IA souveraine : pourquoi les États investissent-ils des milliards malgré les risques ?

L’intelligence artificielle est devenue un sujet de politique industrielle autant qu’un outil numérique. Face à la domination de grandes entreprises américaines et chinoises, de nombreux gouvernements engagent des sommes considérables pour développer des capacités d’IA dites « souveraines ». Derrière cette expression se trouve une idée simple : ne pas laisser des technologies susceptibles d’influencer l’économie, les services publics, l’information ou la défense reposer entièrement sur des acteurs étrangers.

Cette stratégie ne consiste pas forcément à bâtir un équivalent national de chaque assistant conversationnel connu. Elle peut couvrir la création de modèles de langage adaptés au pays, l’hébergement local des données, l’accès à une puissance de calcul contrôlée sur le territoire, le soutien à la recherche ou encore des règles d’achat public. Mais l’ambition soulève une interrogation concrète : un État doit-il financer sa propre pile technologique, au risque de dépenser beaucoup pour des outils moins performants que ceux déjà disponibles ? Au 9 octobre 2025, le débat oppose nécessité stratégique et prudence économique.

Que recouvre vraiment l’expression « IA souveraine » ?

L’IA souveraine ne désigne pas une technologie unique ni un label universel. C’est une manière de penser l’autonomie d’un pays dans un domaine où les dépendances sont nombreuses. Un modèle d’IA ne fonctionne pas seul : il repose sur des données, des logiciels, des équipes de recherche, des puces spécialisées, des centres de données, de l’électricité et des réseaux.

Un pays peut donc renforcer sa souveraineté à plusieurs niveaux sans prétendre maîtriser chaque maillon. Il peut, par exemple, imposer que certaines données publiques ou sensibles restent sous sa juridiction, financer des modèles capables de traiter ses langues, ou mettre une infrastructure de calcul à la disposition de ses universités et entreprises.

La différence est importante. Chercher à posséder un grand modèle généraliste de pointe est une ambition particulièrement lourde. En revanche, adapter un modèle existant à une langue, à un service public ou à un secteur réglementé peut être plus ciblé. Confondre ces deux objectifs conduit à des débats imprécis sur les dépenses publiques.

Pourquoi les États veulent-ils réduire leur dépendance ?

La première motivation est géopolitique. Les grands modèles de langage et les services d’IA reposent aujourd’hui largement sur des entreprises établies aux États-Unis ou en Chine. Lorsqu’un ministère, un hôpital, une administration fiscale ou une organisation de défense utilise de tels outils, plusieurs questions se posent : quelles données sont traitées ? Sous quelle loi ? Le service restera-t-il accessible en cas de tension diplomatique, de changement commercial ou de restriction d’exportation ?

La sécurité nationale est ainsi au cœur de nombreuses initiatives. La publication d’origine évoque notamment les préoccupations suscitées par l’usage, au sein du ministère indien de la Défense, d’une technologie conçue à l’étranger. Le problème ne tient pas seulement à la nationalité d’un logiciel. Il porte aussi sur les données qui pourraient y être saisies, sur les dépendances techniques créées et sur la capacité d’un État à vérifier le comportement du système.

Les administrations ont également besoin d’outils compatibles avec leurs obligations particulières. Un modèle utilisé pour aider à rédiger des documents internes, résumer des dossiers ou assister des agents ne peut pas être traité comme un simple service grand public. Il doit offrir des garanties sur les droits d’accès, la conservation des informations, la cybersécurité et la traçabilité des décisions.

Enfin, l’IA est considérée comme un levier de compétitivité. Soutenir des laboratoires, des entreprises et des infrastructures nationales peut contribuer à conserver sur le territoire les compétences qui permettront demain de créer des services, d’améliorer la productivité et de mieux évaluer les technologies importées.

