Decathlon mise sur les LLM européens : quand la souveraineté devient une décision d'architecture

# Decathlon mise sur les LLM européens : quand la souveraineté devient une décision d'architecture

Quand une entreprise de la taille de Decathlon commence à arbitrer sérieusement entre GPT-4 et des modèles entraînés en Europe, ce n'est plus un débat de think tank. C'est un signal opérationnel. Celui que la question de la souveraineté des modèles de langage est sortie des discours institutionnels pour atterrir dans les revues d'architecture des grandes DSI européennes — et que les alternatives existent désormais assez pour mériter une vraie comparaison.

Ce qui s'est passé, et pourquoi maintenant

Depuis 2024, Decathlon a engagé une réflexion structurée sur l'intégration des LLM dans ses processus internes : assistance à la rédaction de fiches produits, support aux équipes commerciales, outils de synthèse pour les acheteurs. Comme beaucoup de grandes entreprises européennes, le réflexe initial a été d'aller vers les modèles américains dominants — OpenAI en tête. Rapides à déployer, performants, avec des API bien documentées.

Mais au fil des mois, plusieurs frictions sont apparues. D'abord réglementaires : où sont hébergées les données envoyées aux API ? Sous quelle juridiction les modèles sont-ils opérés ? Avec l'entrée en application progressive du AI Act européen et le durcissement des interprétations du RGPD sur les transferts hors UE, ces questions sont passées du service juridique à la direction des systèmes d'information. Ensuite stratégiques : une dépendance technologique forte envers un seul fournisseur extra-européen, c'est un risque de continuité que les risk managers commencent à inscrire dans leurs registres.

En 2026, le contexte géopolitique a encore renforcé cette vigilance. Les tensions commerciales transatlantiques et les incertitudes autour des conditions d'accès aux modèles américains — potentielles restrictions à l'export, modifications unilatérales des conditions d'utilisation, hausses tarifaires — ont transformé la question de la souveraineté d'un argument politique en variable de gestion des risques fournisseurs.

Decathlon n'est pas seul dans cette démarche. Plusieurs grands groupes européens — dans l'industrie, la distribution, les services financiers — ont entamé des pilotes similaires. Ce qui rend le cas Decathlon intéressant, c'est sa taille, son côté transversal (l'entreprise opère dans une quarantaine de pays) et le fait qu'elle ne communique pas sur ce sujet pour des raisons marketing. Les signaux qui filtrent viennent des recrutements tech, des interventions de ses architectes en conférences, et des échanges dans les communautés DSI. C'est précisément ce qui les rend crédibles.

La maturité des alternatives européennes : ni mythe ni eldorado

Il faut être honnête sur ce qu'on entend par « LLM souverain européen ». Le terme recouvre des réalités très différentes.

Il y a d'un côté les modèles entraînés en Europe, sur des infrastructures européennes, avec des données dont la provenance est documentée. Mistral AI est l'acteur le plus visible, avec des modèles open-weight qui permettent un déploiement on-premise ou sur des clouds certifiés — ce qui change fondamentalement l'équation par rapport à une API consommée depuis San Francisco. La possibilité de faire tourner le modèle sur sa propre infrastructure, voire de le fine-tuner sur ses données métier, répond à des exigences que les modèles propriétaires américains ne peuvent pas satisfaire structurellement.

Il y a de l'autre côté une réalité moins flatteuse : sur certains benchmarks de performance pure — raisonnement complexe, génération de code avancée, multilinguisme dans des langues rares — les meilleurs modèles américains gardent une avance. Elle se réduit, mais elle existe. Prétendre le contraire serait rendre un mauvais service aux DSI qui doivent prendre des décisions réelles.

Ce que des acteurs comme Aleph Alpha, côté allemand, ont compris, c'est que la compétition frontale sur la performance brute n'est pas le bon terrain. Leur positionnement sur la souveraineté des données, la traçabilité des décisions du modèle et la conformité réglementaire adresse des besoins que la performance seule ne résout pas. Pour un assureur qui doit justifier une décision de refus de prêt, ou pour un industriel qui travaille sur des données ITAR, avoir un modèle légèrement moins performant mais dont chaque couche est auditable et hébergée en Allemagne peut valoir infiniment plus qu'un score sur MMLU.

C'est exactement la logique dans laquelle s'inscrit Decathlon. Pas « quel modèle est le meilleur ? » mais « quel modèle est le plus adapté à notre contrainte réglementaire, notre tolérance au risque fournisseur et notre cas d'usage précis ? »

Ce que ça change concrètement pour les DSI

La première conséquence, c'est que la décision de choix d'un LLM ne peut plus rester dans les mains du seul département data ou de l'équipe qui monte le pilote. Elle engage le juridique, la conformité, la direction des achats et potentiellement le board — notamment dans les secteurs régulés.

