IA souveraine : pourquoi maîtriser ses modèles d’IA13 min de lecture2 523 mots

IA souveraine : pourquoi maîtriser ses modèles d’IA

Comprenez pourquoi l’Europe veut ses champions de l’IA, ce que signifie posséder les poids d’un modèle et comment en tirer une valeur métier concrète.

IA souverainepoids des modèles d’IAchampions européens de l’IAIA open source en entrepriseintelligence artificielle et processus métier
IA souveraine : pourquoi maîtriser ses modèles d’IA

IA souveraine : l'enjeu ne se limite pas à posséder un modèle

On peut utiliser de très bons modèles d'IA et rester dépendant de décisions qu'on ne choisit pas. Où les données sont traitées ? Comment elles sont réutilisées ? Quelles règles encadrent l'accès au service ? Et surtout : est-ce que le fournisseur changera ses conditions du jour au lendemain ? Pour un acteur public ou une entreprise européenne, la question ne se résume donc pas à « quel modèle est le meilleur ». Elle porte aussi sur le contrôle réel, la continuité du service et la valeur économique qu'on parvient à capter.

C'est l'idée défendue par Alexander Rinke, cofondateur et co-PDG de Celonis, dans un entretien au TNW Podcast à Amsterdam, en septembre 2026. Il plaide pour des « champions » locaux - pas par réflexe anti-américain, mais pour que l'Europe capte une part plus importante de la valeur créée par l'IA. Il insiste aussi sur la maîtrise des données et sur la façon dont les modèles peuvent être contrôlés. Ces deux points méritent d'être posés clairement : posséder les poids ne suffit pas à elle seule à garantir une souveraineté, et construire un modèle local n'a de sens que si cela sert un besoin concret. Voici comment lire ces enjeux et les traduire en décisions.

Pourquoi l'Europe veut-elle ses propres champions de l'IA ?

Une question de création de valeur, pas de méfiance

Alexander Rinke résume son argument de façon simple : l'Europe doit favoriser des entreprises locales pour participer aux bénéfices de la prochaine vague technologique. Il ne le présente pas comme une réaction à une menace américaine, mais comme un choix économique. Si l'essentiel des infrastructures, des modèles, des compétences et des acteurs capables de capter la valeur se trouve ailleurs, l'Europe risque d'absorber l'innovation sans en maîtriser les retombées.

Le point de départ, c'est l'écart économique qui se creuse entre l'Europe et les États-Unis. Dans ce contexte, l'IA n'est pas « une filière » à part : elle peut changer la productivité, les services et les logiciels qui structurent le travail. Ne pas prendre part à cette transformation peut donc peser bien au-delà du seul secteur tech.

Attention toutefois : ça ne veut pas forcément dire que chaque pays doit créer son propre grand modèle de langage. Une telle stratégie peut coûter cher, être difficile à maintenir et rester inutile si les modèles existants couvrent déjà les besoins locaux. Un « champion local », ça peut aussi être une entreprise qui construit des plateformes, des outils métier ou des briques d'infrastructure - tant que l'ensemble peut fonctionner dans des cadres réellement maîtrisés.

L'ancrage européen ne se résume pas à une adresse

Celonis illustre bien cette géographie plus compliquée. L'entreprise a son siège à New York et à Munich, et des bureaux dans plusieurs pays, dont l'Allemagne, l'Espagne et le Royaume-Uni. Rinke insiste sur le fait que « l'Europe » ne se réduit pas à un périmètre géographique dans un pitch.

Ce que ça rappelle, c'est qu'une entreprise peut être internationale tout en contribuant à un écosystème européen : emplois qualifiés, recherche, compétences, revenus, capacité à développer et à faire évoluer des produits. La localisation du siège ne suffit pas à mesurer cette contribution. Pour comprendre où va la valeur, il faut regarder où se trouvent les équipes, qui prend les décisions, quels actifs technologiques existent réellement et comment les relations clients se structurent.

