LE PARADOXE MISTRAL : 3 ACTES POUR REPENSER LA SOUVERAINETE A L’AGE DE L’IA

Par Dr. Tawhid CHTIOUI, Président fondateur d’aivancity School of AI & Data for Business & Society ; sélectionné parmi les 25 personnalités mondiales les plus influentes dans le domaine de l’IA et des données par Keyrus (Janvier 2025).

---

ACTE 1 : Mistral et le paradoxe chinois : que s’est-il vraiment passé ?

Introduction

Pendant trois ans, le récit français de la souveraineté en intelligence artificielle a reposé sur une intuition assez simple : pour ne pas dépendre exclusivement des grands modèles américains, il fallait être capable de développer les nôtres. Mistral AI est devenue, à juste titre, l’incarnation la plus visible de cette ambition. La France disposait enfin d’un acteur susceptible de défendre une certaine autonomie technologique face à OpenAI, Google ou Anthropic.

Le 11 août 2026, Mistral a pourtant introduit une inflexion qui mérite davantage d’attention qu’une simple annonce commerciale. L’entreprise a présenté une nouvelle étape de sa stratégie d’« IA souveraine », fondée notamment sur le contrôle régional de l’inférence, la maîtrise des capacités de calcul et l’accès à des modèles ouverts développés par des tiers. Le premier modèle ainsi proposé est GLM-5.2, développé par l’entreprise chinoise Z.ai. La documentation technique de Mistral est particulièrement claire : le modèle est hébergé par Mistral et « servi sans modifications » de sa part (Mistral AI, 2026a, 2026b).

Il faut être précis sur ce que cela signifie. Mistral n’abandonne pas ses propres modèles, ne devient pas un simple distributeur de technologie chinoise et ne renonce pas nécessairement à son ambition de souveraineté. Son raisonnement est même cohérent : un pays ou une entreprise serait souverain dès lors qu’il peut choisir les modèles qu’il utilise, décider où ils s’exécutent, contrôler l’infrastructure de calcul et conserver la maîtrise de la valeur produite. Dans cette conception, utiliser un modèle conçu ailleurs ne signifie donc pas automatiquement devenir dépendant de celui qui l’a conçu (Mistral AI, 2026a).

Mais c’est exactement cette cohérence qui rend le choix de Mistral si intéressant.

Car la souveraineté change alors de définition. Elle ne réside plus nécessairement dans le fait de produire l’intelligence que l’on utilise, mais dans la capacité à contrôler les conditions dans lesquelles on l’utilise. Ce déplacement pourrait paraître purement technique s’il n’intervenait pas au moment même où la géographie mondiale de l’intelligence artificielle connaît une transformation majeure. Le Stanford AI Index 2026 constate que l’écart entre les meilleurs modèles américains et chinois s’est pratiquement refermé : depuis le début de 2025, des modèles des deux pays se sont succédé en tête de plusieurs classements, tandis que la Chine occupe désormais une position dominante dans plusieurs dimensions de la recherche en IA (Stanford HAI, 2026).

Nous ne sommes donc plus dans un monde où l’Europe chercherait simplement à réduire sa dépendance envers une technologie essentiellement américaine. Une seconde puissance de l’IA est désormais capable de produire des modèles suffisamment performants pour qu’un champion français juge rationnel de les proposer à ses propres clients.

C’est là que le débat sur la souveraineté devient beaucoup plus profond.

Tant que nous pensions principalement la souveraineté numérique à travers les données, le cloud et les infrastructures, la question centrale était de savoir où se trouvaient nos informations et qui pouvait y accéder. L’IA générative ajoute une autre interrogation : qui a construit l’intelligence qui va les interpréter ?

Car un modèle ne transporte pas seulement de la puissance de calcul. Il a été entraîné sur certains corpus, dans certaines langues, selon certains choix techniques ; il a ensuite été ajusté et aligné selon des normes, des contraintes et des arbitrages qui ne sont jamais totalement détachés du contexte dans lequel il a été développé.

Le cas Mistral ne pose donc pas seulement la question de notre dépendance technologique à la Chine. Il nous oblige à poser une question que nous aurions dû adresser depuis longtemps aux modèles américains eux-mêmes : lorsque nous confions à une machine une part croissante de notre accès au savoir, de nos analyses et parfois de nos décisions, de quoi voulons-nous réellement rester souverains ?

