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

By Dr. Tawhid CHTIOUI, Founding Presidentof aivancity School of AI & Data for Business & Society; selected by Keyrus as one of the 25 most influential global figures in the field of AI and data (January 2025).

---

ACTE 2 : La France sait former des talents. Pourquoi peine-t-elle à fabriquer de la puissance ?

Introduction : le paradoxe français

La France entretient avec l’intelligence artificielle un paradoxe dont elle ne pourra plus longtemps se satisfaire. Elle dispose de chercheurs reconnus, d’écoles scientifiques exigeantes, de laboratoires performants et d’entrepreneurs capables de faire émerger des entreprises technologiques ambitieuses. Pourtant, lorsqu’il faut transformer cette excellence en puissance industrielle mondiale, le paysage change brutalement.

Les chiffres donnent la mesure de l’écart. En 2025, les entreprises américaines ont attiré près de 286 milliards de dollars d’investissements privés dans l’IA, contre 4,36 milliards pour la France. Dans la seule IA générative, les États-Unis ont concentré 163,6 milliards de dollars d’investissements privés, quand la Chine et l’Europe réunies en totalisaient 4,7 milliards. L’OCDE aboutit au même constat par une autre méthode : les entreprises américaines ont capté environ 75 % de la valeur mondiale du capital-risque investi dans l’IA en 2025, contre 6 % pour l’ensemble de l’Union européenne (Stanford HAI, 2026 ; OECD, 2026).

Ces écarts ne disent pas que l’Europe aurait cessé d’innover. Ils disent quelque chose de plus inquiétant : dans l’IA contemporaine, la qualité scientifique et la puissance technologique sont devenues deux réalités différentes.

Mario Draghi avait formulé le problème de manière particulièrement claire dans son rapport sur la compétitivité européenne : l’Europe ne manque ni d’idées, ni de chercheurs, ni d’entrepreneurs ; elle échoue beaucoup plus souvent à transformer l’innovation en succès commercial mondial, notamment parce que ses entreprises rencontrent des difficultés de financement et de changement d’échelle dans un marché encore fragmenté (Draghi, 2024). Deux ans plus tard, la Commission européenne reconnaît elle-même que le continent reste en retard sur les capacités de calcul, les semi-conducteurs et certaines infrastructures indispensables au développement de l’IA (Commission européenne, 2026).

Cette distinction est essentielle. Pendant longtemps, nous avons pensé la puissance scientifique à partir des universités, des laboratoires, des publications et des talents. L’intelligence artificielle nous oblige à regarder toute la chaîne. Pour transformer une découverte en puissance, il faut désormais pouvoir mobiliser rapidement des milliards de capitaux, accéder à des dizaines de milliers de processeurs avancés, sécuriser l’énergie nécessaire pour les faire fonctionner, attirer et retenir les meilleurs chercheurs, disposer d’un marché suffisamment vaste pour grandir et accepter de financer plusieurs années d’incertitude avant qu’une technologie ne devienne rentable. L’OCDE montre d’ailleurs que les infrastructures informatiques et d’hébergement sont devenues, depuis 2023, le premier secteur de destination du capital-risque consacré à l’IA, avec 109 milliards de dollars investis pour la seule année 2025 (OECD, 2026).

Autrement dit, la nouvelle frontière technologique ne récompense plus seulement celui qui a les meilleures idées. Elle favorise celui qui possède l’écosystème capable de leur donner une échelle.

C’est peut-être là que se situe aujourd’hui la véritable fragilité française et européenne. Nous avons longtemps demandé à notre système éducatif et scientifique de produire des connaissances et des talents. Nous devons désormais nous demander ce qu’il advient de cette intelligence une fois qu’elle a été produite : qui la finance, qui lui donne les moyens de calculer, qui l’industrialise, qui lui ouvre un marché et, finalement, dans quel pays elle crée de la valeur.

Car une nation peut former d’excellents chercheurs tout en finançant insuffisamment leurs ambitions. Elle peut produire des découvertes dont d’autres construiront les entreprises. Elle peut même devenir un formidable système de formation de talents pour les puissances technologiques qu’elle cherche ensuite à concurrencer.

