Hugging Face veut faire de l’open source une priorité des politiques sur l’IA

L’intelligence artificielle se construit aujourd’hui entre deux modèles économiques et technologiques. D’un côté, des services très puissants, mais contrôlés par les entreprises qui les conçoivent. De l’autre, des logiciels, modèles et composants que des communautés peuvent étudier, adapter et redistribuer selon leurs licences. À travers son plaidoyer en faveur de l’open source, Hugging Face demande que ce second modèle ne soit pas marginalisé dans les plans d’action consacrés à l’IA.

L’enjeu dépasse la seule préférence technique. Pour la plateforme, favoriser les ressources ouvertes doit aider davantage d’entreprises, de laboratoires, d’administrations et de développeurs à expérimenter l’IA, au lieu de dépendre exclusivement d’un petit nombre de fournisseurs. Cette orientation est aussi présentée comme un moyen de renforcer la diversité des usages et le contrôle collectif des technologies qui s’installent dans l’économie et la vie quotidienne.

Pourquoi Hugging Face demande-t-elle une priorité pour l’open source ?

Hugging Face s’est imposée comme l’une des principales plateformes de partage pour les modèles d’intelligence artificielle. Elle permet notamment de publier, trouver, tester et intégrer des modèles déjà entraînés, ainsi que des jeux de données et des outils utiles à leur utilisation. Son message est clair : les décisions publiques sur l’IA devraient tenir compte de cet écosystème ouvert, et non se concentrer uniquement sur les solutions commercialisées sous la forme de services propriétaires.

Dans un environnement dominé par la course aux grands modèles génératifs, l’accès à l’infrastructure et aux meilleurs systèmes peut devenir coûteux. Les modèles proposés uniquement via une interface en ligne sont pratiques, mais l’utilisateur dépend alors des conditions techniques, tarifaires et contractuelles de leur éditeur. Il ne peut pas forcément examiner leur fonctionnement, les exécuter dans sa propre infrastructure ou les adapter à un besoin local.

Les ressources ouvertes constituent une autre voie. Une organisation peut, si la licence le permet, récupérer un modèle, le tester sur ses propres données, l’ajuster à un cas d’usage précis et le déployer dans un environnement qu’elle maîtrise. Cela peut être particulièrement important pour la recherche, les PME, les équipes publiques ou les secteurs qui manipulent des informations sensibles.

Open source, modèles ouverts : de quoi parle-t-on vraiment ?

Le terme « open source » est souvent employé de manière large dans l’IA. Historiquement, il désigne un logiciel dont le code source est accessible, avec une licence autorisant certaines formes d’étude, de modification et de redistribution. Appliqué aux modèles d’IA, le mot peut recouvrir des réalités plus nuancées.

Un modèle peut rendre publics ses paramètres, aussi appelés poids, sans publier son code d’entraînement, les données utilisées ni toutes les méthodes qui ont servi à le construire. À l’inverse, un projet peut partager du code, mais ne pas autoriser certains usages commerciaux. L’ouverture n’est donc pas un interrupteur que l’on active ou désactive : elle se mesure composant par composant et dépend des termes de la licence.

Pour un utilisateur, la bonne question n’est pas seulement « ce modèle est-il ouvert ? », mais aussi : qu’est-il possible de consulter, modifier, redistribuer et exploiter ? Les réponses déterminent le degré réel d’autonomie d’une organisation.

Cette distinction est centrale dans le débat réglementaire. Des règles conçues sans prendre en compte les modèles ouverts pourraient, selon leurs modalités, imposer une charge disproportionnée à de petites équipes de recherche ou à des projets communautaires. À l’inverse, une politique favorable à l’ouverture ne dispense pas ces projets de traiter les sujets de sécurité, de droits d’auteur, de protection des données ou de biais.

Une plateforme à grande échelle, soutenue par les investisseurs

Le poids de Hugging Face dans cette discussion tient aussi à l’ampleur de sa plateforme. En mars 2025, celle-ci héberge plus d’un demi-million de modèles d’IA. Ces ressources couvrent notamment le traitement automatique des langues, l’apprentissage automatique et la vision par ordinateur. Elles offrent une base de départ à des personnes qui ne disposent pas des moyens de créer un modèle depuis zéro.

Le principe est comparable à celui d’un dépôt de projets, adapté à l’IA. Des équipes peuvent publier leurs travaux, d’autres peuvent les examiner, les télécharger ou les intégrer à leurs propres outils. Cette circulation accélère la reproduction d’expériences et la mise à l’épreuve des résultats. Elle permet aussi à des communautés spécialisées de créer des outils dans des langues ou pour des domaines qui attirent moins les investissements des plateformes mondiales.

L’entreprise a également démontré sa capacité à attirer des capitaux. En août 2023, Hugging Face a annoncé une levée de fonds de 235 millions de dollars. Google, Amazon et Nvidia figuraient parmi les investisseurs cités. L’opération a porté sa valorisation à 4,5 milliards de dollars, soit environ le double de son niveau précédent.

Le financement par des groupes majeurs de la tech ne transforme pas pour autant Hugging Face en simple acteur propriétaire. Il illustre surtout une réalité du marché : les projets ouverts et les services commerciaux peuvent coexister. Héberger des modèles, proposer des outils aux entreprises et faire vivre une communauté mondiale exigent des ressources importantes, y compris dans un écosystème fondé sur le partage.

