greenai.guide

Accueil › Articles › IA souveraine et durabilité

Article

IA souveraine et durabilité

Mis à jour · 6 min de lecture

En bref

Partout dans le monde, des gouvernements financent une IA « souveraine » : des capacités de calcul, des modèles et des données nationaux qu'ils contrôlent. Ses partisans estiment qu'elle garantit l'accès, reflète les valeurs locales et pourrait être conçue dès le départ pour être efficace. Ses détracteurs estiment que l'autosuffisance complète est inabordable, fait doublon et ajoute des centres de données à des réseaux électriques déjà sous tension. Le résultat en matière de durabilité dépend moins de qui possède l'IA que de la façon dont elle est construite, dimensionnée et utilisée.

Points clés

  • Un indice de 2026 a recensé 184 projets d'IA souveraine dans 67 pays.
  • Le Royaume-Uni, l'UE et la Suisse font partie de ceux qui investissent dans des capacités de calcul et des modèles nationaux, à des échelles très différentes.
  • Les arguments en faveur d'une IA souveraine ou publique reposent sur la sécurité, l'équité d'accès, la redevabilité et la conformité au droit et aux valeurs locales.
  • Les arguments contre reposent sur le coût, la faisabilité, la duplication d'entraînements très gourmands en énergie et le risque de contrôle politique.
  • Les modèles petits, locaux et ouverts offrent une voie médiane qui peut servir à la fois la souveraineté et l'efficacité.

L'IA est de plus en plus considérée comme une infrastructure nationale, au même titre que l'énergie ou les télécommunications. De nombreux gouvernements veulent désormais une capacité d'IA sous leur propre contrôle, et ils dépensent beaucoup pour l'obtenir. Cela soulève une question souvent oubliée dans le débat : l'IA souveraine est-elle meilleure ou pire pour l'environnement ? Cet article présente les arguments des deux camps.

Qu'est-ce que l'IA souveraine ?

Une capacité d'IA qu'un pays, ou un bloc de pays, contrôle. Cela peut désigner ses propres capacités de calcul (centres de données et supercalculateurs), ses propres modèles, ses propres données, ses propres compétences, ou un mélange de tout cela.

L'idée s'est diffusée rapidement. Le Sovereign AI Index du Center for a New American Security a recensé 184 projets d'IA souveraine dans 67 pays, sur des données arrêtées à juin 2026.

Quelques exemples, à des échelles très différentes :

Qui Quoi
Royaume-Uni Une Sovereign AI Unit dotée de jusqu'à 500 millions de livres, lancée en 2026, aux côtés de capacités de calcul nationales comme le supercalculateur Isambard-AI et des AI Growth Zones désignées
Union européenne InvestAI, annoncé en février 2025 pour mobiliser 200 milliards d'euros en faveur de l'IA, dont un fonds de 20 milliards d'euros pour des « gigafactories » d'IA ; la sélection des sites de gigafactories était toujours en cours fin 2026
Suisse Apertus, un modèle de langage multilingue entièrement ouvert publié en septembre 2025 par l'EPFL, l'ETH Zurich et le Centre suisse de calcul scientifique, en versions de 8 et 70 milliards de paramètres, avec les poids, les données et le code publiés

Quels sont les arguments en faveur d'une IA souveraine ou publique ?

Ses partisans estiment que l'IA est trop importante pour dépendre entièrement de quelques entreprises étrangères. Leurs principaux arguments :