Le défi français n’est donc peut-être pas de produire davantage d’intelligence. Il est de comprendre pourquoi nous avons tant de difficulté à transformer l’intelligence que nous produisons en puissance.

C’est cette mécanique qu’il faut maintenant démonter.

I. La grande confusion : talent ne signifie pas souveraineté

Nous avons trop longtemps confondu deux choses : disposer de talents et disposer d’une puissance technologique. Les deux sont évidemment liées, mais elles ne se confondent pas. Un pays peut former d’excellents mathématiciens, publier des recherches de premier plan et abriter des laboratoires reconnus sans être capable de faire émerger les entreprises, les infrastructures et les positions de marché qui lui permettront de maîtriser durablement les technologies issues de cette recherche. On pourrait presque résumer le problème par une équation volontairement provocatrice : talents + recherche ≠ souveraineté technologique.

Il manque entre les deux toute une chaîne de transformation.

Dans l’intelligence artificielle contemporaine, une découverte scientifique doit pouvoir rencontrer du capital en quantité suffisante, une puissance de calcul immédiatement disponible, des infrastructures numériques, de l’énergie, des données de qualité, des ingénieurs capables de transformer la recherche en produit, des entrepreneurs capables de construire une organisation et des clients suffisamment importants pour lui permettre de changer rapidement d’échelle. Il faut ensuite pouvoir financer cette croissance pendant plusieurs années, attirer de nouveaux talents, sécuriser l’accès aux composants critiques et affronter des concurrents qui disposent parfois de ressources sans commune mesure avec celles d’une jeune entreprise. La vitesse devient elle-même une ressource stratégique.

Une excellente innovation qui met cinq ans à atteindre le marché peut être dépassée par une technologie légèrement moins avancée mais industrialisée en dix-huit mois. À la frontière de l’IA, où les générations de modèles se succèdent désormais en quelques mois, le temps qui sépare la recherche de son industrialisation devient presque aussi important que la qualité de la recherche elle-même.

Les données du Stanford AI Index illustrent cette nouvelle réalité. La capacité mondiale de calcul consacrée à l’IA aurait progressé en moyenne de 3,3 fois par an depuis 2022. Dans le même temps, plus de 90 % des modèles considérés comme notables en 2025 ont été produits par l’industrie, alors que les universités continuent de jouer un rôle majeur dans la recherche fondamentale et les publications influentes (Stanford HAI, 2026).

Ce déplacement est considérable. Il signifie que la frontière de l’innovation se situe de plus en plus dans des organisations capables de réunir simultanément science, capital, ingénierie et infrastructures. La connaissance reste indispensable, mais elle ne suffit plus à elle seule à atteindre la frontière technologique.

La littérature sur les systèmes nationaux d’innovation avait pourtant identifié depuis longtemps cette difficulté. Les travaux de Lundvall et Nelson ont montré que l’innovation ne résulte jamais simplement de l’excellence d’un laboratoire ou d’une entreprise isolée. Elle dépend des interactions entre universités, entreprises, financeurs, pouvoirs publics, marchés et institutions capables de transformer la connaissance en activité économique (Lundvall, 1992 ; Nelson, 1993). L’IA pousse aujourd’hui cette logique à un niveau extrême, parce que le coût et la complexité de certaines infrastructures rendent cette interdépendance beaucoup plus visible.

La Commission européenne elle-même semble avoir progressivement intégré ce changement de perspective. Son plan pour un « continent de l’IA » ne repose pas uniquement sur la formation de chercheurs. Il associe explicitement puissance de calcul, accès aux données, financement, diffusion de l’IA dans les entreprises et développement des compétences. L’Union prévoit notamment jusqu’à cinq gigafactories d’IA, dix-neuf AI Factories et un objectif de mobilisation de 200 milliards d’euros d’investissements. Ce programme constitue, en creux, la reconnaissance d’un déficit : la Commission qualifie elle-même l’insuffisance européenne en infrastructures de calcul à grande échelle de goulot d’étranglement pour la compétitivité et l’autonomie stratégique du continent (Commission européenne, 2025-2026).

