DeepSeek : l’enquête de Microsoft et OpenAI sur un possible siphonnage de données

Des performances qui surprennent, un coût de développement présenté comme nettement inférieur à celui de certains concurrents américains et, désormais, des soupçons d’utilisation indue d’un modèle rival : la fulgurante exposition de DeepSeek prend une dimension plus sensible. Microsoft et OpenAI examinent une extraction présumée de données réalisée via l’interface de programmation d’OpenAI, ou API, par un groupe qui serait lié à la jeune entreprise chinoise.

À la date du 30 janvier 2025, il ne s’agit pas d’une conclusion judiciaire ni d’une preuve rendue publique contre DeepSeek. Les éléments disponibles décrivent une enquête ouverte après la détection, à la fin de l’année 2024, d’activités anormales. Cette nuance est essentielle : l’affaire nourrit des interrogations sérieuses sur les moyens de protéger les modèles d’IA, mais elle ne permet pas encore d’affirmer qu’un vol de données a été établi.

Ce que l’enquête reproche potentiellement à un groupe lié à DeepSeek

Les informations publiées le 29 janvier 2025 indiquent que les équipes de sécurité de Microsoft ont repéré, à l’automne 2024, un groupe de comptes qui aurait extrait un volume important de données à travers l’API d’OpenAI. Microsoft, principal investisseur d’OpenAI, aurait signalé cette activité à l’entreprise à l’origine de ChatGPT, ce qui a déclenché une enquête conjointe.

Le point sensible tient au lien supposé entre ce groupe et DeepSeek. La start-up chinoise s’est imposée dans le débat mondial sur l’IA après avoir lancé son modèle de raisonnement DeepSeek-R1, le 20 janvier 2025. Ses résultats ont attiré l’attention parce que l’entreprise affirme avoir atteint un niveau de capacité comparable à celui de modèles américains de premier plan avec des moyens bien plus limités.

Les enquêteurs cherchent donc à déterminer si les usages observés de l’API ont respecté les règles d’accès au service. D’après les éléments rapportés, les personnes visées auraient pu tenter de contourner les restrictions appliquées au volume de données pouvant être collectées. Si cela était confirmé, une telle pratique pourrait contrevenir aux conditions d’utilisation d’OpenAI.

Qu’est-ce qu’une API et quelles données pourraient avoir été extraites ?

Une API est une porte d’accès technique qui permet à un logiciel de communiquer avec un autre. Dans le cas d’OpenAI, des développeurs peuvent envoyer une instruction à un modèle, puis récupérer sa réponse afin de l’intégrer à leur propre service. Cette voie d’accès est courante dans l’économie du numérique : elle permet, par exemple, d’ajouter un assistant conversationnel à une application sans construire soi-même le modèle sous-jacent.

Mais cette ouverture s’accompagne de garde-fous. L’éditeur peut imposer des plafonds de requêtes, facturer l’usage, surveiller les comportements automatisés inhabituels et interdire certaines formes de collecte. Les règles contractuelles limitent notamment l’utilisation du service qui viserait à extraire systématiquement des sorties afin de développer un concurrent.

Dans cette affaire, le mot « données » peut prêter à confusion. Une API ne donne pas automatiquement accès aux poids du modèle, c’est-à-dire aux paramètres mathématiques qui constituent le cœur technique d’un système d’IA. Elle fournit en revanche des réponses générées par le modèle, en fonction des requêtes qui lui sont adressées.

Les informations disponibles ne précisent pas publiquement si l’extraction présumée concernait des réponses produites par le modèle, des données d’utilisation ou d’autres informations accessibles par l’API. Elles n’établissent pas non plus qu’un jeu de données d’entraînement interne ou les paramètres d’un modèle d’OpenAI auraient été dérobés. C’est une distinction importante : l’accusation évoquée porte sur un usage potentiellement abusif d’un accès autorisé, et non sur le piratage publiquement documenté des systèmes internes d’OpenAI.