Peut-être découvrons-nous que la souveraineté numérique ne concerne pas uniquement la maîtrise de nos données et de nos infrastructures. Elle concerne aussi, désormais, les représentations du monde à travers lesquelles les machines apprennent à nous répondre.

I. De producteur de modèles à orchestrateur d’intelligences

Pour comprendre ce qui change réellement chez Mistral, il faut regarder moins la nationalité de GLM-5.2 que la conception de la souveraineté que l’entreprise est en train de construire. Dans son annonce du 11 août, Mistral la définit autour de trois capacités : contrôler les modèles utilisés, choisir l’endroit où l’intelligence s’exécute et disposer de la puissance de calcul nécessaire pour la faire fonctionner à l’échelle souhaitée. Son ambition n’est donc plus seulement de proposer des modèles français capables de rivaliser avec ceux des grands laboratoires étrangers ; elle consiste aussi à fournir l’environnement dans lequel différentes intelligences pourront être choisies, exécutées, sécurisées et adaptées aux besoins des organisations (Mistral AI, 2026a).

C’est dans cette logique qu’il faut comprendre l’arrivée de GLM-5.2. Développé par Z.ai, marque internationale de l’entreprise chinoise historiquement connue sous le nom de Zhipu AI, ce modèle est présenté par Mistral comme un modèle tiers destiné notamment au code et aux usages agentiques à long contexte. La documentation précise qu’il est hébergé par Mistral et servi « sans modifications Mistral » (Mistral AI, 2026b).

Cette précision est importante parce qu’elle permet d’éviter deux lectures également trompeuses. La première consisterait à dire que Mistral « devient chinois », ce qui n’a guère de sens : l’entreprise continue de développer ses propres modèles, ses propres technologies multimodales, ses modèles spécialisés et ses infrastructures de calcul. La seconde serait de considérer l’ajout de GLM-5.2 comme un détail de catalogue sans portée stratégique. En réalité, Mistral ne change pas de nationalité et ne renonce pas à produire de l’intelligence, mais il élargit sensiblement son rôle. Il veut désormais être à la fois concepteur de modèles, fournisseur de puissance de calcul, plateforme de déploiement et intermédiaire permettant à ses clients d’accéder à des intelligences conçues ailleurs.

Ce déplacement est loin d’être anecdotique. Un laboratoire de modèles tire une partie de sa puissance de sa capacité à produire une intelligence que les autres utilisent. Une plateforme d’orchestration tire davantage la sienne de sa capacité à permettre aux utilisateurs de choisir entre plusieurs intelligences, à les faire fonctionner dans un environnement maîtrisé et à les remplacer lorsque de meilleures apparaissent. La valeur ne disparaît pas, mais elle se déplace dans la chaîne : du modèle lui-même vers l’infrastructure, l’intégration, la sécurité, la personnalisation et la maîtrise opérationnelle.

Cette évolution n’a d’ailleurs pas commencé avec GLM-5.2. Un signal beaucoup plus technique, donc moins visible, était apparu huit mois auparavant avec Mistral Large 3.

Présenté en décembre 2025 comme le modèle le plus puissant de Mistral à cette date, Large 3 est un modèle Mixture of Experts de 675 milliards de paramètres, dont 41 milliards sont activés pour traiter chaque token. Mistral indique l’avoir entraîné depuis zéro sur 3 000 GPU NVIDIA H200 (Mistral AI, 2025). Il ne s’agit donc pas d’un modèle DeepSeek repris, adapté ou réentraîné.

Son architecture présente néanmoins des ressemblances remarquables avec celle de DeepSeek-V3, publié un an plus tôt par le laboratoire chinois DeepSeek. Les deux modèles comportent 61 couches, utilisent une dimension cachée de 7 168, adoptent le mécanisme d’attention MLA (Multi-head Latent Attention) et conservent trois premières couches denses avant de passer à une architecture en mélange d’experts. Plusieurs paramètres de compression de l’attention sont également identiques. Les différences sont néanmoins substantielles : Large 3 utilise notamment moins d’experts mais des experts plus larges, en active moins à chaque token, adopte un système de positionnement différent et ajoute un encodeur visuel absent de DeepSeek-V3 (DeepSeek-AI et al., 2024 ; Mistral AI, 2025).