Il faut ajouter à cette chaîne un acteur dont le rôle est parfois sous-estimé en Europe : le client.

Les États peuvent contribuer à créer un marché pour leurs propres technologies par leurs achats, leurs politiques industrielles ou leurs grands programmes. Les entreprises privées peuvent faire de même lorsqu’un écosystème économique est suffisamment vaste pour offrir immédiatement des débouchés aux nouveaux acteurs. Une technologie ne devient pas stratégique simplement parce qu’elle est excellente ; elle le devient lorsqu’elle trouve suffisamment vite des utilisateurs pour financer son amélioration, accumuler des données, attirer des investisseurs et imposer progressivement ses standards.

La commande publique, en particulier, ne constitue donc pas seulement un instrument budgétaire. Elle peut devenir un instrument de souveraineté lorsqu’elle permet à des technologies émergentes de trouver leurs premiers grands marchés domestiques. C’est ici que la comparaison avec les États-Unis et la Chine devient éclairante. Leur avantage ne consiste pas simplement à disposer de davantage de chercheurs ou d’entrepreneurs. Ils ont développé, selon des logiques très différentes, des systèmes capables de relier recherche, financement, infrastructures, industrie et marché.

L’Europe a longtemps pensé l’innovation comme une affaire de connaissances. Les grandes puissances technologiques la traitent aussi comme une chaîne de transformation.

La souveraineté ne consiste donc pas à posséder chacun des maillons séparément. Elle suppose que le capital puisse rencontrer le talent, que le talent puisse accéder au calcul, que le calcul puisse devenir un produit, que ce produit puisse trouver un marché et que l’entreprise qui l’a créé puisse grandir sans devoir quitter son écosystème pour trouver les moyens de son ambition.

Autrement dit, la véritable question n’est plus seulement de savoir combien de talents nous formons. Elle est de savoir quelle machine collective nous avons construite pour transformer leur intelligence en puissance.

C’est sur ce point que les trajectoires américaine, chinoise et européenne divergent.

II. Trois systèmes différents de production de puissance

Les États-Unis, la Chine et l’Europe ne construisent pas leur puissance technologique de la même manière. Leurs modèles économiques, politiques et institutionnels diffèrent profondément. Pourtant, la comparaison fait apparaître une distinction essentielle : les deux premières puissances ont réussi, chacune selon sa propre logique, à organiser une chaîne capable de transformer rapidement la recherche en technologies, puis les technologies en marchés.

Aux États-Unis, cette chaîne fonctionne d’abord comme une machine de capitalisation. Les grandes universités produisent de la recherche et attirent les talents internationaux ; le capital-risque finance très tôt des projets extrêmement incertains ; les Big Tech apportent ensuite des capacités de calcul, des infrastructures cloud, des données, des réseaux de distribution et une puissance financière difficiles à égaler. Les acquisitions permettent enfin de réintégrer rapidement les innovations émergentes dans de grandes plateformes.

L’ampleur financière de ce système est devenue spectaculaire. En 2025, les investissements privés américains dans l’IA ont atteint 285,9 milliards de dollars, plus de vingt-trois fois le montant enregistré en Chine, tandis que 1 953 nouvelles entreprises américaines d’IA ont bénéficié d’un financement, soit plus de dix fois le nombre observé dans le pays suivant (Stanford HAI, 2026). Ces chiffres ne signifient pas que tout cet argent produit nécessairement de meilleures innovations. Ils montrent en revanche la profondeur exceptionnelle de l’écosystème capable de financer simultanément des milliers d’expérimentations et quelques paris industriels gigantesques.

La Chine a construit une mécanique différente que l’on pourrait qualifier de machine d’industrialisation. La puissance publique fixe des priorités stratégiques et investit dans les infrastructures, les semi-conducteurs, la puissance de calcul et la diffusion de l’IA dans l’économie. Mais il serait erroné d’imaginer un système simplement administré d’en haut. À côté des géants Alibaba, Tencent, Huawei, Baidu ou ByteDance s’est développée une compétition particulièrement intense entre DeepSeek, Z.ai, Moonshot, MiniMax et de nombreux autres acteurs.

