Depuis le 11 août, un client de Mistral choisit si son inférence, l’exécution du modèle qui fabrique la réponse, tourne en Europe ou aux États-Unis. Le modèle qu’il appelle, lui, peut venir de Pékin. La documentation de l’éditeur français liste au 1er septembre « Z.ai GLM 5.2 » parmi ses modèles généralistes, avec la mention « third-party open source », servi sous les mêmes contrôles régionaux que les modèles maison.
Ce contrôle porte sur le lieu où le calcul s’exécute, et sur lui seul. Pour un acheteur européen, la garantie de localisation s’arrête à la porte du datacenter : au-delà commence un modèle dont il ne saura ni sur quelles données il a été entraîné, ni qui a réglé ses refus et ses garde-fous.
Héberger des modèles chinois est devenu banal chez les grands fournisseurs : Amazon Bedrock a ajouté dès février GLM 4.7, Kimi K2.5, MiniMax M2.1 et DeepSeek V3.2 à son catalogue managé. La nouveauté française tient au lieu d’exécution, pas au catalogue.
L’été où les laboratoires chinois ont sorti leurs modèles phares
La séquence a commencé le 13 juin avec GLM-5.2 de Z.ai : 753 milliards de paramètres, un million de tokens de contexte, licence MIT. Moonshot AI a suivi le 16 juillet avec Kimi K3 et ses 2 800 milliards de paramètres, dont les poids ont été mis en ligne le 27 juillet. Alibaba a diffusé en août Qwen3.8-2.4T-A95B, socle de son offre Qwen3.8-Max, 2 400 milliards de paramètres dont 95 milliards activés par token. DeepSeek a publié le 13 août les poids de V4-Pro, 1 700 milliards de paramètres. Dix jours plus tôt, MiniMax ouvrait H3, son modèle vidéo de 33 milliards de paramètres.
Ces cinq laboratoires ont publié les modèles qu’ils vendent par API (l’interface par laquelle un logiciel tiers appelle le modèle), et non les versions réduites réservées d’ordinaire à la démonstration. Les performances qu’ils revendiquent, en revanche, reposent sur leurs propres mesures : aucune réplication indépendante n’a été publiée à ce stade, et l’acheteur qui les reprend telles quelles engage sa propre évaluation.
Cinq annonces, cinq contrats de licence
Le mot « ouvert » recouvre ici des engagements très différents. GLM-5.2 et DeepSeek V4-Pro sortent sous MIT, la licence la plus permissive du secteur. Qwen3.8-Max est diffusé sous une licence maison, quand le petit Qwen3.8-27B, publié le lendemain, l’est sous Apache 2.0. La licence de Kimi K3 impose d’afficher visiblement la mention « Kimi K3 » dans l’interface de tout produit dépassant 100 millions d’utilisateurs mensuels ou 20 millions de dollars de revenu mensuel. Elle exige en plus un accord séparé avec Moonshot AI pour tout service de modèle au-delà de 20 millions de dollars de chiffre d’affaires sur douze mois. MiniMax H3 sort sous sa propre licence communautaire et garde deux composants accessibles par API seulement : le prétraitement et le suréchantillonnage en 2K.
Pour une direction technique, la conséquence est immédiate : le fichier de licence pèse plus lourd que l’étiquette du catalogue. Un produit européen qui franchit les seuils fixés par Moonshot hérite d’obligations d’affichage et d’une négociation commerciale avec un laboratoire chinois. Lisez ce fichier avant de brancher le modèle en production, pas le jour de la levée de fonds qui vous fera passer les seuils.
Poids ouverts, corpus fermé
Ouvrir les poids ne revient pas à ouvrir le modèle. Les poids sont les paramètres appris : ils se téléchargent, se quantifient (on réduit leur précision pour les faire tenir sur moins de matériel), se réentraînent partiellement. Le code d’entraînement et surtout le corpus d’apprentissage, eux, restent chez l’éditeur. Aucun de ces cinq modèles ne permet de savoir sur quelles données il a appris, ni comment ses refus ont été réglés.
Un intégrateur européen peut donc rapatrier l’exécution, chiffrer ses flux, choisir sa région, et rester incapable de répondre à la question qu’un régulateur posera tôt ou tard : qu’a vu ce modèle pendant son entraînement ? Le fine-tuning, ce réentraînement partiel sur des données maison, corrige des comportements en surface ; il ne reconstruit pas un corpus.
Mistral loue du calcul, OVHcloud veut entraîner
Mistral a lancé cet été ses European Compute Units, qui convertissent des engagements pluriannuels d’entreprises en accès à de la capacité de calcul. La cible affichée monte jusqu’à 1 GW d’ici 2030, avec un premier cercle réunissant Amadeus, ASML, Capgemini, la Caisse des Dépôts et CMA CGM. Aucun montant n’a été communiqué. La capacité de calcul est un actif souverain sérieux ; elle ne produit pas de poids par elle-même.
OVHcloud a choisi l’autre voie. Octave Klaba a annoncé à VivaTech, dans un entretien à Reuters, que l’hébergeur entraînerait depuis zéro une famille de grands modèles, en s’appuyant sur Dragon LLM, la start-up rachetée en mars. Ces modèles passeront en open source une fois un seuil de performance atteint. Le pari est long, coûteux, et aucun modèle n’est encore sorti. Il offre un avantage que l’assemblage n’aura jamais : celui qui entraîne connaît ses données.
L’Europe n’a produit aucun modèle de classe frontière cet été. Elle a bâti, avec les modèles des autres, des offres commerciales solides et hébergées chez elle. Aucun régulateur n’a encore demandé à l’un de ces fournisseurs l’origine des données d’apprentissage du modèle qu’il revend sous pavillon européen. Le jour de cette question, la réponse se trouvera à Pékin.