Le point est suffisamment clair pour que Patrick von Platen, membre de l’équipe Mistral, l’ait formulé lui-même lors d’une discussion technique sur Hugging Face : Mistral Large 3 n’a pas été construit ou entraîné « sur » DeepSeek-V3, mais son architecture en est, selon ses propres termes, « heavily inspired », fortement inspirée. Il souligne en même temps les différences dans la structure des experts, le positionnement et l’intégration de la vision (von Platen, 2025).

La nuance est fondamentale parce que le mot « modèle » recouvre souvent, dans le débat public, des réalités techniques très différentes.

L’architecture décrit l’organisation générale du système : la manière dont ses différentes composantes sont disposées et interagissent. Les poids sont les milliards de paramètres numériques acquis pendant l’entraînement et dans lesquels se cristallise une grande partie de ce que le modèle a appris. Les données d’entraînement constituent la matière informationnelle à partir de laquelle cet apprentissage s’effectue. Le tokenizer, quant à lui, détermine la manière dont le texte est découpé en unités que la machine peut traiter. À cela s’ajoutent ensuite les différentes étapes de post-entraînement et d’alignement qui façonnent le comportement du modèle final.

Utiliser une architecture proche ne signifie donc pas reproduire le même modèle, pas davantage qu’utiliser le plan d’un bâtiment ne conduit à construire deux bâtiments identiques. Les matériaux peuvent différer, les équipements aussi, tout comme les usages auxquels le bâtiment sera destiné. Deux modèles peuvent partager une grande partie de leur architecture et produire des comportements très différents parce que leurs poids, leurs données, leur tokenizer ou leur post-entraînement ne sont pas les mêmes.

Cette distinction permet d’écarter l’idée simpliste selon laquelle Mistral aurait « copié DeepSeek ». Les informations publiques disponibles ne permettent pas de soutenir une telle affirmation. Elles établissent en revanche quelque chose de plus intéressant : certaines des solutions architecturales qui structurent aujourd’hui un modèle majeur développé en France avaient été expérimentées et poussées très loin par un laboratoire chinois.

Il faut d’ailleurs replacer cette circulation des architectures dans l’histoire normale de l’intelligence artificielle. La recherche scientifique s’est toujours construite par emprunts, améliorations et recombinaisons. L’architecture Transformer, qui constitue encore le socle d’une immense partie des modèles contemporains, est elle-même issue d’un article publié en 2017 par des chercheurs de Google (Vaswani et al., 2017). Il serait donc absurde de demander à chaque pays de réinventer seul toutes les briques techniques qu’il utilise.

Ce qui mérite notre attention n’est pas l’existence de cette circulation, mais le changement de direction de la circulation.

Pendant une grande partie de l’histoire récente de l’IA, les principales architectures, méthodes d’entraînement et modèles de référence auxquels le reste du monde cherchait à se comparer provenaient essentiellement des laboratoires américains. DeepSeek a montré qu’un laboratoire chinois pouvait désormais produire à son tour des innovations suffisamment efficaces pour devenir des références techniques internationales. Son architecture MLA, son organisation en mélange d’experts et ses innovations destinées à réduire les coûts d’entraînement et d’inférence ont précisément été conçues dans un contexte de fortes contraintes d’accès aux GPU les plus avancés. DeepSeek-V3 a ainsi cherché à transformer une contrainte matérielle en avantage d’efficacité, avec un modèle de 671 milliards de paramètres dont seulement 37 milliards sont activés pour chaque token (DeepSeek-AI et al., 2024).

L’histoire qui se dessine entre DeepSeek, Mistral Large 3 puis GLM-5.2 est donc plus subtile qu’un simple récit de dépendance. En décembre 2025, un champion français construit son propre modèle en s’inspirant fortement d’une architecture développée en Chine. En août 2026, il franchit une étape supplémentaire en proposant directement, dans son infrastructure, un modèle chinois qu’il n’a pas modifié.

Dans les deux cas, Mistral reste maître de ses propres choix technologiques. Mais dans les deux cas également, la Chine apparaît désormais non plus seulement comme un immense marché, un concurrent ou un imitateur, mais comme un lieu à partir duquel se diffusent des technologies que les acteurs européens jugent suffisamment pertinentes pour les intégrer à leurs propres stratégies.