Les travaux récents du Stanford Institute for Human-Centered AI décrivent ainsi un écosystème chinois beaucoup plus diversifié qu’on ne le perçoit souvent en Occident, dans lequel plus d’une douzaine d’organisations développent des modèles ouverts ou open weights très performants. Les auteurs soulignent le rôle du soutien public, mais précisent qu’il n’explique pas à lui seul cette dynamique : la concurrence entre entreprises, la recherche d’efficacité computationnelle et la volonté de faciliter le déploiement des modèles jouent également un rôle majeur (Meinhardt et al., 2025).

La stratégie officielle chinoise traduit d’ailleurs cette volonté de faire passer rapidement l’IA du laboratoire à l’économie réelle. L’initiative « AI+ » prévoit explicitement son intégration dans l’industrie, la recherche, les services et les chaînes de production afin de raccourcir les cycles d’innovation et d’accélérer la modernisation industrielle (State Council of the People’s Republic of China, 2025).

L’Europe offre un troisième visage : celui d’une excellence fragmentée.

Elle dispose de chercheurs de premier plan, d’universités reconnues, de grandes entreprises industrielles, d’un marché de près de 450 millions de consommateurs et d’une épargne considérable. Pourtant, ces ressources circulent encore difficilement entre pays, marchés financiers, universités et entreprises.

Le rapport Draghi résume brutalement cette difficulté : aucune entreprise de l’Union européenne créée au cours des cinquante dernières années n’a atteint une capitalisation supérieure à 100 milliards d’euros, alors que les six entreprises américaines valorisées plus de 1 000 milliards ont toutes été créées durant cette période. Près de 30 % des licornes créées en Europe entre 2008 et 2021 ont par ailleurs déplacé leur siège à l’étranger. Draghi insiste sur la cause centrale : l’Europe produit de nombreuses idées mais peine à les transformer en succès commerciaux mondiaux, notamment en raison de la fragmentation du marché unique et du financement du changement d’échelle (Draghi, 2024).

Cette faiblesse est aujourd’hui suffisamment reconnue pour que l’Union elle-même cherche à la corriger par de nouvelles politiques de financement, d’infrastructures IA et de simplification du marché intérieur. Mais le diagnostic reste sévère : l’Europe possède beaucoup des ressources nécessaires à la puissance technologique sans parvenir encore à leur donner la même continuité que ses concurrents.

L’Europe ne manque peut-être pas de briques. Elle manque encore d’une machine capable de les assembler rapidement en puissance.

C’est cette différence qui change la manière dont il faut désormais juger nos systèmes éducatifs et scientifiques. Former davantage de talents restera indispensable, mais cela ne suffira pas si l’écosystème dans lequel ils évoluent ne leur permet pas ensuite de chercher, entreprendre, financer, industrialiser et grandir à la même échelle que leurs concurrents américains ou chinois.

III. Repenser notre définition de l’excellence éducative

Cette situation devrait nous conduire à interroger un indicateur auquel nous sommes particulièrement attachés : le nombre de talents que nous formons.

Nous célébrons, à raison, nos ingénieurs, nos mathématiciens, nos chercheurs et nos diplômés lorsqu’ils rejoignent les meilleurs laboratoires mondiaux. Mais si une partie croissante de ces talents construit ensuite les champions technologiques américains, si leurs découvertes sont industrialisées ailleurs ou si les innovations issues de nos laboratoires trouvent à l’étranger les capitaux et les marchés nécessaires à leur développement, alors notre mesure de l’excellence reste incomplète.

Il ne s’agit évidemment pas de remettre en cause la mobilité internationale. La science progresse parce que les chercheurs circulent, confrontent leurs travaux et rejoignent les environnements qui leur permettent d’aller plus loin. Une politique de souveraineté qui chercherait à retenir les talents à l’intérieur de frontières nationales finirait par affaiblir la recherche qu’elle prétend protéger.