  • Sécurité et résilience. Les services dont dépendent les gouvernements, les systèmes de santé et les réseaux électriques ne devraient pas reposer sur un accès qu'un autre pays ou une autre entreprise pourrait restreindre.
  • Équité d'accès. Certains plaident pour une IA conçue comme un service public, comme l'eau ou le rail, afin que l'accès ne dépende pas de la capacité à payer. Le document Public AI de la Mozilla Foundation (2024) plaide pour des alternatives publiques aux côtés de l'IA privée, en les comparant à l'audiovisuel public et aux transports publics.
  • Droit et valeurs. Un modèle entraîné sur des données qui reflètent les langues, le droit et les normes locales peut mieux servir les citoyens. Les gouvernements qui s'appuient sur des modèles ouverts entraînés principalement sur les données d'autres pays doivent se demander quelles valeurs ces modèles reflètent. Le gouvernement britannique, par exemple, a financé des travaux sur des outils de service public fondés sur des modèles ouverts comme Llama de Meta.
  • Redevabilité. Les modèles publics peuvent être inspectés, audités et gouvernés publiquement.
  • Données sensibles. Certaines données, comme les données détaillées sur le réseau électrique ou la santé, ne peuvent pas être envoyées à des prestataires extérieurs ; des modèles locaux efficaces sont alors le seul moyen d'y appliquer l'IA.

Un « sandpit » britannique sur l'IA verte réuni en 2026, rassemblant mathématiciens, informaticiens et industriels, a débattu d'une version de cette idée : un modèle national géré par l'État, exploité comme un service public pour l'équité d'accès, la souveraineté et la sécurité, avec l'efficacité mathématique comme avantage concurrentiel.

Quels sont les arguments contre ?

Ses détracteurs estiment que l'autosuffisance complète est inabordable, lente et, pour la plupart des pays, impossible. Leurs principaux arguments :

  • Coût et faisabilité. Le rapport 2026 du Tony Blair Institute estime que l'autosuffisance complète est trop coûteuse, trop lente et, pour la plupart des pays, tout simplement impossible, et présente plutôt la souveraineté comme une maîtrise des choix clés. Un rapport de la Brookings Institution de 2026 a soutenu qu'une souveraineté complète sur toute la chaîne de l'IA est structurellement irréalisable pour presque tous les pays.
  • Duplication. Entraîner un modèle de pointe de zéro dans chaque pays répète des coûts en énergie, en eau et en matériel déjà payés ailleurs.
  • Contrôle politique. Un modèle géré par l'État fait craindre une influence du gouvernement sur ce que les citoyens peuvent demander et sur ce qu'on leur répond.
  • Limites des données. Un gouvernement démocratique peut ne pas pouvoir, ou ne pas vouloir, entraîner un modèle sur les données qu'utilisent les entreprises privées.
  • Infrastructures et opinion publique. Les nouveaux centres de données ont besoin de raccordements au réseau, d'eau et de permis de construire, et se heurtent en de nombreux endroits à une opposition locale.
  • Parier sur la mauvaise architecture. Un investissement national dans un grand modèle centralisé suppose que ces modèles domineront encore dans cinq ou dix ans, plutôt que de petits modèles locaux où les données restent chez l'utilisateur.

Que signifie la souveraineté pour l'énergie et les émissions ?

Cela dépend de ce qui est construit, où, et de ce que cela remplace. L'IA souveraine peut aller dans les deux sens :

  • Pire : si elle se traduit par davantage de centres de données sur des réseaux dominés par les énergies fossiles, des entraînements dupliqués et de grands modèles généralistes utilisés pour des tâches que de petits modèles pourraient accomplir.
  • Mieux : si elle se traduit par des modèles bien dimensionnés et spécialisés, des centres de données implantés là où l'électricité propre est excédentaire, la réutilisation de modèles ouverts au lieu d'un réentraînement de zéro et l'adoption de normes publiques de mesure et de déclaration.

L'implantation compte. L'Agence internationale de l'énergie note que la demande des centres de données est concentrée dans quelques régions et que les contraintes du réseau sont un problème croissant. Les lieux disposant d'une production renouvelable excédentaire, qui doit parfois aujourd'hui être écrêtée, sont des candidats naturels. Un programme public peut aussi exiger dès le départ la déclaration de l'énergie et l'efficacité, ce qu'il est plus difficile d'imposer à des fournisseurs étrangers.

L'open source change-t-il la donne ?