C’est vraisemblablement le changement le plus important. Le centre de gravité mondial de l’innovation en intelligence artificielle n’est plus exclusivement américain, et la question de la souveraineté française ne peut plus être pensée comme un simple face-à-face avec la Silicon Valley. Elle doit désormais composer avec une Chine devenue, elle aussi, productrice de standards, d’architectures et de modèles capables de circuler bien au-delà de ses frontières.

II. La Chine n’est plus seulement le « suiveur » de l’IA

Le cas DeepSeek pourrait encore être interprété comme l’irruption spectaculaire d’un acteur exceptionnel. Ce serait sous-estimer ce qui se passe aujourd’hui en Chine. Autour de DeepSeek s’est constitué un écosystème beaucoup plus large : Alibaba développe la famille Qwen, Z.ai les modèles GLM, Moonshot AI la famille Kimi, tandis que MiniMax poursuit une stratégie particulièrement agressive sur les modèles destinés aux usages agentiques. Ces entreprises diffèrent par leur histoire, leurs ressources et leurs choix technologiques, mais leur multiplication montre que l’essor chinois ne repose plus sur un laboratoire isolé.

Les chiffres du Stanford AI Index 2026 permettent de mesurer le changement. Alors qu’en 2023 les meilleurs modèles américains disposaient encore d’avantages considérables sur plusieurs benchmarks, les modèles américains et chinois se sont échangé à plusieurs reprises les premières places depuis début 2025. En mars 2026, l’écart mesuré entre le meilleur modèle américain et le meilleur modèle chinois n’était plus que de 2,7 %. Les États-Unis continuent de produire davantage de modèles considérés comme « notables », mais la Chine est désormais en tête pour le volume de publications scientifiques, les citations et le nombre de brevets en IA (Stanford HAI, 2026).

Il faut évidemment manier ces classements avec prudence. Les benchmarks ne mesurent qu’une partie des capacités réelles d’un modèle et le Stanford AI Index souligne lui-même leurs problèmes croissants de fiabilité. Mais la tendance est difficile à contester : la frontière technologique de l’intelligence artificielle n’est plus exclusivement américaine.

Surtout, la compétition est en train de changer de nature. La puissance maximale d’un modèle compte toujours, mais elle n’est plus le seul critère déterminant. Le coût de l’entraînement et de l’inférence, le nombre de paramètres réellement activés, la possibilité d’accéder aux poids, la taille des modèles, leur facilité de personnalisation et la capacité à les exécuter sur une infrastructure choisie par l’utilisateur deviennent des dimensions stratégiques à part entière.

Sur ce terrain, plusieurs laboratoires chinois ont fait de la contrainte une doctrine d’innovation. DeepSeek-V3 a notamment montré qu’un modèle de 671 milliards de paramètres pouvait n’en activer que 37 milliards pour chaque token, avec une attention particulière portée à l’efficacité de l’entraînement (DeepSeek-AI et al., 2024). Qwen a choisi une logique de gamme, avec des modèles de tailles très différentes destinés à faciliter leur adaptation à des capacités de calcul et à des usages variés (Yang et al., 2025). GLM-4.5, de Z.ai, combine lui aussi une architecture Mixture of Experts avec un nombre de paramètres activés très inférieur à sa taille totale, tandis que Kimi K2 de Moonshot AI et la famille MiniMax M2 poursuivent la même recherche d’efficacité dans les usages de codage et d’agents (GLM-4.5 Team et al., 2025 ; Kimi Team, 2025 ; MiniMax et al., 2026).

Il faut également employer le terme « ouvert » avec précision. Tous ces modèles ne sont pas open source au sens strict, notamment parce que les données d’entraînement, les méthodes complètes de production ou certains composants restent souvent indisponibles. En revanche, une part importante de l’écosystème chinois repose sur des modèles open weights, dont les poids peuvent être téléchargés et qui peuvent, selon leurs licences et leurs caractéristiques techniques, être hébergés, adaptés ou intégrés en dehors des plateformes de leurs concepteurs.

Cette caractéristique change profondément leur potentiel géopolitique. Une entreprise, une administration ou un État qui hésite à confier ses données à une API américaine fermée peut désormais envisager d’exécuter localement un modèle chinois performant, de l’adapter à son métier ou de l’intégrer dans sa propre infrastructure. Une étude publiée fin 2025 par le Stanford Institute for Human-Centered AI souligne précisément que les développeurs chinois privilégient de plus en plus des modèles efficaces et flexibles dans leur déploiement, et que leur diffusion internationale pourrait modifier durablement les rapports de dépendance technologique (Meinhardt et al., 2025). Qwen, en particulier, est déjà décrit par les auteurs comme largement utilisé par des développeurs dans le monde entier.