Les langues locales constituent un argument concret

La souveraineté ne relève pas uniquement de la défense ou de la diplomatie. Elle concerne aussi l’utilité quotidienne des outils. Les grands modèles mondiaux sont entraînés sur d’immenses corpus, mais la représentation des langues, dialectes et références culturelles y est très inégale. Les régions dont les langues sont peu présentes dans les données disponibles risquent d’obtenir des réponses plus approximatives, moins naturelles ou inadaptées à leurs usages.

À Singapour, l’initiative SEA-LION est présentée comme un exemple de modèle conçu pour mieux prendre en compte les réalités linguistiques régionales. L’intérêt d’une telle démarche est de ne pas réduire l’IA à une traduction automatique depuis l’anglais ou le mandarin. Dans les services publics, l’éducation, l’information ou l’assistance aux entreprises, comprendre une formulation locale, une diversité d’écritures ou un contexte administratif peut faire la différence entre un outil réellement utile et une démonstration technique.

En Inde, l’entreprise Soket AI est également citée comme illustration de cette volonté de développer des systèmes plus proches des spécificités locales. Dans des pays marqués par une grande diversité linguistique, cet objectif peut être particulièrement pertinent. Il ne garantit toutefois pas, à lui seul, la qualité d’un modèle. Il faut des données fiables, des méthodes d’évaluation sérieuses et des utilisateurs capables de signaler les erreurs.

La question culturelle ne doit pas non plus devenir un prétexte à l’isolement. Les modèles internationaux peuvent apporter des capacités importantes, tandis que les acteurs locaux apportent une connaissance fine des langues et des usages. L’enjeu consiste souvent à articuler ces deux apports plutôt qu’à opposer mécaniquement le local et l’étranger.

Pourquoi ces projets peuvent-ils coûter très cher ?

Développer une IA avancée nécessite bien davantage que le recrutement de quelques ingénieurs. Il faut réunir des jeux de données exploitables, financer du calcul informatique, assurer la sécurité des systèmes, construire des interfaces, tester les résultats, corriger les biais et maintenir l’outil dans le temps. La facture ne s’arrête donc pas à la présentation initiale d’un modèle.

Les gouvernements doivent en outre rivaliser pour attirer des profils techniques très demandés. Les entreprises les plus puissantes du secteur disposent de ressources financières, de masses de données et d’infrastructures difficiles à reproduire à l’échelle d’un petit pays. La question est particulièrement sensible pour les États en développement, qui doivent arbitrer entre cette ambition et d’autres besoins publics urgents.

Il existe aussi un risque de mauvais calibrage. Un pays peut annoncer un programme souverain très ambitieux sans avoir défini quels services doivent en bénéficier, quels indicateurs permettront d’en mesurer l’utilité ou quelles institutions seront responsables en cas d’échec. Il peut alors financer une vitrine technologique peu utilisée, alors que des investissements dans les compétences, les données publiques de qualité ou la modernisation des administrations auraient produit un effet plus tangible.

Faut-il construire seul ou coopérer entre États ?

L’une des réponses au problème des moyens consiste à mutualiser les investissements. La publication d’origine évoque une proposition de consortium d’États inspirée du modèle d’Airbus, avec l’idée de créer une entreprise publique d’IA. Des pays comme le Royaume-Uni, l’Espagne et le Canada sont mentionnés dans cette réflexion sur le partage des expertises.

Une coopération de cette nature pourrait éviter que chaque pays finance séparément les mêmes fondations techniques. Les partenaires pourraient répartir les travaux entre la recherche, les infrastructures, les jeux de données multilingues, les audits de sécurité et les applications sectorielles. Elle pourrait aussi créer un pouvoir de négociation plus important face aux grands fournisseurs de matériel et de services cloud.

La méthode a cependant ses propres difficultés. Les États n’ont pas nécessairement les mêmes règles sur les données, les mêmes priorités industrielles, les mêmes langues ni les mêmes intérêts stratégiques. Gouverner un projet commun demande donc une répartition explicite des responsabilités, des financements stables et un accord sur ce qui doit rester commun ou national.

