Chaque présentation au conseil d'administration d'entreprise semble désormais comporter un mandat relatif à l'IA. Les entreprises injectent des dossiers clients, des documents de stratégie interne et des analyses propriétaires dans des grands modèles de langage à un rythme qui aurait semblé imprudent il y a seulement trois ans. La majeure partie de ce trafic transite par des systèmes à code fermé. Ils sont pratiques, puissants et hébergés par des tiers. Arthur Mensch, fondateur de Mistral AI, pense que cette commodité cache une taxe invisible qui pourrait dépasser n'importe quel frais d'abonnement.

Mensch s'est exprimé sur un danger spécifique : lorsque vous faites fonctionner votre entreprise via un modèle propriétaire, vous ne vous contentez pas de louer de la puissance de calcul. Vous remettez au laboratoire qui l'a conçu une carte détaillée de vos opérations. Ces fournisseurs stockent d'énormes volumes de données d'interaction client pour affiner leurs systèmes. Avec le temps, ces données révèlent des schémas. Ils voient comment vous fixez vos prix, comment vous segmentez vos audiences, comment vous identifiez les risques et comment vous repérez les opportunités. Mensch avertit que certains laboratoires ont déjà montré une volonté d'utiliser cette intelligence pour cibler leurs propres clients, pénétrant des marchés une fois qu'ils ont compris exactement où se trouvent les profits.

Ses conseils sont directs. « Si ce n'est pas entre vos mains, ce ne sera pas votre croissance. » Le remède qu'il propose est la souveraineté : déplacer les données vers des systèmes ouverts, imposer des règles d'accès strictes et investir dans des pipelines d'entraînement propriétaires. Il ne s'agit pas d'une paranoïa fantaisiste. C'est la sécurité de la chaîne d'approvisionnement appliquée à la cognition. Vous ne donneriez pas les plans de votre usine à votre fournisseur. Mensch soutient que vous ne devriez pas donner à votre fournisseur d'IA l'équivalent de votre manuel de stratégie institutionnel.

Pourquoi les poids des modèles sont votre mémoire d'entreprise

Cette idée trouve un écho dans un recoin improbable de l'industrie technologique. Alex Karp, PDG de Palantir, formule le problème par une phrase qui circule déjà dans les cercles de la défense et de la finance : « contrôler vos poids, c'est contrôler votre destin. »

Pour comprendre l'importance de cette question, il est utile de réfléchir à ce que représentent réellement les poids d'un modèle. En apprentissage automatique, les poids sont les milliards de paramètres ajustés qui transforment des données brutes en prédictions utiles. Lorsque vous entraînez ou affinez un modèle sur vos propres données — votre historique d'attrition client, vos images de diagnostic, vos cas d'optimisation logistique — ce savoir est compressé dans les poids. Ils deviennent une sorte de mémoire d'entreprise, encodant des décisions et une expertise qui ont mis des années à s'accumuler.

Si vous louez un modèle de pointe et que vous vous contentez de l'interroger avec vos secrets, vous ne posséderez jamais cette connaissance distillée. Pire encore, votre fournisseur absorbe chaque signal. Chaque requête apprend un peu plus à leur système comment fonctionne votre secteur. Leur prochaine mise à jour de modèle pourrait internaliser l'avantage même qui a fait votre succès. Karp appelle cela votre « alpha », l'avantage de performance unique qui vous distingue de la masse. Externaliser vos poids signifie externaliser votre alpha. À ce stade, l'IA cesse d'être un outil pour devenir un vecteur de transfert de votre expertise vers un concurrent.

L'avantage du fine-tuning

L'expérience de Bridgewater montre qu'il existe une autre voie. Le fonds spéculatif a collaboré avec Thinking Machines Lab pour effectuer le fine-tuning du modèle open-source Qwen3-235B. Au lieu d'envoyer des évaluations d'investisseurs propriétaires dans une API boîte noire, ils ont conservé les données en interne et ont adapté le modèle à leurs besoins spécifiques. Les résultats sont frappants. Pour l'analyse de documents financiers, leur modèle affiné a atteint une précision de 84,7 %. Le meilleur modèle de pointe fermé n'a atteint que 78,2 %.

Cet écart est crucial dans la finance, où un