Cloud souverain : peut-on héberger un assistant comme ChatGPT en France ?

Parler d’un « ChatGPT français » hébergé sur un cloud souverain peut prêter à confusion. Le besoin exprimé par les entreprises et les administrations est pourtant très concret : disposer d’un assistant d’IA en français, capable de traiter des documents ou des questions sensibles, sans abandonner la maîtrise des données à une infrastructure soumise à des règles étrangères. La réponse est oui pour un modèle comparable dans son usage, mais pas au sens littéral d’une copie de ChatGPT installée localement.

Au 12 janvier 2025, Linagora travaille précisément sur cette perspective avec Lucie, un modèle de langage open source de 7 milliards de paramètres. L’entreprise discute avec plusieurs fournisseurs, Exaion, Outscale, OVHcloud et Scaleway, afin d’évaluer les conditions d’un déploiement sur des infrastructures françaises dites souveraines. L’enjeu dépasse la prouesse informatique : il touche à la confidentialité, à la conformité réglementaire, aux coûts et, plus largement, à l’autonomie numérique européenne.

Héberger ChatGPT ou un modèle du même type : une différence essentielle

ChatGPT est le nom du service conversationnel d’OpenAI. Il s’appuie sur des modèles dont les paramètres, c’est-à-dire les très nombreux réglages appris pendant l’entraînement, ne sont pas distribués librement. Une organisation peut utiliser ce service à distance, notamment par une interface ou une API, mais elle ne peut pas télécharger les modèles d’OpenAI pour les installer sur ses propres serveurs.

Dans le débat public, l’expression « héberger ChatGPT » désigne donc souvent autre chose : héberger un grand modèle de langage offrant une expérience similaire, avec une conversation en langage naturel, la rédaction de textes, la synthèse de documents ou l’aide à la recherche d’information. C’est le rôle que Linagora entend donner à Lucie.

Le caractère open source est ici déterminant. Lorsqu’un modèle et les éléments nécessaires à son exploitation sont disponibles, une organisation peut choisir où il s’exécute, le connecter à ses outils et définir les règles de conservation de ses données. Cette liberté ne transforme toutefois pas un projet en solution clé en main. Il faut des processeurs graphiques puissants, des logiciels d’inférence efficaces, des mécanismes de sécurité et une capacité à encaisser les pointes de trafic.

Lucie, le test grandeur nature envisagé par Linagora

Avec 7 milliards de paramètres, Lucie appartient à une catégorie de modèles dont le déploiement est plus accessible que celui des modèles géants, sans pour autant être banal. Le nombre de paramètres donne un ordre de grandeur de la taille du réseau neuronal, mais il ne résume ni ses compétences, ni sa qualité en français, ni le nombre de personnes qu’il peut servir en même temps. Ces résultats dépendent aussi des données d’entraînement, des méthodes d’évaluation et de l’infrastructure utilisée.

Le directeur général de Linagora, Michel-Marie Maudet, doit présenter l’ambition du projet au Paris Open Source AI Summit, prévu le 22 janvier 2025. L’objectif est de démontrer qu’une alternative locale et open source à un assistant de type ChatGPT peut fonctionner sur des clouds français. « Aucun cloud français n’a encore réalisé une telle opération », affirme-t-il.

À cette date, le projet en est donc à une phase de discussions et de dimensionnement avec les fournisseurs. La question n’est pas seulement de démarrer Lucie sur quelques machines. Il s’agit d’évaluer combien de requêtes simultanées l’infrastructure peut gérer, quelles données doivent rester chez quel prestataire, et comment maintenir une réponse fluide lorsque les utilisateurs sont nombreux.

Pourquoi les GPU et le trafic font toute la différence

Une IA générative doit produire un texte mot après mot, ou plutôt fragment par fragment. Ce travail est effectué au moment où l’utilisateur attend sa réponse : c’est l’inférence. Contrairement à un site web classique qui renvoie une page déjà préparée, chaque échange mobilise des ressources de calcul pendant plusieurs secondes, parfois davantage pour un long document ou une réponse élaborée.

Les GPU, initialement conçus pour le rendu graphique, sont particulièrement adaptés à ces calculs massivement parallèles. Le Nvidia H100 cité par Scaleway est une puce conçue pour les charges d’IA. Mais disposer de GPU ne suffit pas : il faut également répartir intelligemment les demandes, éviter que les machines restent inactives, réserver de la capacité pour les pics et surveiller les délais de réponse.

Les grands fournisseurs mondiaux de cloud, souvent appelés hyperscalers, ont construit des infrastructures capables d’absorber des volumes très importants. Linagora ne conteste pas cet avantage d’échelle. Son choix d’acteurs français répond à une autre priorité : préserver la confidentialité des données et garder une maîtrise opérationnelle plus proche des utilisateurs concernés.

Scaleway affirme déjà être en mesure de gérer de fortes montées en charge. Son lead product manager AI, Frédéric Bardolle, évoque une capacité allant jusqu’à plusieurs centaines de milliers de requêtes par seconde. L’entreprise s’appuie notamment sur l’expérience acquise lors du lancement mondial de Moshi, un chat vocal. De son côté, OVHcloud met en avant AI Endpoints, un service destiné à l’exploitation de modèles d’IA générative avec un dimensionnement des GPU adapté aux besoins des clients.