La régulation reste indispensable, y compris avec une IA nationale

Posséder ou financer une IA locale ne règle pas automatiquement les problèmes d’éthique, de vie privée ou de fiabilité. Un modèle développé sur le territoire peut encore commettre des erreurs, reproduire des biais présents dans ses données, produire des contenus trompeurs ou être utilisé de manière excessive dans une décision administrative.

C’est pourquoi la question de la gouvernance est indissociable de celle de l’investissement. Les administrations doivent savoir quelles données peuvent être utilisées pour entraîner ou alimenter un système, quelles personnes peuvent y accéder, comment signaler une erreur et dans quelles situations une décision humaine demeure obligatoire. Les préoccupations de protection des données personnelles, relevées dans le débat international, sont particulièrement fortes lorsque l’IA touche aux citoyens.

Le rapport de l’Atlantic Council cité dans la publication d’origine illustre l’ampleur du défi : les règles doivent suivre un domaine technique qui évolue vite, sans se limiter à une logique de réaction après coup. Pour les pouvoirs publics, la bonne question n’est donc pas uniquement « quel modèle acheter ou développer ? ». C’est aussi « dans quel cadre ce modèle sera-t-il utilisé, contrôlé et évalué ? ».

Une stratégie sérieuse combine plusieurs instruments : règles de sécurité, marchés publics exigeants, audits, formation des agents, mécanismes de recours pour les citoyens et transparence sur les usages. Sans ces garde-fous, l’étiquette « souveraine » risque de masquer des pratiques tout aussi opaques que celles que les États cherchent précisément à éviter.

Une dépense inutile ou un investissement de long terme ?

Il serait trompeur de répondre par oui ou non. Certains projets peuvent devenir dispendieux s’ils cherchent à reproduire, sans avantage clair, des outils déjà disponibles sur le marché. D’autres peuvent être justifiés parce qu’ils protègent des données sensibles, soutiennent une langue insuffisamment représentée ou assurent une continuité de service essentielle.

L’évaluation devrait donc partir des besoins plutôt que du prestige technologique. Un gouvernement peut se poser cinq questions simples : quelle dépendance souhaite-t-il réduire ? Quelles données doivent rester sous contrôle particulier ? Quels utilisateurs bénéficieront réellement du projet ? Que ne peut-on pas obtenir par l’adaptation d’un outil existant ? Et comment mesurera-t-on les résultats obtenus ?

Cette méthode permet de distinguer les ambitions réalistes des annonces vagues. Elle rappelle aussi qu’un investissement public ne se justifie pas seulement par le rendement financier immédiat. L’éducation, la recherche fondamentale, la résilience des infrastructures ou la capacité à protéger des informations critiques produisent des bénéfices qui ne se résument pas facilement à un chiffre. Mais cette difficulté ne dispense pas les décideurs d’exiger des objectifs, des contrôles et des comptes.

Ce qu’il faut surveiller

Dans les années qui viennent, la qualité des stratégies d’IA souveraine se jouera moins dans les slogans que dans leur exécution. Il faudra observer si les pays investissent durablement dans les compétences et les infrastructures, ou s’ils privilégient des annonces ponctuelles. Il faudra aussi regarder si les modèles financés sont réellement utilisés par des administrations, des chercheurs, des écoles ou des entreprises, et s’ils répondent mieux à des besoins locaux que les solutions généralistes.

La coopération internationale sera un autre indicateur important. Une alliance bien organisée pourrait aider des pays aux ressources limitées à conserver une marge d’autonomie sans prétendre mener seuls une course financière impossible. À l’inverse, une fragmentation excessive risque de disperser les efforts et de multiplier des outils incompatibles.

Au fond, l’IA souveraine ne devrait pas être comprise comme la promesse d’une indépendance absolue, difficilement atteignable dans une chaîne technologique mondiale. Elle pose une exigence plus concrète : conserver suffisamment de maîtrise, de compétences et de choix pour que les décisions publiques ne dépendent pas entièrement de systèmes que les citoyens et leurs institutions ne peuvent ni comprendre, ni contrôler.