Oui. Les modèles ouverts permettent aux pays d'adapter plutôt que de reconstruire. Des modèles à poids ouverts venant de nombreux pays sont désormais largement utilisés. L'ATOM Project a indiqué que les modèles ouverts chinois ont dépassé les modèles américains en téléchargements cumulés sur Hugging Face à la mi-2025.

Affiner (fine-tuning) un modèle ouvert existant pour une langue, un secteur ou un système juridique consomme une petite fraction de l'énergie nécessaire pour en entraîner un nouveau. L'Apertus suisse montre une autre voie : un modèle entièrement ouvert, construit publiquement, que d'autres peuvent réutiliser. Ces deux approches réduisent le besoin pour chaque pays de payer le coût complet de l'entraînement.

Existe-t-il une voie médiane ?

Beaucoup plaident pour la souveraineté sur les éléments qui comptent, et l'interdépendance pour le reste. En pratique :

  • Contrôler les données et le déploiement, même si le modèle de base vient d'ailleurs.
  • Privilégier des modèles petits, locaux et spécialisés, qui peuvent tourner sur une infrastructure nationale ou sur site et garder les données sensibles sur place. Voir l'IA en périphérie.
  • Partager les capacités de calcul et les modèles ouverts avec des alliés plutôt que de les dupliquer.
  • Intégrer dès le départ l'efficacité, la mesure et l'électricité propre dans l'IA publique.

Certains vont plus loin et se demandent si une inférence distribuée, répartie entre de nombreux fournisseurs plus petits, pourrait empêcher une seule entreprise ou un seul gouvernement de contrôler l'usage de l'IA. C'est une question de recherche ouverte, qui comporte ses propres compromis en matière d'efficacité.

Que faire ensuite ?

Questions fréquentes

Qu'est-ce que l'IA souveraine ?

Une capacité d'IA qu'un pays, ou un groupe de pays, contrôle : ses propres capacités de calcul, modèles, données ou compétences, afin de ne pas dépendre entièrement d'entreprises ou de gouvernements étrangers.

L'IA souveraine est-elle plus verte ?

Pas automatiquement. Un modèle national entraîné de zéro duplique une énergie que d'autres ont déjà dépensée. Il peut être plus vert s'il est plus petit, spécialisé, alimenté par une électricité propre et s'il remplace des usages moins efficaces, mais cela doit être prévu dès la conception.

Qu'est-ce que l'IA publique ?

L'idée qu'une partie de l'IA devrait être fournie comme une infrastructure publique, à l'image de l'audiovisuel public ou des transports publics, aux côtés des services privés, avec une redevabilité et un accès publics.

Sources

  1. Sovereign AI Index, Center for a New American Security (2026)
  2. Sovereign AI Unit, UK Government, Department for Science, Innovation and Technology (2026)
  3. AI Opportunities Action Plan: one year on, UK Government (2026)
  4. EU launches InvestAI initiative to mobilise €200 billion of investment in artificial intelligence, European Commission (2025)
  5. Call for tenders: selection of AI gigafactory consortia, EuroHPC Joint Undertaking (2026)
  6. Apertus: a fully open, transparent, multilingual language model, EPFL, ETH Zurich and CSCS (2025)
  7. Public AI: making AI work for everyone, by everyone, Mozilla Foundation (2024)
  8. Sovereignty in the age of AI: strategic choices, structural dependencies, Tony Blair Institute for Global Change (2026)
  9. Is AI sovereignty possible? Balancing autonomy and interdependence, Brookings Institution (2026)
  10. UK's best AI engineers can apply now to build tech for public services in £1 million fellowship, UK Government (2025)
  11. The ATOM Project, ATOM Project (2026)
  12. Energy and AI, International Energy Agency (2025)

Rejoignez-nous

Aidez à réduire l’impact de l’IA sur la planète

Recevez par e-mail, environ une fois par mois, les nouveaux guides, appels à financement et fiches des annuaires. Ou ajoutez votre produit, cours, thèse ou recherche aux annuaires.

Aucun suivi. Désinscription en un clic. Autres façons de participer · Confidentialité