La question est différente : que reste-t-il dans l’écosystème qui a contribué à former ces talents lorsqu’ils réussissent ailleurs ? Et surtout, cet écosystème est-il suffisamment attractif pour qu’ils puissent également y revenir, y entreprendre, y transférer leurs découvertes ou y construire leurs entreprises ?

C’est ici que l’enseignement supérieur change de responsabilité. Former d’excellents scientifiques reste sa mission première, mais il doit aussi apprendre à mieux relier recherche, entrepreneuriat, industrie et société. La création de spin-offs, les collaborations avec les entreprises, le transfert technologique, les brevets communs, la mobilité entre laboratoire et industrie ou encore la capacité des chercheurs à devenir entrepreneurs ne sont plus des activités périphériques à la mission académique. Elles constituent désormais une partie du chemin qui conduit de la connaissance à l’impact.

La Commission européenne semble elle-même reconnaître ce changement de perspective. En 2026, elle a proposé un nouveau cadre de mesure de la « valorisation des connaissances » qui ne s’arrête plus aux publications ou aux brevets. Parmi les indicateurs proposés figurent désormais les co-brevets entre universités et entreprises, le capital-risque investi dans les spin-offs ou encore le nombre de start-up créées par des titulaires de doctorat. L’objectif affiché est précisément de mieux mesurer la capacité de la recherche à produire une valeur économique et sociale et à contribuer à l’autonomie stratégique européenne (Commission européenne, 2026).

Les travaux académiques consacrés au transfert technologique montrent d’ailleurs que cette transformation ne se décrète pas. L’analyse de plus de 400 universités européennes par Wolszczak-Derlacz (2025) souligne notamment l’importance des relations entre universités et entreprises dans la capacité à produire et partager de la propriété intellectuelle. Autrement dit, l’excellence scientifique produit davantage d’impact lorsqu’elle est reliée à un environnement capable de la prolonger au-delà du laboratoire.

Cela conduit à élargir notre définition de la performance universitaire. Une grande école ou une université ne devrait plus seulement pouvoir dire combien de diplômés elle forme, combien de chercheurs elle publie ou combien de ses anciens travaillent chez Google, Meta ou OpenAI. Elle devrait aussi pouvoir montrer combien d’entreprises sont nées de ses laboratoires, combien de technologies ont atteint le marché, combien de chercheurs circulent entre monde académique et industrie, combien de diplômés deviennent entrepreneurs et quelle valeur scientifique, économique ou sociale cette intelligence produit dans son environnement.

La souveraineté éducative ne se mesure donc pas seulement au nombre de talents que l’on forme, mais à notre capacité collective à transformer leurs talents en puissance scientifique, économique et sociale.

Ce changement de regard est essentiel. Il ne s’agit plus d’opposer université et entreprise, recherche fondamentale et entrepreneuriat, mobilité internationale et intérêt national. Il s’agit au contraire de construire davantage de ponts entre ces mondes. Car le véritable échec ne serait pas que nos meilleurs chercheurs travaillent un jour à Stanford, chez OpenAI ou dans un laboratoire chinois. Il serait qu’ils ne trouvent jamais en France ou en Europe les conditions qui leur donnent envie, un jour, d’y construire quelque chose d’aussi ambitieux.

IV. Le choc chinois révèle une erreur européenne

Pendant longtemps, l’Europe a pensé son retard technologique presque exclusivement à travers sa comparaison avec les États-Unis. L’équation paraissait simple : d’un côté, les plateformes américaines, leur capital, leur cloud et leurs modèles propriétaires ; de l’autre, une Europe cherchant à préserver son autonomie sans disposer des mêmes moyens.

L’essor chinois modifie cette géographie.

La Chine n’oppose pas simplement de nouveaux champions à OpenAI, Google ou Anthropic. Une partie de son écosystème propose une combinaison différente : des modèles désormais proches de la frontière technologique, des coûts souvent plus faibles et, surtout, une politique beaucoup plus volontariste de diffusion de modèles open weight pouvant être téléchargés, adaptés et exécutés en dehors des plateformes de leurs concepteurs.

