseurs cloud de facturer le moindre frais lié à un changement de fournisseur. Le droit lui-même pousse vers la réversibilité.
Pragmatiques et ouverts
Nous utilisons beaucoup de modèles à poids ouverts, que l’on peut télécharger, héberger et auditer. Nous restons pourtant pragmatiques sur l’open source. Certains usages justifient un modèle propriétaire de pointe, et une organisation a parfaitement le droit de le choisir. Le critère décisif est ailleurs : pouvoir changer de modèle sans reconstruire tout le reste.
Chez Oxebo, nous faisons tourner des modèles à poids ouverts d’origines américaine et chinoise, comme Gemma, GLM ou DeepSeek, sur l’infrastructure française de Scaleway. La souveraineté se joue sur le lieu d’exécution, le droit applicable aux données et la capacité de basculer. Le drapeau du laboratoire qui a entraîné le modèle vient après.
Cette position appelle une nuance honnête. Tout modèle porte les biais de son entraînement, quelle que soit son origine. C’est pour cela que la compétence fait partie de la souveraineté : on évalue chaque modèle sur ses propres documents et ses propres questions, et les poids ouverts rendent justement cette évaluation possible.
Le RAG, architecture de la souveraineté
Qu’est-ce qui rend un modèle remplaçable ? Avec le RAG, avant de générer une réponse, le modèle va chercher les passages pertinents dans un corpus indexé, puis il rédige à partir de ce qu’il a trouvé : la connaissance vit dans le corpus, pas dans le modèle.
Quand la connaissance vit dans les sources, le modèle devient un composant remplaçable.
Une organisation dont le savoir a été absorbé dans un modèle réentraîné sur ses données, ou dans la mémoire propriétaire d’un fournisseur, se lie à ce modèle. Une organisation qui possède son corpus, son index et ses jeux d’évaluation peut changer de modèle en quelques jours, tester le nouveau sur ses propres questions, et comparer les résultats avant de basculer.
C’est aussi notre conviction : quand la qualité se construit dans la recherche, un modèle plus compact, bien servi, peut suffire à de nombreux usages. Elle se vérifie usage par usage. Notre choix de travailler avec de tels modèles prend ici une dimension stratégique : il réduit la dépendance aux quelques modèles de pointe et à leurs éditeurs. Tout part de la source, et c’est aussi ce qui garde l’organisation libre.