Arthur Mensch, patron de Mistral, a publié sur LinkedIn un avertissement qui a fait mouche : les fournisseurs de modèles fermés accumulent vos données, obtiennent une vue imprenable sur vos processus internes, et certains labos « ont déjà pris pour cible leurs clients les plus prospères » grâce à ces informations. Le message circule vite parce qu’il flatte une inquiétude bien réelle. Il oublie simplement de rappeler qui parle, et sur quel terrain.
Mensch ne vend pas de la prudence. Il vend de l’open-weight, ces modèles dont les poids (les paramètres appris à l’entraînement) sont publics et récupérables. Et il se trouve que c’est le seul terrain où Mistral peut espérer gagner.
Un argument juste, un porte-parole intéressé
Sur le fond, il n’a pas tort. Quand vous confiez vos requêtes, vos documents et vos flux métier à une interface propriétaire (API, ou service géré fermé), vous exposez la mécanique fine de votre entreprise à celui qui héberge le modèle. Mensch conseille donc de stocker ses données dans des systèmes ouverts, de fixer soi-même ses règles d’accès à l’IA, et d’entraîner ses propres modèles, même si « ces efforts peuvent sembler intimidants ». Sa formule : « L’IA de frontière peut accélérer la croissance de votre entreprise, mais si elle n’est pas entre vos mains, ce ne sera pas votre croissance. »
Le discours n’est pas isolé. Alex Karp, patron de Palantir, tient un propos voisin dans un manifeste pour une IA d’entreprise « souveraine » : « Contrôler ses poids, c’est contrôler son destin. » Deux dirigeants, un même refrain. Ce qui devrait déjà mettre la puce à l’oreille : ce sont précisément ceux qui vendent l’alternative aux modèles fermés qui en dénoncent le danger.
Pourquoi Mistral a besoin que vous y croyiez
Le point aveugle de l’alerte, c’est la position de celui qui la lance. Mistral reste la seule entreprise européenne à aligner des modèles crédibles, mais elle ne rivalise pas sur la performance brute avec les modèles de tête du moment, GPT-5.6 Sol ou Fable 5. Son modèle d’affaires s’appuie donc massivement sur la carte de la souveraineté européenne, là où elle a le plus à gagner. Détail piquant : environ 30 % de son capital est détenu par des investisseurs américains.
Autrement dit, quand Mensch oppose l’ouvert au fermé, il ne décrit pas un paysage neutre. Il déplace le débat de la performance (où il perd) vers la confiance et le contrôle (où son offre marque des points). L’argument sécuritaire n’est pas faux pour autant ; il est simplement taillé pour le catalogue de son auteur.
L’étude qui l’arrange, et ses angles morts
Une expérience récente semble lui donner raison, et elle mérite qu’on s’y arrête. Le fonds Bridgewater et Thinking Machines Lab, la jeune pousse fondée par Mira Murati, ancienne directrice technique d’OpenAI, ont affiné le modèle ouvert Qwen3-235B avec leurs propres grilles d’évaluation d’investisseurs. Résultat annoncé : 84,7 % de précision sur l’analyse de documents financiers, contre 78,2 % pour le meilleur modèle de pointe. Et un coût d’exploitation près de 14 fois inférieur.
Sur le papier, c’est un argument massue pour l’open-weight spécialisé. Dans les faits, il faut le manier avec des pincettes. Ce n’était pas une comparaison indépendante : les deux acteurs ont un produit à vendre. C’est aussi un instantané, sur un domaine précis, à un moment précis. Surtout, l’avantage vient d’un savoir métier propriétaire qui n’était pas dans les données d’entraînement des grands modèles. Or rien n’empêche un Anthropic ou un OpenAI d’acheter ce type de données, ou de les générer, pour reprendre la tête au tour suivant. L’histoire récente le rappelle : les gros modèles généralistes ont souvent battu les modèles spécialisés sur leur propre terrain, dès lors que la connaissance du domaine figurait dans leur entraînement.
Garder ses poids a une valeur, et un coût
Concrètement, quand on arbitre son infrastructure IA, la leçon n’est ni « fuyez le fermé » ni « l’ouvert gagne toujours ». Elle est plus prosaïque. Garder la main sur ses poids et ses données a une valeur défensive tangible, notamment quand votre avantage repose sur un savoir que personne d’autre ne possède, comme le fonds de l’exemple. Mais cet avantage a un prix : héberger, affiner, sécuriser et maintenir un modèle ouvert mobilise des compétences et des serveurs que la plupart des entreprises n’ont pas en interne.
Tout dépend en réalité d’un inventaire : votre valeur tient-elle à des connaissances internes absentes des grands modèles ? Si oui, l’affinage d’un modèle ouvert peut vous donner une longueur d’avance durable. Sinon, les modèles propriétaires de pointe restent souvent le meilleur rapport performance-effort, et le discours sur la souveraineté ressemble surtout à un argumentaire de vente.
Mensch a raison de pointer une dépendance que trop d’entreprises signent sans la lire. Il a aussi un catalogue à écouler. À vous de séparer l’alerte du plaidoyer, et de décider où placer vos données avant que quelqu’un d’autre ne le décide pour vous.