Le changement stratégique est considérable. Pendant longtemps, le modèle dominant de l’IA générative consistait à construire le système le plus performant possible, puis à attirer les utilisateurs vers la plateforme qui le contrôlait. Une partie de l’écosystème chinois explore une autre voie : rendre ses modèles suffisamment performants, suffisamment économiques et suffisamment accessibles pour qu’ils puissent devenir les briques de systèmes construits par d’autres.

La Chine ne cherche peut-être donc pas seulement à produire le meilleur modèle du monde. Elle cherche aussi à produire les modèles que le monde pourra facilement adopter.

Si cette stratégie réussit, la puissance en intelligence artificielle ne se mesurera plus uniquement au nombre d’utilisateurs connectés à une plateforme nationale. Elle se mesurera également au nombre d’entreprises, de développeurs et de pays qui construiront leurs propres systèmes à partir de modèles conçus ailleurs. C’est ce qui donne au choix de Mistral une portée qui dépasse très largement Mistral lui-même.

III. Z.ai : quand les stratégies de souveraineté se croisent

Le choix de GLM-5.2 prend une dimension géopolitique supplémentaire lorsqu’on regarde le statut de son concepteur aux États-Unis.

En janvier 2025, le Bureau of Industry and Security (BIS), qui dépend du département américain du Commerce, a inscrit Zhipu AI, sous sa raison sociale Beijing Zhipu Huazhang Technology, ainsi que plusieurs entités qui lui sont associées, sur l’Entity List. Cette liste rassemble des organisations que le gouvernement américain estime impliquées, ou susceptibles de l’être, dans des activités contraires à ses intérêts de sécurité nationale ou de politique étrangère. Dans le cas des entités ajoutées en janvier 2025, le BIS invoquait explicitement leur contribution à la modernisation militaire chinoise par le développement et l’intégration de recherches avancées en intelligence artificielle (U.S. Department of Commerce, BIS, 2025).

Concrètement, cette inscription soumet les exportations, réexportations ou transferts vers Zhipu de biens et technologies relevant de la réglementation américaine à des obligations de licence particulièrement restrictives. Pour Zhipu AI, le régime indiqué par le BIS couvre l’ensemble des produits soumis aux Export Administration Regulations, avec une présomption de refus des demandes de licence (U.S. Department of Commerce, BIS, 2025).

La portée de cette décision doit cependant être interprétée avec précision. L’Entity List est un instrument de la politique de contrôle des exportations des États-Unis. Elle traduit donc d’abord l’appréciation stratégique du gouvernement américain sur les risques que représente une organisation pour ses propres intérêts de sécurité nationale et de politique étrangère. Elle ne constitue ni une interdiction européenne d’utiliser les technologies de Z.ai, ni une démonstration que les réponses produites par GLM seraient systématiquement censurées, manipulées ou politiquement orientées. Rien dans la décision du BIS ne permet de tirer une telle conclusion.

La nuance est essentielle, mais elle ne réduit en rien la force du symbole.

Nous nous trouvons devant une situation assez singulière : une entreprise que Washington considère comme suffisamment stratégique pour restreindre son accès à des technologies américaines devient, dans le même temps, fournisseur d’un modèle proposé au sein d’une infrastructure européenne revendiquée comme souveraine.

Les États-Unis voient donc dans certains acteurs chinois de l’IA un enjeu de sécurité nationale ; Mistral voit dans l’un de leurs modèles une technologie suffisamment intéressante pour l’intégrer à son offre.

Mais cette divergence révèle quelque chose d’essentiel : la souveraineté en IA n’est plus un concept purement technologique. Elle devient un objet de confrontation géopolitique, dans lequel les mêmes modèles peuvent simultanément être considérés comme des actifs stratégiques à contenir par une puissance et comme des ressources technologiques à intégrer par une autre.

Le paradoxe n’est donc plus seulement franco-chinois. Il devient triangulaire : une Europe qui cherche à réduire sa dépendance américaine peut désormais être conduite à s’appuyer sur des technologies chinoises que les États-Unis cherchent précisément à contenir.

