L’essentiel
- Nvidia, investisseur d’Anthropic et fournisseur de ses puces, réserve Fable aux tâches peu sensibles et confie sa supervision de chaîne d’approvisionnement à ses propres modèles Nemotron.
- Booz Allen Hamilton interdit Fable à ses salariés sur ses logiciels de cybersécurité propriétaires ; Palantir bloque le déploiement du modèle chez ses clients tant qu’Anthropic n’accorde pas une garantie irrévocable de zéro conservation des données.
- Après OpenAI, qui laisse depuis août ses clients GPT-5.6 Cyber stocker leurs logs de sécurité sur leurs propres serveurs, Anthropic déploie cet automne un programme comparable pour une sélection de clients.
Nvidia finance Anthropic et lui vend le matériel sur lequel ses modèles s’entraînent. Pour son travail interne sensible, le fabricant ne les utilise pas. Ses équipes cantonnent Fable aux projets open source et confient la supervision de leur chaîne d’approvisionnement à leurs Nemotron maison.
« En tant qu’entreprise, nous pensons que le ZDR devrait être activé par défaut », déclare Justin Boitano, vice-président chargé de l’IA d’entreprise chez Nvidia. Le zero data retention (ZDR), c’est l’engagement du fournisseur de ne conserver aucune trace des échanges une fois la réponse rendue. Quand un investisseur réclame publiquement cette garantie à l’entreprise qu’il finance, le sujet a quitté le terrain du tarif pour celui de l’architecture.
Booz Allen ferme la porte, Palantir bloque la distribution
Booz Allen Hamilton, l’un des tout premiers utilisateurs des modèles d’Anthropic, a interdit à ses salariés de travailler avec Fable sur ses logiciels de cybersécurité propriétaires. Son directeur technique, Bill Vass, s’en explique sans détour : « Nous craignons un peu que Fable apprenne de notre code. »
Palantir va plus loin en refusant de distribuer le modèle à ses propres clients via sa plateforme, tant qu’Anthropic ne concède pas une garantie irrévocable de zéro conservation. Son dirigeant Alex Karp a expliqué devant ses clients que les entreprises en avaient assez d’être « exploitées » par les laboratoires d’IA. La position arrange Palantir, qui vend précisément l’idée d’un accès aux modèles passant par son environnement plutôt qu’en direct chez le fournisseur. Elle rejoint pourtant celle de Nvidia et de Booz Allen.
Aucun des trois ne conteste la qualité des réponses. Leur refus porte sur le trajet des données une fois l’appel parti.
Une clause se lit, une rétention se constate
L’engagement de ne pas entraîner les modèles sur les données des clients professionnels figure aujourd’hui dans tous les contrats. Il reste un engagement contractuel : il se vérifie devant un tribunal, plusieurs années après les faits, et à condition de pouvoir prouver la fuite. La conservation des logs, elle, est une propriété de l’infrastructure. Tant que les échanges vivent quelques dizaines de jours sur les serveurs du fournisseur, le client en est réduit à faire confiance : rien ne lui garantit que ces traces ne rejoindront jamais un jeu d’entraînement.
La demande de Palantir vise donc le caractère irrévocable de l’engagement plutôt que sa rédaction. Un contrat se renégocie, un rachat change l’actionnaire, une politique interne évolue. Une architecture où le log ne quitte jamais le client résiste à ces trois mouvements.
Les fournisseurs l’ont compris avant leurs juristes. OpenAI a ouvert la voie en août en permettant aux clients de GPT-5.6 Cyber de conserver leurs logs de sécurité sur leurs propres serveurs ; Anthropic déploie un dispositif comparable cet automne auprès d’une sélection de clients. Baptisé Enterprise Frontier Safeguards, il dépose les traces d’activité dans le stockage cloud du client, AWS, Azure ou Google, chiffrées avec ses clés et sans surcoût. La ligne de coupe diffère d’un laboratoire à l’autre : OpenAI traite la surveillance dans son propre environnement avec son Private Safety Processing, Anthropic sort les traces de son périmètre. Dans les deux cas, la garantie se construit dans l’ingénierie, pas dans un avenant au contrat.
