Résumé exécutif
Le 16 juin 2026, le gouvernement français a annoncé la généralisation d’un assistant d’intelligence artificielle (IA) générative à l’ensemble des agents de l’État, soit environ un million d’utilisateurs. Cette décision marque un tournant. L’IA générative (les outils qui produisent du texte, du code ou des analyses à la demande) quitte le terrain de l’expérimentation pour devenir une infrastructure publique de masse.
Pour les dirigeants publics comme privés, le signal est clair. Le sujet n’est plus de savoir si l’on adopte l’IA, mais comment on l’industrialise sans créer de dette de conformité, sans exposer ses données et sans se rendre captif d’un fournisseur. Le défi central est de transformer un usage spontané, souvent clandestin, en capacité maîtrisée, traçable et compatible avec le règlement européen sur l’IA (l’AI Act). Ma conviction est simple : ce déploiement est moins une prouesse technologique qu’un test grandeur nature de gouvernance.
Constat
La presse a rapporté que le gouvernement français entendait généraliser un assistant IA à tous les agents de l’État. L’objectif affiché est de mettre un outil d’aide à la rédaction, à la synthèse et à l’analyse entre les mains de chaque fonctionnaire. Le gouvernement l’a présenté dans le cadre d’un plan « pour une IA utile, humaine et souveraine » dans le service public, érigé en levier de modernisation et de productivité.
Cette annonce s’inscrit dans un mouvement plus large. Après dix mois d’expérimentation auprès de 10 000 agents, l’État cherche à reprendre la main sur des usages devenus massifs. L’ambition affichée est de mettre des outils d’IA souverains entre les mains des fonctionnaires, de l’administration centrale aux services de terrain.
Trois réalités doivent être posées à côté de cet enthousiasme. La première : la dépendance aux fournisseurs n’est pas une vue de l’esprit. Un cas récent l’a illustré lorsque le gouvernement américain a contraint Anthropic à suspendre l’accès à ses modèles les plus puissants. La deuxième : les données mal gouvernées deviennent un risque, ce que l’on appelle les dark data, ces données dormantes mal gouvernées qui deviennent un risque cyber. La troisième : le passage à l’échelle exige une architecture pensée pour la sécurité et la gouvernance, comme l’illustre le lancement d’offres d’IA agentique en production alliant sécurité et gouvernance.
Analyse
Équiper un million d’agents d’un assistant IA n’est pas une opération d’outillage. C’est une décision d’architecture. Et toute architecture engage durablement celui qui la choisit. Voilà la grille de lecture que je propose aux décideurs.
Pour les gouvernements, l’enjeu premier est la souveraineté. Un assistant IA n’a de valeur souveraine que si l’État contrôle trois choses : où sont stockées les données, qui peut couper le service, et sur quels modèles il repose. La coupure unilatérale des modèles d’Anthropic, décrite comme un « kill switch » qui a sonné l’alarme en Europe, est un avertissement. La conséquence est directe : un État qui dépend d’un fournisseur étranger pour faire fonctionner son administration s’expose à une interruption qu’il ne maîtrise pas. Qualifier un assistant de souverain ne suffit pas. Il faut une chaîne de contrôle vérifiable, du modèle jusqu’à l’hébergement.
Pour les entreprises, la lecture est miroir. Le secteur privé vit déjà l’explosion des usages clandestins. Faute d’outil officiel, les salariés utilisent des services grand public et y déversent des informations sensibles. C’est exactement la logique des dark data. Concrètement, chaque donnée envoyée à un service non maîtrisé est une fuite potentielle et une non-conformité latente. La réponse de l’État français, offrir un outil officiel à tous, est précisément la stratégie que tout conseil d’administration devrait considérer : on ne combat pas l’usage clandestin par l’interdiction, mais par une alternative meilleure et encadrée.
La comparaison historique est éclairante. Le déploiement de la messagerie électronique dans les années 1990 et 2000 a suivi le même chemin. D’abord un usage spontané et désordonné. Puis des incidents. Enfin une gouvernance : archivage, classification, règles de confidentialité. L’IA générative parcourt ce cycle à vitesse accélérée. La différence est qu’un courriel ne fabrique pas de contenu erroné présenté comme vrai. L’IA, elle, peut produire des affirmations fausses avec aplomb. La supervision humaine (le fait qu’un agent vérifie et valide la production de la machine) n’est donc pas une option, c’est le cœur du dispositif.
Le troisième axe d’analyse est la conformité réglementaire. L’AI Act européen classe les usages selon leur niveau de risque. Un assistant de rédaction généraliste n’est pas, en soi, un système à haut risque. Mais dès qu’il sert à préparer une décision administrative touchant un citoyen, par exemple une aide sociale ou un contentieux, on entre dans une zone sensible. Le même outil peut donc être anodin dans un service et réglementé dans un autre. La gouvernance ne peut donc pas être uniforme. Elle doit être cartographiée usage par usage. C’est la différence entre déployer un outil et maîtriser un parc d’usages.
