Mythos 5 bloquée aux USA : « Nos équipes ont compris qu'un modèle IA, ça se possède »

# Mythos 5 bloquée aux USA : « Nos équipes ont compris qu'un modèle IA, ça se possède »

*Quand un modèle IA de référence devient soudainement inaccessible par décision réglementaire américaine, ce n'est pas un incident technique. C'est un signal de gouvernance. Un DSI d'une ETI industrielle européenne, qui a traversé cette situation début 2026, nous explique comment son organisation a transformé cette contrainte en réorganisation durable.*

Mythos 5 a été bloquée aux États-Unis dans un contexte de régulation accélérée des modèles frontier. Concrètement, qu'est-ce que ça a changé pour vous du jour au lendemain ?

On avait intégré Mythos 5 dans deux workflows critiques : un outil d'analyse contractuelle et un assistant de rédaction technique pour nos ingénieurs. Du jour au lendemain, l'API a cessé de répondre pour les accès routés via des nœuds américains. Nos équipes ont perdu un outil sur lequel elles comptaient sans même savoir qu'elles en dépendaient à ce point. C'est ça, le vrai problème. On n'avait pas cartographié la dépendance. On avait juste consommé un service comme on consomme de l'électricité — en supposant qu'il serait toujours là.

La première semaine a été du pur triage : identifier tous les processus touchés, évaluer l'impact, rassurer les métiers. Ce n'est qu'à partir de la deuxième semaine qu'on a pu réfléchir à la suite. Et c'est là que la question organisationnelle s'est posée vraiment : est-ce qu'on reconstruisait le même château de cartes avec un autre modèle, ou est-ce qu'on changeait d'approche ?

Vous parlez de cartographie de dépendance. C'est un angle qu'on entend peu dans les DSI. Comment vous y avez procédé ?

On a lancé ce qu'on a appelé en interne un « audit de chaîne IA ». L'idée était simple : pour chaque usage IA en production ou en pilote, on documente trois choses. D'abord, qui héberge le modèle et sous quelle juridiction. Ensuite, qu'est-ce qui se passe si ce modèle est indisponible pendant 48 heures, puis pendant deux semaines. Enfin, est-ce qu'il existe une alternative que notre équipe peut activer sans passer par un prestataire externe ?

Ce dernier point est le plus révélateur. Dans la majorité des cas, la réponse était non. On avait construit des usages sur des modèles que seul le fournisseur américain maîtrisait, avec des équipes internes incapables de substituer quoi que ce soit sans recommencer à zéro. C'est ça, la vraie dette de souveraineté — elle n'est pas dans les contrats, elle est dans les compétences absentes.

Justement, sur les compétences : qu'est-ce que vous avez décidé de garder ou de développer en interne plutôt que de sous-traiter ?

On a fait un choix structurant : on a décidé que le fine-tuning et l'évaluation des modèles devaient redevenir des compétences internes. Pas parce qu'on veut tout faire nous-mêmes, mais parce que si on ne sait pas évaluer un modèle, on ne sait pas le remplacer. Et si on ne sait pas le remplacer, on est pieds et poings liés.

On a formé deux profils existants dans l'équipe data — des gens qui faisaient déjà du machine learning classique — à l'écosystème des modèles open weights. On s'est appuyé sur Aleph Alpha pour un premier modèle déployé on-premise sur nos serveurs. Ça n'a pas été simple. Il a fallu six semaines pour arriver à un niveau de qualité acceptable sur notre cas d'usage contractuel. Mais aujourd'hui, ce modèle est sous notre contrôle. On peut l'arrêter, le modifier, l'auditer. Personne ne peut nous couper l'accès.

Ce que j'ai arrêté de sous-traiter : le choix des modèles de base. Ce que je continue à externaliser : l'infrastructure de calcul, parce qu'on n'a pas les moyens de posséder les GPU nécessaires.

Comment vous avez convaincu la direction générale d'investir dans ces compétences, dans un contexte où le ROI de l'IA est déjà difficile à démontrer ?

J'ai arrêté de parler de ROI. J'ai parlé de risque opérationnel. La direction générale comprend le risque opérationnel mieux que les arguments technologiques.

J'ai présenté le blocage de Mythos 5 comme un scénario de continuité d'activité — au même titre qu'une panne d'un ERP ou qu'une rupture d'un fournisseur clé. Est-ce qu'on accepterait d'avoir un fournisseur critique unique, hébergé à l'étranger, sur lequel on n'a aucun levier contractuel réel ? Non. Alors pourquoi on l'acceptait pour l'IA ?

À partir du moment où j'ai cadré le sujet comme un problème de résilience et non comme un projet d'innovation, j'ai obtenu le budget. C'est peut-être cynique, mais c'est pragmatique. Les DSI européens qui veulent avancer sur la souveraineté IA doivent apprendre à parler le langage de la continuité de service, pas celui de la tech.

Vous avez parlé d'un changement d'approche côté gouvernance. Qu'est-ce que ça signifie concrètement dans votre organisation ?

On a instauré ce qu'on appelle une « règle des deux modèles ». Aucun usage IA en production ne peut reposer sur un seul modèle, et au moins un des deux doit être soit hébergé en Europe, soit déployable en interne. C'est une contrainte organisationnelle, pas technique. Elle s'applique avant même qu'on choisisse le modèle.

Ça a changé la façon dont nos chefs de projet formulent leurs besoins. Ils intègrent maintenant la question de la substituabilité dès la phase de cadrage. C'est un changement culturel lent, mais il est en train de s'installer. Avant, on choisissait un modèle parce qu'il était performant. Maintenant, on choisit un modèle parce qu'il est performant ET maîtrisable.

On a aussi ajouté un critère dans nos appels d'offres prestataires : est-ce que le prestataire est capable de nous livrer une solution qui tourne sur un modèle open weights hébergé chez nous ? Si la réponse est non, le prestataire est disqualifié. Ça a filtré une bonne partie des ESN qui n'avaient de toute façon que des offres construites sur les APIs de l'acteur américain dominant.

Un an après, quels sont les effets que vous n'aviez pas anticipés — positifs ou négatifs ?

L'effet négatif d'abord : la charge cognitive sur les équipes est réelle. Maintenir deux modèles, les évaluer régulièrement, former les utilisateurs aux différences de comportement entre les deux — c'est du travail. On a sous-estimé ça. Il faut une personne dédiée au minimum, même à temps partiel, pour piloter ce portefeuille de modèles. Ce n'est pas anodin pour une ETI de notre taille.

L'effet positif que je n'avais pas anticipé : la montée en compétence a changé la relation de nos équipes à l'IA. Avant, l'IA était une boîte noire gérée par des prestataires. Maintenant, les gens comprennent ce qu'ils utilisent. Ils questionnent les résultats. Ils signalent les anomalies. Un de nos ingénieurs a récemment identifié un biais systématique dans notre modèle contractuel sur certaines clauses de droit allemand — il ne l'aurait jamais détecté s'il n'avait pas eu accès aux logs et à la logique du modèle. Ça, ça n'a pas de prix.

Mes équipes ont compris qu'un modèle IA, ça se possède — ou ça vous possède. Le blocage de Mythos 5 a été le déclencheur. Je ne remercierai jamais les régulateurs américains, mais honnêtement, sans ce choc, on n'aurait pas bougé.