Stanford HAI considère ainsi que les modèles chinois open weight ont désormais rattrapé, voire dépassé dans certains usages, plusieurs de leurs concurrents internationaux et souligne que leur diffusion mondiale pourrait modifier les rapports de dépendance technologique entre États (Meinhardt et al., 2025). Qwen est déjà largement utilisé par des développeurs hors de Chine, tandis que DeepSeek a démontré la vitesse avec laquelle un modèle chinois pouvait se diffuser à l’échelle mondiale.

Cette dynamique est particulièrement importante pour les pays qui ne disposent ni des capitaux ni des infrastructures nécessaires pour entraîner leurs propres modèles de pointe. Carnegie Endowment souligne ainsi qu’une autre compétition est en train de se développer, notamment dans les pays du Sud : elle ne porte plus seulement sur celui qui construira le modèle le plus puissant, mais sur celui qui proposera les technologies les plus accessibles, adaptables et faciles à déployer. Après son lancement, DeepSeek est devenu l’une des applications les plus téléchargées dans plus de 140 marchés, notamment au Brésil et en Inde (Sheehan et al., 2025).

Le raisonnement d’un État, d’une université ou d’une entreprise peut alors changer profondément. Pourquoi dépendre exclusivement d’une API américaine fermée, dont le fournisseur conserve la maîtrise du modèle, de son évolution et souvent de ses conditions d’utilisation, si un modèle chinois suffisamment performant peut être installé sur une infrastructure choisie localement, adapté aux besoins du pays et, dans certaines limites, contrôlé par celui qui l’exploite ?

Cela ne signifie évidemment pas que le modèle chinois soit devenu « souverain » par le seul fait d’être installé localement. Sa conception, son entraînement et certaines dépendances technologiques restent extérieurs. Des questions de sécurité, de licence, d’audit, de culture et de gouvernance demeurent, comme nous l’avons vu. Mais le rapport de dépendance n’est plus de même nature.

C’est peut-être là que se situe l’une des innovations géopolitiques les plus importantes de la stratégie chinoise. La Chine peut diffuser son influence technologique sans nécessairement imposer au monde de venir utiliser une plateforme située en Chine. Ses modèles peuvent voyager séparément de leurs infrastructures d’origine.

Cette stratégie entre en résonance avec une demande particulièrement forte dans les économies émergentes : disposer d’outils performants sans abandonner entièrement le contrôle de leurs données, pouvoir adapter les modèles à leurs langues et à leurs usages, et éviter une dépendance exclusive aux grandes plateformes américaines. Carnegie souligne d’ailleurs que la compétition sino-américaine pour l’IA dans le Sud global se joue de plus en plus sur ce terrain de l’accessibilité, du coût, des infrastructures et de l’adaptation locale, et non plus seulement sur la performance absolue des modèles Lu & Winter-Levy, 2025).

L’Europe pourrait avoir commis une erreur d’analyse en regardant trop longtemps l’IA comme une course dans laquelle il fallait simplement rattraper les États-Unis. La Chine transforme progressivement la course elle-même.

Elle ne cherche pas seulement à déplacer le centre de l’innovation mondiale vers Pékin, Hangzhou ou Shenzhen. Elle peut aussi chercher à faire de ses technologies les briques sur lesquelles d’autres pays construiront leur propre intelligence artificielle.

Si cette stratégie s’impose, la géopolitique de l’IA ne sera plus seulement une compétition pour savoir qui possède le meilleur modèle. Elle deviendra une compétition pour savoir dont les modèles deviendront l’infrastructure cognitive des autres.

Et c’est ce nouveau paysage qui oblige à réexaminer la stratégie de Mistral avec davantage de nuance.

V. Et si Mistral faisait un choix rationnel ?

Il reste pourtant une possibilité que le débat sur le « décrochage » européen tend à négliger : et si l’évolution de Mistral n’était pas seulement subie, mais correspondait aussi à une lecture lucide de la manière dont le marché de l’IA est en train de se transformer ?