Et c’est à ce point que la question devient encore plus délicate. Car une fois admis qu’un modèle chinois peut être techniquement performant, économiquement attractif et hébergé sur une infrastructure européenne, il reste à examiner ce que l’infrastructure ne change pas : la manière dont ce modèle a appris à représenter le monde et à y répondre.

IV. Le problème culturel : une IA n’est jamais seulement un logiciel

L’hébergement européen de GLM-5.2 apporte une réponse à certaines questions de souveraineté : les données peuvent rester dans une infrastructure contrôlée en Europe, l’organisation peut choisir son environnement d’exécution et réduire sa dépendance à une plateforme étrangère. Mais il laisse entière une question plus difficile : que transporte avec lui un modèle lorsqu’on déplace ses poids d’un pays à un autre ?

Un grand modèle de langage ne se réduit pas à un programme informatique neutre que l’on ferait simplement fonctionner sur un serveur. Ses comportements résultent de plusieurs couches successives : les données auxquelles il a été exposé, les langues et les cultures qui y sont représentées, l’apprentissage réalisé à partir de ces données, puis le post-entraînement, l’alignement et les règles destinées à déterminer les réponses souhaitables, sensibles ou interdites. L’infrastructure contrôle donc l’endroit où le modèle fonctionne ; elle ne réécrit pas automatiquement ce que celui-ci a appris.

Le cas chinois rend cette question particulièrement visible parce que l’environnement réglementaire y est explicite. Depuis 2023, les règles chinoises applicables aux services d’intelligence artificielle générative destinés au public imposent notamment le respect des « valeurs socialistes fondamentales » et interdisent la génération de contenus susceptibles de porter atteinte à la sécurité nationale, à l’unité du pays ou à l’image de l’État. Elles imposent parallèlement des obligations de lutte contre les discriminations, de protection des droits des personnes, de transparence et d’amélioration de la fiabilité des contenus (Cyberspace Administration of China, 2023).

Il serait cependant abusif d’en déduire qu’un modèle chinois hébergé en Europe serait nécessairement un instrument de propagande ou que toutes ses réponses seraient politiquement orientées. Une réglementation applicable à un service déployé en Chine, les choix effectués lors de l’entraînement d’un modèle et le comportement d’une version open weight exécutée à l’étranger sont trois choses différentes.

La recherche commence néanmoins à montrer que ces environnements laissent des traces mesurables. Une étude publiée en 2025 au Proceedings on Privacy Enhancing Technologies montre que l’exposition des modèles à des corpus issus d’un environnement informationnel censuré peut influencer leurs réponses sur certains sujets politiquement sensibles (Amed et al., 2025). D’autres travaux comparatifs ont observé, sur des questions relatives à la Chine et aux relations avec Taïwan, une proximité plus forte de plusieurs modèles chinois, dont GLM et Qwen, avec les positions dominantes dans leur pays de développement (Lin & Fan, 2024).

Ces résultats méritent d’être pris au sérieux, mais ils ne devraient surtout pas conduire à imaginer qu’il existerait, en face, une intelligence artificielle occidentale culturellement neutre.

De nombreux travaux montrent précisément le contraire. Une étude publiée à ACL 2024 met en évidence une domination de références culturelles anglophones dans plusieurs grands modèles, y compris lorsque les utilisateurs les interrogent dans d’autres langues (Wang et al., 2024). D’autres recherches identifient un biais vers les références occidentales dans des usages en arabe, tandis qu’une étude de COLING 2025 montre que les comportements des modèles varient selon les cultures auxquelles on les compare et selon les langues utilisées pour leur entraînement ou leur adaptation (Naous et al., 2024 ; Masoud et al., 2025).

Même les valeurs politiques des modèles américains ne sont pas immuables. Une étude portant sur plusieurs versions de ChatGPT a ainsi observé des orientations politiques mesurables et leur évolution dans le temps, ce qui rappelle que l’alignement constitue bien une série de choix humains et techniques, et non l’accès à une quelconque neutralité algorithmique (Liu et al., 2025).

La véritable question n’est donc pas de savoir si les modèles chinois ont des valeurs tandis que les modèles américains n’en auraient pas. Elle consiste à reconnaître que tous les grands modèles sont culturellement situés, même lorsque leur diffusion mondiale finit par masquer cette origine.