Enfin, il y a la question rarement posée de l’énergie et de l’infrastructure physique. Le passage à l’échelle de l’IA repose sur des capacités de calcul considérables. Selon une enquête de Reuters, des centrales électriques sont mises en service en urgence pour alimenter l’essor de l’IA, parfois sans véritable contrôle public. Autrement dit, la souveraineté IA n’est pas qu’une affaire de logiciels et de données. C’est aussi une question d’énergie, de centres de calcul et de chaîne d’approvisionnement matérielle. Un dirigeant qui raisonne uniquement en termes de licences logicielles passe à côté de la moitié du sujet.
Implications politiques
Pour l’action publique, ce déploiement fixe un standard. À partir du moment où un État équipe un million d’agents, il devient un acheteur structurant du marché. Il peut imposer ses exigences : hébergement sur le territoire, transparence des modèles, réversibilité (la capacité de changer de fournisseur sans tout reconstruire). Les pouvoirs publics ont ici une occasion rare d’orienter le marché par la commande plutôt que par la seule réglementation. C’est une forme de politique industrielle par l’achat.
Mais l’implication la plus sensible est démocratique. Quand l’IA aide à préparer des décisions administratives, la question de la responsabilité devient centrale. Qui répond d’une erreur : l’agent, le service, l’éditeur du modèle ? La supervision humaine effective et la traçabilité, c’est-à-dire la capacité à reconstituer comment une décision a été préparée, sont les garanties qui évitent que la machine devienne une boîte noire opaque. L’AI Act exige cette traçabilité. La généraliser à un million d’utilisateurs sans système de journalisation robuste créerait une dette de conformité massive.
Pour les entreprises, les conséquences sont directes. D’abord, l’État fixe un exemple que les régulateurs et les clients attendront aussi du privé. Si l’administration trace ses usages, une entreprise ne pourra pas justifier de ne pas le faire. Ensuite, le marché de l’IA souveraine se structure. Les fournisseurs qui offrent sécurité, gouvernance et réversibilité, à l’image des offres d’IA agentique en production pensées pour le passage à l’échelle, deviennent des partenaires stratégiques. Enfin, la dépendance fournisseur devient un risque de conseil d’administration à part entière, au même titre que le risque cyber ou le risque de change.
Le risque à surveiller est celui de la fausse souveraineté. Un outil présenté comme national mais reposant sur des modèles, des puces ou des centres de calcul contrôlés à l’étranger n’offre qu’une souveraineté de façade. Décideurs publics et privés doivent exiger une transparence sur l’ensemble de la chaîne, pas seulement sur la couche visible.
Recommandations
Pour transformer ce mouvement en capacité durable, sans subir ses risques, voici les actions à engager, par ordre de priorité.
- Cartographier les usages avant de déployer. Identifiez précisément ce que l’assistant servira à faire, service par service. Distinguez les usages anodins des usages qui touchent une décision affectant un citoyen ou un client. Cette cartographie détermine votre niveau d’obligation au titre de l’AI Act.
- Classifier les données en amont. Définissez ce qui peut être soumis à l’IA et ce qui ne le peut pas. Sans cette règle claire, vous reproduisez le risque des dark data à l’échelle de toute l’organisation.
- Exiger la réversibilité contractuelle. Négociez la capacité de changer de fournisseur ou de modèle sans reconstruire votre système. La suspension brutale des modèles d’Anthropic sur décision gouvernementale montre que la dépendance peut devenir une vulnérabilité opérationnelle du jour au lendemain.
- Garantir la traçabilité et la journalisation. Mettez en place, dès le départ, un système qui enregistre les usages sensibles. La traçabilité n’est pas un coût administratif, c’est votre assurance de conformité et votre défense en cas d’incident.
- Ancrer la supervision humaine. Formez les agents et les collaborateurs à vérifier les productions de l’IA, jamais à les valider aveuglément. La responsabilité finale doit rester humaine et identifiable.
- Intégrer l’IA aux risques du conseil. Placez la dépendance fournisseur, la souveraineté des données et la conformité AI Act parmi les risques suivis au plus haut niveau, au côté du risque cyber et financier.
La généralisation française est une invitation à agir avec méthode. L’industrialisation de l’IA générative est inévitable. La question n’est pas de la freiner, mais de la conduire. Ceux qui auront pensé l’architecture, la conformité et la souveraineté avant le déploiement transformeront l’IA en avantage durable. Les autres hériteront d’une dette qu’il sera coûteux de rembourser.