Shahin Vallée, chercheur au German Council on Foreign Relations, formule l’hypothèse de manière volontairement provocatrice. Selon lui, l’Europe ne dispose pas aujourd’hui des ressources nécessaires pour gagner seule la course aux modèles de frontière et devrait privilégier davantage l’adoption de l’IA que la seule quête de l’innovation de frontière. Il considère ainsi le repositionnement de Mistral vers l’inférence, les infrastructures et le déploiement en entreprise comme une stratégie potentiellement rationnelle, à condition que des modèles ouverts performants continuent d’être disponibles (Vallée, 2026).

L’hypothèse est inconfortable parce qu’elle peut être lue de deux manières.

La première est pessimiste : Mistral constaterait qu’il devient extrêmement difficile de suivre durablement le rythme financier et computationnel imposé par les géants américains et chinois et déplacerait progressivement son centre de gravité vers des activités moins exposées à cette course.

La seconde est plus stratégique : la bataille économique de l’IA pourrait ne pas se gagner uniquement en possédant, à chaque instant, le modèle classé numéro un.

À mesure que les performances des meilleurs modèles se rapprochent et que des modèles open weight performants deviennent accessibles, une part croissante de la valeur peut se déplacer vers ce que les entreprises construisent autour d’eux : l’infrastructure sur laquelle ils fonctionnent, la capacité à choisir et orchestrer plusieurs modèles, leur adaptation à des données propriétaires, la sécurité, la conformité, les agents capables d’agir dans les systèmes d’information et, surtout, leur intégration réelle dans les processus de l’organisation.

C’est clairement dans cette direction que Mistral élargit aujourd’hui son offre. L’entreprise ne se présente plus seulement comme un laboratoire de modèles de frontière. Elle propose désormais une pile beaucoup plus large associant modèles, infrastructure de calcul, outils de création d’agents, personnalisation et alignement de modèles, applications et services d’IA appliquée. Sa stratégie officielle consiste explicitement à permettre aux organisations de construire des systèmes sur mesure autour de leurs propres connaissances et de conserver le contrôle de leur infrastructure et de leur « learning loop » (Mistral AI, 2026a).

Ce déplacement pourrait devenir important si les modèles fondamentaux connaissent une évolution comparable à celle d’autres technologies devenues progressivement des composants d’un système plus vaste. Lorsque plusieurs moteurs deviennent suffisamment performants, l’avantage concurrentiel ne réside plus nécessairement dans le moteur seul, mais dans le véhicule que l’on construit autour, dans son usage et dans la manière dont il s’intègre à un environnement particulier.

Il serait cependant prématuré d’en conclure que la bataille des modèles n’a plus d’importance. Celui qui maîtrise la frontière conserve une capacité d’innovation, de négociation et d’indépendance que l’utilisateur des modèles des autres ne possède pas entièrement. Vallée reconnaît d’ailleurs lui-même le coût stratégique de son scénario : privilégier l’adoption revient, au moins partiellement, à accepter que d’autres continuent de repousser la frontière technologique (Vallée, 2026).

C’est exactement pourquoi il serait trop simple de choisir dès maintenant entre deux récits, celui d’un Mistral qui recule et celui d’un Mistral qui aurait découvert avant les autres où se situera demain la valeur.

Peut-être assistons-nous aux deux mouvements à la fois : un recul relatif dans la course à la puissance brute des modèles, mais une tentative de prendre position sur une autre frontière, celle de leur appropriation par les entreprises, les institutions et les États.

Si cette hypothèse se confirme, elle change encore une fois la question européenne. Il ne s’agira plus seulement de savoir si nous pouvons produire le meilleur modèle du monde, mais de déterminer quelles couches de la chaîne de l’intelligence nous devons absolument maîtriser pour ne pas devenir dépendants de ceux qui le produisent.

Conclusion. Une stratégie rationnelle pour Mistral n’est pas nécessairement une stratégie suffisante pour l’Europe

On pourrait conclure que l’Europe doit simplement accepter la nouvelle division internationale du travail : les États-Unis et la Chine produiraient les modèles les plus avancés, tandis que nous nous spécialiserions dans leur hébergement, leur sécurisation, leur orchestration et leur intégration dans les entreprises.