Dans les administrations et les entreprises, l'enjeu devient alors moins « soutenir une étiquette » que vérifier ses dépendances : qui fournit le modèle ? Où est-il exécuté ? Qui peut changer le service ou couper l'accès ? Où sont les compétences nécessaires pour changer de fournisseur ? On sort du slogan et on revient à l'opérationnel.

Que signifie vraiment posséder les poids d'un modèle ?

Les poids donnent une capacité de contrôle, pas une souveraineté complète

Les « poids » d'un modèle sont les paramètres appris pendant l'entraînement. Ils influencent la façon dont le modèle génère ses réponses. Pour Rinke, les organisations qui veulent garder la main doivent pouvoir posséder ces poids, plutôt que confier leurs données à un modèle externe qui pourrait, lui, s'en servir pour entraîner quelque chose.

Dans certains cas, c'est cohérent avec des contraintes très concrètes : conserver des données sensibles dans un environnement maîtrisé, adapter un modèle à un métier, ou réduire la dépendance à un fournisseur. Si l'organisation dispose des poids, elle peut (selon les licences et les moyens techniques) exécuter ou adapter le modèle dans son propre environnement. Mais là encore, ce n'est pas « la souveraineté automatique ».

Posséder les poids ne dit pas qui a entraîné le modèle, sur quelles données, avec quelles limites. Ça ne dit pas non plus si l'organisation a le droit de l'exploiter comme prévu. Et ce n'est pas non plus une garantie sur la sécurité de l'infrastructure, la qualité des réponses, ni sur la disponibilité des équipes capables de maintenir le système. En clair : « nous possédons les poids » n'équivaut pas à « sommes-nous souverains ? ».

Il faut aussi distinguer les modèles « ouverts » des services d'IA consommés via API. Un service externe peut être très performant, mais l'entreprise dépend alors des conditions d'accès et du fonctionnement du fournisseur. Un modèle avec des poids disponibles peut offrir plus de contrôle - à condition d'avoir aussi les compétences, les ressources d'infrastructure et la responsabilité d'exploitation qui vont avec.

Évaluer le contrôle sur toute la chaîne

Dans la pratique, il faut regarder plusieurs couches avant de choisir :

  • Les données : où sont-elles stockées et traitées ? Peuvent-elles servir à entraîner un modèle ?
  • Le modèle : les poids sont-ils accessibles ? La licence autorise-t-elle l'usage envisagé ?
  • L'exécution : le système peut-il tourner dans un environnement dédié, sur une infrastructure choisie ?
  • L'exploitation : qui suit les performances, gère les incidents, met à jour ?
  • La réversibilité : peut-on migrer vers un autre modèle sans tout reconstruire ?

Le RGPD compte dans ce raisonnement, mais conformité et souveraineté ne veulent pas dire la même chose. On peut respecter les obligations tout en créant une dépendance commerciale forte. Inversement, héberger localement un modèle ne garantit ni la conformité, ni une protection contre les erreurs.

Rinke rappelle aussi que chaque organisation a son contexte. Les processus, les données et les contraintes d'une caisse d'assurance maladie, d'un industriel du CAC 40 ou d'un service de l'URSSAF ne sont pas interchangeables. Le bon réflexe, c'est de contrôler ce qui expose vraiment l'organisation à un risque, sans reconstruire toute la pile technologique « par principe ».

Comment l'IA peut-elle améliorer les processus métier ?

Cartographier le travail réel avant de l'automatiser

Celonis a commencé par attaquer un problème qui n'apparaît pas toujours dans les organigrammes : les entreprises ne savent pas forcément comment le travail se déroule concrètement dans leurs systèmes. L'ambition des fondateurs était de construire des modèles capables de simuler le fonctionnement d'une organisation. Pour simuler une activité, il faut d'abord comprendre son état réel. Ils ont donc développé des outils pour analyser les données produites par les systèmes et reconstituer les processus.