Deuxième conséquence : la grille d'évaluation change. Pendant longtemps, on a comparé les LLM comme on comparait des SaaS — fonctionnalités, prix, support. Il faut y ajouter une dimension que les DSI maîtrisent bien dans d'autres contextes mais qu'ils ont parfois négligée avec l'IA : le risque de dépendance. Un modèle open-weight déployé on-premise, même moins performant, donne une liberté de migration et une indépendance tarifaire qui ont une valeur réelle — même si elle est difficile à monétiser dans un business case.

Troisième conséquence : les architectures hybrides vont devenir la norme. Utiliser un modèle américain pour des tâches peu sensibles et un modèle européen souverain pour les cas d'usage touchant des données personnelles, des données commerciales stratégiques ou des processus réglementés. Decathlon semble s'orienter dans cette direction. Ce n'est pas une compromission idéologique, c'est de l'ingénierie de risque.

Pistes de réflexion pour passer de l'intention à la décision

Si vous êtes DSI ou CTO d'une ETI européenne et que ce sujet vous mobilise sans que vous sachiez encore où commencer, voici comment raisonner — pas comment acheter.

Commencez par cartographier vos données, pas vos cas d'usage. La vraie question n'est pas « qu'est-ce qu'on pourrait faire avec un LLM ? » mais « quelles données allons-nous faire transiter vers ce modèle, et quelle est leur sensibilité ? ». Cette cartographie est le préalable à toute décision d'hébergement. Elle force aussi à impliquer le DPO dès le début, ce qui évite des revirements douloureux en phase de déploiement.

Testez le modèle open-weight sur votre infrastructure avant de valider le cas d'usage. L'écart de performance entre un modèle déployé sur une infrastructure mal dimensionnée et le même modèle en mode API peut être brutal. Les pilotes qui se font sur les API et qui se déploient ensuite on-premise ont parfois de mauvaises surprises. Testez dans les conditions réelles de production.

Posez la question du fine-tuning dès le début. Un modèle généraliste sera rarement optimal sur vos données métier spécifiques. La capacité à fine-tuner — et donc à avoir accès aux poids du modèle — est un critère de choix structurant. Les modèles open-weight européens ouvrent cette possibilité ; les modèles propriétaires américains la contraignent fortement, quand ils ne la ferment pas.

Résistez à la pression du benchmark. Les équipes techniques ont tendance à vouloir choisir le modèle qui score le mieux sur les benchmarks standards. Créez vos propres jeux de test sur vos cas d'usage réels, dans votre langue, avec vos données. Un modèle qui performe mieux sur votre problème précis vaut plus qu'un modèle qui performe mieux en moyenne sur des tests conçus pour d'autres marchés.

La souveraineté, un avantage concurrentiel ou une contrainte ?

La question mérite d'être posée franchement. Pour certains secteurs — défense, santé, finance — la souveraineté des modèles d'IA n'est pas un choix, elle va devenir une obligation réglementaire. Le AI Act, dans ses exigences sur les systèmes à haut risque, pousse dans cette direction. Pour ces secteurs, la question n'est pas « faut-il aller vers des modèles souverains ? » mais « à quelle vitesse et comment ».

Pour les autres — distribution, industrie non-sensible, services — la réponse est moins tranchée. La souveraineté a un coût : elle peut impliquer plus de travail d'infrastructure, parfois une performance moindre sur certains usages, et une expertise interne plus importante à développer. Elle a aussi une valeur : indépendance tarifaire, conformité plus robuste, absence de risque de coupure d'accès pour des raisons géopolitiques.

Ce que le cas Decathlon illustre, c'est que des entreprises sérieuses, avec des équipes techniques solides et des enjeux réels, font ce calcul et concluent que l'équation commence à pencher vers les alternatives européennes — au moins pour une partie de leurs usages. Ce n'est pas encore une bascule généralisée. C'est un signal que le sujet a changé de nature.

Il y a dix-huit mois, choisir un LLM européen plutôt qu'américain était perçu comme un choix idéologique ou un sacrifice de performance. Aujourd'hui, c'est une décision d'architecture comme une autre, avec ses compromis, ses avantages et ses cas d'usage adaptés. C'est un progrès. La prochaine étape, c'est que les écosystèmes de partenaires, d'intégrateurs et de formations suivent à la même vitesse — et sur ce terrain-là, beaucoup reste à construire.