Cette stratégie peut être économiquement rationnelle. Elle peut même, à court terme, accélérer considérablement l’adoption de l’IA dans une Europe qui accuse encore un retard d’usage dans une partie de son tissu économique. Shahin Vallée a raison de rappeler qu’une technologie n’a d’impact que lorsqu’elle est effectivement adoptée, et que la souveraineté ne se construit pas uniquement dans les laboratoires (Vallée, 2026).

Mais transformer cette observation en doctrine industrielle serait dangereux.

Car il existe une différence fondamentale entre utiliser intelligemment les innovations des autres et perdre progressivement la capacité d’en produire soi-même.

Si l’Europe abandonne la frontière des modèles au motif que d’autres savent les construire plus vite et moins cher, elle risque de devenir extraordinairement compétente dans l’intégration de technologies dont elle ne maîtrisera plus les trajectoires. Elle pourra choisir entre plusieurs fournisseurs tant que plusieurs fournisseurs existeront, bénéficier de modèles ouverts tant qu’ils resteront ouverts et construire ses infrastructures autour d’innovations dont les grandes orientations seront décidées ailleurs.

Cette souveraineté aurait quelque chose de paradoxal : nous maîtriserions de mieux en mieux l’usage d’une intelligence que nous maîtriserions de moins en moins dans sa fabrication.

Le problème n’est donc pas de choisir entre innovation et adoption. Une puissance technologique durable doit être capable de faire les deux. L’adoption sans innovation conduit à la dépendance ; l’innovation sans adoption conduit à une excellence scientifique sans impact économique. Le véritable enjeu réside dans la capacité à entretenir la boucle qui relie recherche, industrie, usages et nouvelles recherches.

C’est ici que le cas Mistral retrouve toute son importance. Si son repositionnement permet à l’entreprise de construire un acteur européen puissant de l’infrastructure, de l’orchestration et de l’IA appliquée tout en maintenant une capacité crédible de recherche et de développement de modèles, il pourra constituer une forme nouvelle de puissance technologique. Si, en revanche, la partie « modèle » devient progressivement secondaire parce que les innovations décisives viennent systématiquement d’ailleurs, nous devrons avoir l’honnêteté de reconnaître qu’il ne s’agit plus exactement de la souveraineté que nous pensions construire en 2023.

Le débat dépasse évidemment une entreprise. Il concerne le choix collectif que la France et l’Europe doivent faire face à un changement d’échelle historique.

Le rapport Draghi insistait déjà sur la nécessité de combler l’écart entre invention et commercialisation, mais le défi de l’IA ajoute une difficulté supplémentaire : il faut apprendre à industrialiser davantage sans renoncer à rester un lieu où se crée la prochaine génération de technologies (Draghi, 2024).

Cela suppose de cesser d’opposer des politiques qui ont trop souvent été pensées séparément : excellence académique, politique industrielle, capital, énergie, infrastructures de calcul, marchés publics, entrepreneuriat et développement des entreprises technologiques doivent devenir les composantes d’une même stratégie.

La France peut continuer à former d’excellents chercheurs. L’Europe peut multiplier les programmes de financement et les infrastructures. Mistral peut devenir un formidable intégrateur de modèles mondiaux. Tout cela est utile. Mais rien de tout cela ne répond encore complètement à la question de la souveraineté.

Car être souverain ne signifie ni tout produire soi-même ni simplement savoir utiliser ce que les autres produisent. Entre l’autarcie, impossible, et la dépendance, dangereuse, il reste à définir ce que nous devons absolument maîtriser, ce que nous pouvons partager, ce que nous pouvons acheter et ce que nous ne devons jamais perdre la capacité de reconstruire nous-mêmes.

C’est peut-être là que commence la véritable question.

Non plus : « l’Europe peut-elle encore gagner la course à l’IA ? »

Mais : de quelles souverainetés avons-nous réellement besoin pour rester maîtres de nos choix dans un monde où aucune intelligence ne sera entièrement nationale ?