Les métadonnées, angle mort du zéro conservation
Même sous ZDR, les laboratoires continuent de collecter des métadonnées et des données techniques d’usage. OpenAI qualifie les siennes de « dé-identifiées » et explique faire passer les données métier dans des classifieurs automatiques et des outils de sécurité pour « mieux comprendre comment nos services sont utilisés ». Les classifications produites, précise l’entreprise, décrivent ces données sans en reprendre le contenu.
Plusieurs clients disent ne pas savoir ce que recouvre exactement ce périmètre, et jugent la transparence actuelle insuffisante. Sur un usage de programmation, ces métadonnées en disent long : la fréquence des appels, la taille des contextes, la structure des arborescences et le rythme des corrections dessinent déjà une organisation technique.
Les manières d’apprendre d’un client, du pré-entraînement aux traces d’usage
John Schulman, cofondateur d’OpenAI passé brièvement chez Anthropic et aujourd’hui chez Thinking Machines, a détaillé les manières dont un laboratoire apprend de ses utilisateurs. À un bout, le pré-entraînement direct, qui risque de restituer mot pour mot le contenu ingéré. Au milieu, la distillation, qui transfère le comportement d’un grand modèle vers un plus petit. À l’autre bout, la fabrication de tâches d’apprentissage par renforcement à partir de « traces utilisateur » : le contenu n’y ressort pratiquement jamais tel quel, mais la propriété intellectuelle, si.
Schulman en donne lui-même l’échelle, de l’inoffensif au très intrusif. D’un côté, entraîner sur les retours explicites des utilisateurs un modèle de récompense, qui apprend à noter les réponses. De l’autre, récupérer l’environnement de développement et l’historique de commits d’un client pour en faire un terrain d’entraînement. « La dé-identification est faible », ajoute-t-il : quelques bits suffisent à remonter à un utilisateur, et cette technique ne protège en rien contre la fuite de propriété intellectuelle. La chercheuse Sarah Hooker, passée par Cohere et Google, décrit une brèche comparable du côté des techniques de génération de données synthétiques.
Pour un responsable technique, la question à poser en appel d’offres change donc de nature. « Entraînez-vous sur nos données ? » appelle un oui ou un non sans valeur probante. « Quelles traces conservez-vous, combien de temps, sur quelle infrastructure, et qui peut le vérifier ? » appelle un schéma d’architecture.
Deux conditions pour que le zéro conservation devienne un standard d’achat
D’ici l’été 2027, la conservation nulle par défaut et l’attestation d’un tiers pourraient devenir une ligne standard des appels d’offres dans la finance, la défense et la santé, comme le chiffrement au repos l’est devenu en quelques années. Il y faut deux choses. Que trois ou quatre acheteurs du calibre de Palantir tiennent leur refus assez longtemps pour que céder coûte moins cher que résister. Et que les cabinets d’audit sachent tester une rétention, ce qu’aucun référentiel ne couvre proprement aujourd’hui.
Faute de quoi le scénario inverse est tout aussi lisible : le ZDR devient une option de gamme haute, facturée, pendant que la masse des clients continue de payer en traces d’usage. Le premier contrat public qui exigera un rapport d’audit externe sur la conservation, et non une clause de non-entraînement, tranchera entre les deux.
Mon avis
La garantie irrévocable que réclame Palantir ne sera jamais accordée telle quelle, et je comprends pourquoi : elle priverait définitivement un laboratoire du signal d’usage dont il a besoin pour progresser, à l’heure où les données publiques ne suffisent plus. Ce qui sortira de ce bras de fer, c’est un zéro conservation certifié par un tiers, vendu cher, réservé au haut du marché. Je trouve cette segmentation malsaine, parce qu’elle transforme une garantie technique en produit financier, et parce qu’elle laisse les entreprises moyennes, celles qui ont le moins de juristes, alimenter gratuitement les modèles de leurs concurrents. Nvidia peut se payer ses Nemotron maison ; une PME industrielle avec vingt ans de savoir-faire dans ses dépôts de code, non.