L’ouverture face aux modèles propriétaires

Les grands fournisseurs d’IA proposent des modèles sophistiqués via des services qu’ils contrôlent. Ce choix peut apporter des avantages concrets : une utilisation plus simple, une infrastructure déjà dimensionnée et des mises à jour centralisées. En contrepartie, les mécanismes internes du modèle et les données qui ont servi à le concevoir restent généralement moins accessibles.

Hugging Face défend une approche différente, fondée sur la disponibilité d’outils et de modèles que la communauté peut examiner et réemployer. Cette vision ne nie pas l’utilité des offres propriétaires. Elle souligne plutôt le risque d’une concentration excessive des ressources, des compétences et du pouvoir de décision entre les mains de quelques entreprises.

La transparence ne suffit pas à garantir une IA sûre

L’argument de l’ouverture est puissant, mais il ne doit pas être simplifié. La publication d’un modèle peut faciliter son examen par des chercheurs indépendants, ses tests dans des contextes variés et l’identification de certains défauts. Un développeur peut aussi étudier les performances d’un système sur des cas d’usage qui n’ont pas été envisagés par son créateur.

Cependant, rendre un modèle disponible ne garantit pas automatiquement sa qualité, son équité ou son innocuité. Les biais peuvent venir des données, de la méthode d’entraînement ou de la manière dont le système est intégré dans un produit. Un modèle partagé peut également être insuffisamment documenté, mal évalué ou utilisé hors du contexte pour lequel il avait été conçu.

C’est pourquoi les fiches descriptives associées aux modèles, souvent appelées « model cards », ont un rôle important. Lorsqu’elles sont correctement renseignées, elles peuvent indiquer les tâches prévues, les données pertinentes, les limites connues, les méthodes d’évaluation et les restrictions de licence. Elles n’éliminent pas les risques, mais elles donnent aux utilisateurs des éléments pour évaluer si un outil convient à leur projet.

Le sujet de la sécurité est également plus complexe pour les modèles puissants. Une diffusion large peut permettre une recherche plus ouverte et une meilleure appropriation par la société. Mais elle peut aussi réduire le contrôle du créateur sur les usages qui en seront faits. Les politiques publiques doivent donc éviter deux écueils : traiter les projets ouverts comme s’ils étaient sans risque, ou considérer qu’ils sont par nature incompatibles avec une IA responsable.

Innovation, emploi et souveraineté technologique

Le plaidoyer de Hugging Face s’inscrit aussi dans une question de compétitivité. Une base technologique ouverte permet à des équipes locales de développer des compétences sans devoir reconstruire chaque brique fondamentale. Elles peuvent consacrer leurs efforts à l’adaptation d’un modèle à une langue, un métier, un secteur industriel ou un service public.

Pour les chercheurs et les étudiants, l’accès à des modèles et à des outils réutilisables facilite l’apprentissage pratique. Pour les entreprises, il peut réduire la dépendance à un fournisseur unique et offrir davantage de maîtrise sur le déploiement. Cette autonomie est particulièrement recherchée lorsque les données ne peuvent pas facilement sortir d’un environnement contrôlé.

L’effet sur l’emploi ne se limite pas aux développeurs de modèles. L’essor d’une IA déployée dans les organisations crée aussi des besoins en ingénierie des données, sécurité, évaluation, conformité, conception produit et formation des utilisateurs. Les outils ouverts peuvent abaisser la barrière d’entrée, mais ils ne remplacent pas les compétences nécessaires pour déployer une technologie fiable.

Le débat concerne enfin la capacité des pays et des régions à participer à la création de l’IA, plutôt qu’à la consommer. Favoriser la recherche, les infrastructures et les communautés de développement ouvertes peut renforcer cette capacité. Cela suppose néanmoins des investissements durables, car entraîner ou faire fonctionner certains modèles reste très coûteux en puissance de calcul et en énergie.

Ce qu’il faut surveiller dans les politiques sur l’IA

La position de Hugging Face pose une question concrète aux décideurs : comment encourager l’innovation ouverte tout en protégeant le public ? La réponse ne peut pas se réduire à une opposition entre « ouvert » et « fermé ». Les futures règles devront être capables de distinguer les niveaux d’accès aux modèles, les tailles de projet, les usages visés et les risques réels.

Plusieurs points seront déterminants :

• la manière dont les règles de transparence s’appliqueront aux modèles publiés et à leurs auteurs ;
• la place accordée aux licences, à la provenance des données et aux droits de propriété intellectuelle ;
• l’accès des chercheurs, PME et administrations à des infrastructures de calcul suffisantes ;
• les mécanismes d’évaluation et de documentation permettant aux utilisateurs de faire des choix éclairés ;
• la capacité des politiques publiques à soutenir des projets collaboratifs sans leur imposer des obligations impossibles à assumer.

En défendant une priorité à l’open source, Hugging Face ne propose pas seulement une stratégie pour sa plateforme. L’entreprise remet au centre une interrogation de fond : qui pourra comprendre, adapter et orienter les outils d’intelligence artificielle dans les années à venir ? Pour que l’ouverture soit un véritable levier d’innovation et de confiance, elle devra s’accompagner de règles claires, de documentation sérieuse et d’une responsabilité partagée par tous les acteurs de l’écosystème.