L'IA locale et souveraine

Mais transposer l'« open source » à l'IA pose un problème inédit. Un logiciel classique, c'est du code. Un modèle d'IA, c'est trois choses : du code, des poids (les milliards de paramètres appris) et des données d'entraînement. Que faut-il ouvrir pour être réellement « open source » ? Le débat a fait rage. En octobre 2024, l'Open Source Initiative (l'organisation de référence) a tranché avec sa définition de l'IA open source (OSAID 1.0) : un modèle est open source s'il peut être librement utilisé, étudié, modifié et partagé, ce qui suppose de publier le code et les poids, et de fournir une information suffisante sur les données pour que quiconque puisse, en principe, recréer un modèle équivalent (sans nécessairement publier les données brutes elles-mêmes, parfois sensibles ou sous droits).

Cette définition révèle un spectre d'ouverture, qu'il faut bien distinguer :

Schéma 9.1. Le spectre de l'ouverture. La plupart des modèles dits « ouverts » sont en réalité à poids ouverts : on peut les télécharger et les exécuter, mais on ignore avec quelles données et quel code exact ils ont été entraînés. C'est utile, mais ce n'est pas tout à fait « open source » au sens strict.

Bénéfices et risques. Nous avions esquissé ce débat au chapitre 7 ; l'angle open source l'éclaire davantage. Les bénéfices sont la transparence (le code et les poids peuvent être inspectés, ce qui aide à la responsabilité et à l'explicabilité), la démocratisation (pays et entreprises sans modèle propre accèdent à l'IA à bas coût), la souveraineté, et le fait qu'un modèle ouvert est plus difficile à censurer ou à retirer du jour au lendemain. Les risques sont symétriques : un modèle ouvert ne peut plus être « rappelé », ses garde-fous peuvent être retirés par réentraînement, ce qui inquiète quant à des usages malveillants (un rapport de la Maison-Blanche de 2024 n'avait toutefois pas trouvé de raison suffisante de restreindre la publication des poids « pour l'instant »). C'est tout le dilemme entre ouverture et contrôle, au cœur de la gouvernance de l'IA (chapitres 24 et 25).

---

À retenir (chapitre 9)

• Faire tourner l'IA localement répond à des besoins de confidentialité, souveraineté, coût, fonctionnement hors ligne et maîtrise.
• L'IA open source hérite du mouvement du logiciel libre. La définition de l'OSI (OSAID 1.0, 2024) exige code, poids et information suffisante sur les données.
• Attention au spectre : la plupart des modèles « ouverts » sont à poids ouverts (téléchargeables mais sans données ni code), ce que des critiques qualifient d'« openwashing » ; les modèles totalement ouverts (comme Apertus) sont rares.
• L'ouverture est devenue un enjeu géopolitique (le « moment DeepSeek », l'arme stratégique chinoise, la souveraineté européenne).
• La quantification compresse les modèles pour les exécuter sur du matériel courant ; des outils en grande partie open source (Hugging Face, PyTorch, Ollama, LM Studio, llama.cpp, vLLM) rendent l'IA locale accessible.
• Les clusters de Mac (mémoire unifiée, efficacité énergétique) offrent un bon rapport prix/performance pour les organisations modestes ; NVIDIA reste roi pour la puissance brute.
• La souveraineté numérique (modèles souverains, cloud européen, open source) est la « voie européenne », ambitieuse mais coûteuse.

Cette puissance, locale ou dans le cloud, a un prix que l'on mesure de plus en plus en mégawatts. Le chapitre 10 affronte la question qui pourrait tout freiner : l'énergie.

---