L'entreprise appelle cette approche la process intelligence, ou intelligence des processus. L'idée est de représenter le déroulement réel du travail dans les logiciels, y compris les étapes qui échappent souvent aux règles « formelles ». La différence est essentielle : les processus documentés décrivent souvent la règle prévue, tandis que les données opérationnelles montrent les chemins réellement suivis, avec les délais, les contournements et les exceptions.

Cette visibilité peut servir de base solide à un projet d'IA. Automatiser un processus mal compris, c'est souvent rendre ses défauts plus rapides et plus difficiles à corriger. Cartographier les flux, au contraire, aide à repérer ce qui exige une décision humaine, ce qui peut être assisté, et là où la qualité des données bloque tout.

Associer les modèles aux tâches qu'ils traitent bien

Celonis a acquis Ikigai Labs, une entreprise issue du MIT, spécialisée dans les données tabulaires, les séries temporelles et la simulation de scénarios. Rinke explique qu'un grand modèle de langage peut s'appuyer sur des modèles spécialisés comme sur des outils. Il cite par exemple la prévision d'une chaîne d'approvisionnement ou l'aide à la décision pour le règlement d'un sinistre.

Honnêtement, cette approche a souvent plus de sens que de demander à un seul modèle de langage de « tout faire ». Un LLM est utile pour comprendre des instructions, synthétiser du texte ou orchestrer des étapes. Pour prévoir une série de données ou simuler des scénarios, un modèle spécialisé peut être plus adapté. Dans ce montage, le modèle de langage joue davantage le rôle d'interface ou de coordinateur, pas celui du moteur unique.

Rinke affirme aussi que des modèles ouverts, adaptés à des tâches métier spécifiques, peuvent atteindre des résultats comparables - voire meilleurs - que des modèles de pointe sur ces tâches. L'idée n'est pas de dire que « les modèles spécialisés sont toujours meilleurs », mais que la performance doit être évaluée sur le cas d'usage réel : données disponibles, coûts, contraintes, exigences de l'entreprise.

Un déploiement utile suit souvent un chemin assez direct :

  1. Définir une décision ou une tâche précise à améliorer.
  2. Mesurer le fonctionnement actuel : délais, erreurs, coûts et exceptions.
  3. Vérifier que les données nécessaires existent et sont accessibles dans le cadre prévu.
  4. Tester le modèle sur des cas représentatifs, y compris les cas limites.
  5. Comparer les résultats à une solution sans IA et à une option basée sur un modèle externe.
  6. Prévoir une validation humaine et un suivi après mise en production.

Le « Context Model » présenté par Celonis s'inscrit dans cette logique : représenter l'entreprise à partir de ses données opérationnelles, puis relier ce fonctionnement à sa stratégie. L'objectif n'est pas de produire une carte « jolie » pour elle-même, mais de donner aux outils d'IA un contexte fiable pour agir sur ce qu'ils sont censés transformer.

Pourquoi la croissance doit-elle suivre la preuve de valeur ?

Tester l'adéquation produit-marché avec des critères concrets

Rinke se méfie des discours de start-up qui annoncent un product-market fit sans en apporter la preuve. Il propose quatre questions :

  • Le produit apporte-t-il une valeur réelle ?
  • Cette valeur est-elle différenciante ou le produit est-il facilement remplaçable ?
  • La solution peut-elle être vendue et déployée de manière répétable, plutôt que réécrite pour chaque client ?
  • Les clients continuent-ils à payer ?

En IA, ces questions sont particulièrement utiles : un prototype impressionnant peut masquer une économie fragile. Une démo peut marcher sans que le produit soit assez fiable, intégrable ou rentable pour être déployé à grande échelle. Les coûts d'inférence, le travail d'intégration, la gestion des exceptions et les exigences de sécurité font partie du produit, même si tout cela ne ressort pas dans une présentation.