La distillation de modèles, une technique utile mais très encadrée

Au cœur des soupçons se trouve la notion de distillation. En intelligence artificielle, cette méthode consiste à entraîner un modèle, souvent plus petit ou moins coûteux, à partir des réponses d’un autre modèle, parfois appelé modèle enseignant. L’objectif est de transmettre une partie de ses comportements et de ses capacités au nouveau système.

La technique n’est pas intrinsèquement illégitime. Elle est utilisée dans la recherche et dans l’industrie lorsqu’une organisation entraîne ses propres modèles, dispose des autorisations nécessaires ou s’appuie sur des données dont elle peut légalement se servir. Elle peut notamment aider à créer des modèles plus légers, plus rapides ou plus faciles à déployer localement.

Le problème apparaît lorsque les réponses d’un modèle tiers sont aspirées à grande échelle sans autorisation, dans le but de produire un système concurrent. Un modèle ne recopie pas nécessairement mot pour mot le système qu’il observe. En revanche, en accumulant de très nombreux exemples de questions et de réponses, il peut apprendre à imiter une part importante de son comportement.

David Sacks, nommé par la Maison Blanche à un poste consacré à l’IA et aux cryptomonnaies, a affirmé qu’il existait des éléments substantiels indiquant que DeepSeek aurait distillé des connaissances à partir de modèles d’OpenAI. Cette déclaration politique ne remplace toutefois pas les résultats d’une enquête technique, contractuelle ou judiciaire. À ce stade, aucune démonstration publique détaillée n’a été fournie pour documenter cette affirmation.

OpenAI n’a pas commenté spécifiquement les soupçons visant DeepSeek. L’entreprise a néanmoins reconnu que des sociétés basées en Chine, parmi d’autres acteurs, cherchent régulièrement à distiller les capacités de ses modèles.

Pourquoi les performances de DeepSeek attirent autant l’attention

L’apparition de DeepSeek-R1 a bousculé le débat sur le coût réel de l’intelligence artificielle de pointe. Le modèle est particulièrement présenté comme compétitif dans les tâches de raisonnement, qui demandent d’enchaîner des étapes de réflexion pour résoudre un problème de logique, de code ou de mathématiques.

Son lancement a suscité un fort intérêt parce que DeepSeek affirme avoir obtenu ces résultats avec un coût de développement très inférieur à celui de rivaux tels qu’OpenAI. Dans un secteur où l’entraînement des grands modèles exige habituellement des infrastructures informatiques considérables, cette promesse alimente une question industrielle majeure : peut-on bâtir des modèles très performants avec moins de puissance de calcul, moins de données ou de nouvelles méthodes d’entraînement ?

Les soupçons actuels compliquent cette lecture. Si un acteur parvenait à améliorer rapidement ses propres modèles en collectant les réponses d’un concurrent plus avancé, le coût apparent de son progrès technologique ne refléterait pas entièrement les ressources nécessaires pour produire ces capacités à l’origine. C’est précisément pour cette raison que la distillation non autorisée est devenue un sujet si sensible.

Il serait néanmoins prématuré de réduire les avancées de DeepSeek à cette seule hypothèse. L’entreprise a aussi publié des travaux et des modèles qui ont contribué à sa notoriété. L’enjeu de l’enquête consiste à séparer ce qui relève de ses méthodes propres de ce qui pourrait relever, le cas échéant, d’un usage contraire aux règles d’un service concurrent.

Sécurité des données : les inquiétudes autour de l’usage de DeepSeek

L’affaire survient alors que DeepSeek fait déjà l’objet de préoccupations sur le traitement des données de ses utilisateurs. Sa politique de confidentialité mentionne notamment la collecte d’informations techniques telles que l’adresse IP, les données relatives à l’appareil et certains éléments liés à la manière de taper au clavier.