C’est peut-être ici que le débat français sur la souveraineté doit franchir une nouvelle étape. Nous nous sommes beaucoup demandé où étaient stockées nos données, sous quel droit elles étaient protégées et sur quelles infrastructures elles étaient traitées. Nous devons désormais nous demander également quels systèmes interprètent ces données, quelles représentations du monde ils ont apprises et dans quelle mesure nous sommes capables de les identifier, de les auditer et, lorsque cela est nécessaire, de les corriger.

Cette interrogation devient d’autant plus importante que les modèles ne sont plus seulement utilisés pour compléter une phrase ou traduire un document. Ils interviennent dans l’éducation, la recherche, le recrutement, le droit, la santé, l’information, le conseil stratégique et, demain davantage encore, dans des agents capables de conduire des chaînes entières de raisonnement et d’action.

À mesure que nous leur confions une partie de notre accès au monde, la souveraineté cognitive ne consiste donc pas à exiger des machines qu’elles soient sans culture, ce qui serait impossible. Elle consiste à savoir quelles cultures, quelles normes et quels choix elles transportent, afin de rester capables de ne jamais les confondre avec le monde lui-même.

Conclusion. Mistral n’est peut-être pas le problème, mais le révélateur

On pourrait refermer cette histoire avec un jugement simple : Mistral aurait renoncé à son ambition initiale, la Chine aurait gagné une bataille supplémentaire et la souveraineté française aurait reculé. Rien de ce que nous avons observé ne permet pourtant une lecture aussi commode.

Mistral continue de développer ses propres modèles tout en faisant un choix stratégique différent : considérer que sa valeur peut aussi résider dans sa capacité à sélectionner, héberger, sécuriser et orchestrer les meilleures intelligences disponibles, quelle que soit leur origine. On peut discuter cette stratégie, mais elle révèle surtout que la souveraineté en intelligence artificielle est devenue beaucoup plus complexe que le récit qui l’accompagnait encore il y a quelques années.

Nous pensions qu’il fallait choisir entre dépendre des modèles américains et construire les nôtres. L’émergence rapide de l’écosystème chinois introduit désormais une troisième puissance dans cette équation. Plus encore, la diffusion de modèles open weights brouille la frontière entre produire une technologie étrangère et en dépendre : un modèle peut avoir été conçu à Pékin ou Hangzhou, être téléchargé, exécuté à Paris, adapté par une entreprise française et fonctionner sans que son concepteur intervienne dans son exploitation quotidienne. Mais cette autonomie opérationnelle ne fait pas disparaître toutes les dépendances. Elle les déplace.

Derrière la question de savoir où fonctionne une intelligence artificielle apparaît désormais celle de savoir où elle a été conçue, ce qu’elle a appris et selon quels choix elle a été façonnée. C’est pourquoi la souveraineté de demain ne pourrait plus être mesurée par un seul critère de nationalité, d’hébergement ou de propriété. Elle devra aussi intégrer notre capacité à comprendre les modèles que nous utilisons, à en connaître les limites, à les auditer, à les modifier, à les remplacer et à préserver suffisamment de compétences pour continuer à en produire nous-mêmes.

Le paradoxe Mistral nous conduit ainsi à une conclusion moins confortable, mais beaucoup plus féconde : la dépendance technologique ne commence pas seulement lorsque nous ne possédons pas une technologie ; elle commence lorsque nous ne sommes plus capables de comprendre, de choisir ou de remplacer celle dont nous avons besoin.

Reste alors une question que le cas Mistral ne permet plus d’éviter : comment en sommes-nous arrivés là ?

La France n’est pas dépourvue de talents en intelligence artificielle. Elle possède des mathématiciens, des ingénieurs, des chercheurs et des laboratoires reconnus internationalement. Elle a même réussi à faire émerger avec Mistral l’un des très rares acteurs européens capables d’exister dans la compétition mondiale des grands modèles. Pourtant, à mesure que cette compétition s’accélère, les innovations de référence semblent se concentrer toujours davantage entre les États-Unis et la Chine.

Cette situation nous oblige peut-être à regarder ailleurs que du côté de la seule qualité de notre recherche. Car il existe une distance immense entre produire de l’intelligence scientifique et transformer cette intelligence en puissance industrielle.

C’est cette distance qu’il faut maintenant comprendre. Et elle concerne moins Mistral que l’écosystème français et européen qui l’entoure.

---