Une équipe peut formaliser cette vérification avant d'accélérer, par exemple dans un tableau :

Question Éléments à vérifier
Le produit crée-t-il de la valeur ? Temps gagné, erreurs réduites, revenu ou risque mesurable
Cette valeur est-elle difficile à remplacer ? Différenciation par les données, l'intégration ou le savoir-faire métier
Le déploiement est-il répétable ? Part du travail spécifique à chaque client et délai de mise en œuvre
Le client renouvelle-t-il ? Usage réel, budget récurrent et volonté de continuer à payer

Si une réponse reste négative, recruter ou financer l'expansion n'est pas forcément la meilleure option. Parfois, c'est le périmètre à réduire, le prix à revoir, ou une tâche plus réaliste à choisir.

Construire l'organisation qui peut livrer

Même quand le produit répond à un besoin, la croissance exige une organisation capable de livrer - sans que chaque déploiement repose sur les fondateurs. Rinke parle de product-market-people fit : les bonnes personnes, les bons processus et la bonne structure pour répéter le succès commercial.

L'histoire de Celonis éclaire le point. Les fondateurs ont démarré pendant leurs études, ont tenu sans financement extérieur pendant cinq ans, puis ont eu du mal à convaincre leurs premiers grands clients sans références solides. Ça ne constitue pas une recette universelle. Mais l'essentiel est là : une entreprise doit apprendre à vendre et à satisfaire ses clients, que ce soit avec des revenus ou avec du capital-risque.

Rinke voit le capital-risque comme un accélérateur possible, mais pas comme un substitut au travail de fond. Son principe est clair : construire l'entreprise pour ses clients, pas pour lever des fonds. Dans une période d'euphorie autour de l'IA, cette distinction évite une croissance de chiffre d'affaires qui ne se transforme pas en usage durable.

Pour une équipe qui lance un projet d'IA, la décision de passer à l'échelle devrait donc s'appuyer sur des éléments observables : résultats stables, volonté de payer, coût complet maîtrisé, déploiement reproductible, capacité à gérer les incidents. Tant que ces points ne sont pas là, un pilote bien délimité apporte souvent plus d'information qu'une expansion rapide.

Conclusion : choisir le contrôle utile

L'argument d'Alexander Rinke tient en deux idées : l'Europe doit participer à la création de valeur liée à l'IA, et les organisations doivent savoir exactement ce qu'elles confient à leurs modèles. Posséder les poids peut aider, mais ça ne remplace ni une gouvernance claire, ni un cas d'usage défini, ni une capacité durable à exploiter le système.

Pour décider, partez du risque métier et du résultat attendu. Identifiez les données et les dépendances sensibles, comparez les options ouvertes et propriétaires, puis testez sur un processus mesurable. La « meilleure » solution n'est pas celle qui maximise le contrôle sur le papier : c'est celle qui protège les actifs importants tout en produisant une valeur que l'organisation peut vraiment répéter et maintenir.

Questions frequentes

L’IA souveraine désigne la capacité d’une organisation à maîtriser les éléments essentiels de ses systèmes d’IA : données, modèles, infrastructure, règles d’exploitation et dépendances fournisseurs. Le niveau de contrôle nécessaire dépend des risques et des usages ; il ne suppose pas toujours de tout construire en interne.
Non. Les poids offrent une forme de contrôle technique, mais ne règlent pas automatiquement les questions de licence, d’origine des données, d’hébergement, de sécurité ou de maintenance. Il faut évaluer toute la chaîne et vérifier que l’organisation peut effectivement exploiter et faire évoluer le modèle.
Cela dépend de la tâche. Un modèle ouvert, adapté à un cas précis, peut être suffisamment performant et offrir davantage de contrôle. Pour d’autres usages, un modèle propriétaire peut rester plus efficace. Il faut comparer la qualité, le coût total, la latence, les contraintes de données et la capacité de maintenance.
Parce qu’une automatisation repose sur la compréhension du travail qu’elle modifie. Cartographier les processus aide à repérer les étapes réellement suivies, les exceptions et les données disponibles. Sans cette analyse, l’IA risque d’accélérer un processus inefficace ou de produire des résultats difficiles à contrôler.

Articles similaires