De telles informations peuvent servir à sécuriser un service, détecter les abus ou améliorer ses performances. Mais leur étendue, leur durée de conservation et le lieu où elles sont traitées sont déterminants, surtout pour des utilisateurs qui saisissent des informations professionnelles, confidentielles ou personnelles dans un assistant conversationnel.

La marine américaine a ainsi adressé, le 24 janvier, une communication demandant à son personnel de ne pas utiliser DeepSeek pour des tâches liées au travail. Le message invoquait des préoccupations en matière de sécurité et d’éthique. Il ne s’agit pas d’une démonstration publique d’une compromission particulière, mais d’une mesure de prudence dans un environnement militaire où la moindre fuite d’information peut avoir des conséquences importantes.

DeepSeek a par ailleurs déclaré, le 27 janvier, être visée par des « attaques malveillantes à grande échelle ». L’entreprise a alors limité temporairement l’inscription de nouveaux utilisateurs. Cet épisode est distinct de l’enquête menée par Microsoft et OpenAI : il rappelle toutefois qu’un service d’IA très exposé doit à la fois défendre ses systèmes contre les attaques externes et convaincre sur la protection des informations qui lui sont confiées.

Une affaire révélatrice de la rivalité technologique sino-américaine

Le dossier dépasse largement le cadre d’un différend entre entreprises. Les États-Unis et la Chine considèrent l’IA comme une technologie stratégique, utile autant pour l’économie que pour la défense, la recherche et la souveraineté numérique. Chaque avancée spectaculaire est donc observée à travers le prisme de cette compétition.

Pour les entreprises américaines qui investissent des milliards de dollars dans les puces, les centres de données et l’entraînement de modèles, la protection de leur savoir-faire est devenue un enjeu commercial central. Elles doivent conserver une certaine ouverture, car leurs API constituent une source de revenus et un outil essentiel pour les développeurs, tout en empêchant ces interfaces de devenir une voie de reproduction de leurs systèmes.

Pour les entreprises chinoises, l’accès aux composants avancés et aux technologies de pointe est déjà un sujet géopolitique majeur. Les accusations de distillation, même lorsqu’elles restent à démontrer, renforcent donc les appels à des contrôles plus stricts sur les services d’IA, les exportations de technologies et les partenariats internationaux.

Le risque est celui d’une fragmentation accrue du secteur. Si chaque fournisseur ferme davantage ses accès, les petites entreprises et les chercheurs indépendants pourraient rencontrer plus de difficultés pour expérimenter. À l’inverse, l’absence de contrôle crédible fragiliserait les acteurs qui financent le développement de modèles coûteux.

Ce qu’il faut surveiller après les révélations

La première question est celle des résultats de l’enquête. Microsoft et OpenAI devront déterminer si l’activité repérée constitue un contournement délibéré des limites de leur API, puis décider des suites à lui donner : blocage de comptes, renforcement technique des contrôles, action contractuelle ou démarche judiciaire.

La deuxième concerne les preuves. Pour dépasser le stade des affirmations, il faudrait des éléments précis sur les comptes utilisés, les volumes de requêtes, les méthodes de collecte et le lien effectif avec DeepSeek. Sans ces informations, les observateurs doivent distinguer les faits rapportés des hypothèses et des prises de position politiques.

Enfin, l’affaire pourrait accélérer l’adoption de mesures de protection plus sophistiquées par les fournisseurs de modèles : limites de débit plus strictes, détection de requêtes automatisées, traçabilité renforcée des usages et mécanismes destinés à repérer la collecte systématique de réponses. Ces protections devront cependant préserver les usages légitimes des développeurs.

La question de fond est désormais claire : à l’heure où les modèles d’IA deviennent des infrastructures stratégiques, leurs créateurs peuvent-ils continuer à les proposer largement par API sans exposer une partie de leur avantage technologique ? La réponse dépendra autant du droit et de la sécurité informatique que de la capacité des entreprises à prouver l’origine de leurs avancées.