Le multicloud, une réponse à la diversité des besoins

Linagora ne semble pas envisager de confier l’ensemble du service à un seul acteur. Pour Michel-Marie Maudet, « un cloud souverain unique ne pourra pas couvrir tous nos cas d’usage ». L’option étudiée est celle du multicloud, une architecture dans laquelle plusieurs fournisseurs se partagent les rôles.

Cette organisation peut permettre, par exemple, de diriger certaines requêtes vers l’infrastructure la mieux adaptée à un besoin de performance, tout en réservant d’autres traitements à un environnement répondant à des exigences de sécurité ou de localisation plus strictes. Elle apporte aussi de la redondance : si une capacité devient indisponible, un autre environnement peut, selon la conception retenue, prendre le relais.

Mais le multicloud ne doit pas devenir un raccourci vers la souveraineté. Chaque circulation entre deux infrastructures pose des questions : quelles données transitent, où sont conservées les sauvegardes, qui accède aux journaux d’activité, et comment les identités des utilisateurs sont-elles gérées ? Une architecture plus distribuée peut augmenter la résilience, mais aussi la complexité d’exploitation.

Outscale pourrait jouer un rôle dans ce schéma pour les cas nécessitant un haut niveau de protection. Son directeur de la stratégie, David Chassan, met en avant un portefeuille de 350 000 clients et la capacité de l’entreprise à bâtir des infrastructures dédiées. Pour un organisme traitant des données particulièrement sensibles, le fait de pouvoir isoler un environnement et de connaître précisément les garanties contractuelles est aussi important que la puissance de calcul disponible.

Un cloud souverain ne se résume pas à un datacenter en France

L’expression « cloud souverain » recouvre des réalités différentes. Elle peut renvoyer à la localisation physique des données, à la nationalité ou au contrôle du fournisseur, à l’absence d’exposition à certaines législations étrangères, ou encore à l’obtention de certifications de sécurité. Pour un acheteur, il est indispensable de préciser le niveau de souveraineté recherché avant de comparer les offres.

La conformité au Règlement général sur la protection des données, le RGPD, ne découle pas automatiquement du seul choix d’un serveur situé en France. Il faut aussi vérifier la finalité du traitement, la durée de conservation, les éventuels sous-traitants, les modalités d’accès aux données et les protections appliquées aux informations personnelles. Les requêtes envoyées à un assistant peuvent contenir des noms, des données commerciales, des extraits de contrats ou des documents internes.

La qualification SecNumCloud, délivrée par l’Agence nationale de la sécurité des systèmes d’information, l’ANSSI, constitue un repère important pour les organisations ayant des exigences élevées. Elle porte néanmoins sur un périmètre précis. Une entreprise doit vérifier que le service qu’elle utilise, sa configuration et les ressources associées sont bien inclus dans le niveau de garantie recherché.

Comment une organisation peut-elle préparer un tel déploiement ?

Le projet de Linagora illustre une démarche qui intéresse aussi bien les entreprises que les administrations. Avant de choisir un modèle ou un fournisseur, il convient de distinguer les usages. Un assistant de rédaction généraliste n’a pas les mêmes contraintes qu’un outil qui analyse des dossiers de ressources humaines, des documents juridiques ou des données de santé.

Quelques questions structurent ce choix :

• Quelles données seront envoyées au modèle ? Il faut définir ce qui peut être traité, ce qui doit être masqué et ce qui doit rester hors du périmètre de l’outil.
• Quel niveau de disponibilité faut-il assurer ? Un outil de test interne peut accepter des temps d’attente plus élevés qu’un service ouvert à des milliers d’agents ou de clients.
• Quelle qualité attend-on en français ? La fluidité linguistique, la compréhension de consignes complexes et la fiabilité des réponses doivent être évaluées sur des cas d’usage réels.
• Comment les réponses seront-elles contrôlées ? Un grand modèle de langage peut produire un texte convaincant tout en commettant une erreur. Une validation humaine reste nécessaire pour les décisions ou les contenus à fort enjeu.

L’hébergement local peut aussi faciliter l’intégration d’un assistant avec des documents internes. Cela ne dispense pas de protéger les droits d’accès à ces documents : si l’assistant est connecté à une base de connaissances, il ne doit pas permettre à un utilisateur de retrouver des informations auxquelles il n’aurait pas eu accès autrement.

Ce qu’il faut surveiller pour mesurer la viabilité du projet

La question n’est plus seulement de savoir si un modèle de type ChatGPT peut techniquement tourner sur un cloud français. Lucie montre que cette possibilité est prise au sérieux par des acteurs locaux. Le véritable test portera sur la capacité à fournir un service utile, stable et économiquement soutenable face aux offres mondiales déjà bien installées.

Les éléments les plus révélateurs seront les performances constatées en conditions réelles, le volume de requêtes supporté, la qualité des réponses en français, les garanties de sécurité et le coût par usage. La démonstration attendue au Paris Open Source AI Summit du 22 janvier 2025 devra aussi clarifier la manière dont Linagora articule ses partenaires cloud et ses différents cas d’usage.

Pour les organisations françaises et européennes, l’intérêt d’un tel projet est clair : pouvoir choisir une IA générative sans renoncer par principe au contrôle de ses données. Cette autonomie ne reposera pas sur un seul modèle ni sur un seul fournisseur. Elle dépendra d’un écosystème complet, associant modèles ouverts, capacités de calcul, règles de sécurité et compétences pour déployer ces outils de manière responsable.