Les principaux axes de développement de l’intelligence artificielle (IA) appliquée moderne et les vecteurs de menace qui leur sont associés peuvent être classés en quatre grandes catégories.
La première regroupe les systèmes centralisés basés sur le cloud et construits autour de ce que l’on appelle les « grands modèles de langage » (LLM) — développés aux États-Unis (OpenAI ChatGPT, Anthropic Claude, Google Gemini, Llama, Grok) et en Chine (DeepSeek, Qwen, Kimi, GLM) — dont les capacités complètes ne sont généralement accessibles que par l’intermédiaire de services web hébergés en dehors de la Russie. Selon certains classements de performance, les systèmes russes développés par Sber (GigaChat) et YandexGPT (Alice AI) accusent actuellement un retard par rapport aux services étrangers. La majeure partie de cet article sera donc consacrée à la révolution qui s’est produite dans ce segment au cours des dernières années, ainsi qu’aux opportunités et aux risques qui en découlent.
La deuxième catégorie concerne les systèmes robotiques autonomes capables d’exécuter des tâches qui leur sont assignées sans opérateur, par exemple en situation de brouillage ou lorsque la communication avec un centre de contrôle est impossible en principe ou peu pratique dans une situation donnée. Ces systèmes et les exigences qui leur sont associées ont été examinés dans une précédente analyse. L’actualité récente souligne l’importance de ce domaine — notamment l’annonce, en septembre 2026, du lancement en Allemagne de la production d’un nouveau type de drone d’attaque autonome. D’après les informations limitées disponibles, ces systèmes restent loin d’être parfaits, mais ils font néanmoins l’objet d’efforts actifs de conception et de développement, malgré l’échec de plusieurs groupes de défense à obtenir une interdiction internationale du développement des systèmes d’armes létales autonomes (SALA). À l’heure actuelle, le principal obstacle à leur développement réside dans les fortes exigences en ressources des architectures d’IA modernes fondées sur les réseaux neuronaux, qui nécessitent une mémoire importante et consomment de grandes quantités d’énergie. Le dépassement de ces contraintes grâce à de nouvelles architectures informatiques, telles que les architectures neuromorphiques, rendra les défis posés par les systèmes autonomes encore plus pressants.
La troisième catégorie concerne les systèmes dits « en essaim », construits à partir des systèmes autonomes mentionnés précédemment. Ces dispositifs permettent à des agents autonomes — par exemple des drones aériens, terrestres, de surface ou sous-marins — d’accomplir les tâches qui leur sont assignées non seulement de manière autonome, mais également en coopération les uns avec les autres, sans opérateur. D’après les informations accessibles au public, les systèmes autonomes comme les systèmes en essaim font l’objet de développements intensifs, principalement en Chine, qui semble clairement miser sur eux dans la perspective de conflits futurs probables.
La quatrième catégorie regroupe les systèmes hybrides, dans lesquels l’intelligence limitée des systèmes appartenant aux deuxième et troisième catégories est compensée ou complétée par le contrôle exercé par un système centralisé de la première catégorie, à condition qu’une connexion au centre de données de contrôle soit disponible, avec ou sans intervention humaine. Aujourd’hui, la plupart des systèmes appartiennent à cette catégorie. Le système le plus connu utilisant une technologie LLM avancée est le système américain Palantir.
Quels LLM connaissons-nous ?
Examinons maintenant l’état actuel de la première catégorie de systèmes, qui utilisent des architectures de type « transformeur » fondées sur des réseaux neuronaux profonds. Les modèles étrangers les plus performants peuvent contenir des centaines de milliards de paramètres — davantage que le nombre de neurones présents dans le cortex cérébral humain, estimé à environ 100 milliards, mais moins que le nombre de connexions synaptiques, qui est supérieur de plusieurs ordres de grandeur.
Le traitement efficace des requêtes et la génération de réponses par les réseaux neuronaux, en particulier lors de leur entraînement, nécessitent de puissantes grappes de processeurs graphiques spécialisés (GPU) capables d’effectuer des calculs massivement parallèles. Seules des entreprises américaines — Nvidia, AMD et Intel — produisent actuellement des processeurs présentant les caractéristiques techniques nécessaires. Des entreprises chinoises comme Huawei tentent de développer des solutions alternatives, mais restent encore à la traîne dans cette course. Presque tous les systèmes d’IA connus et largement utilisés aujourd’hui, y compris les systèmes chinois, reposent sur les GPU d’une seule entreprise américaine : Nvidia.
Les leaders de la course à l’IA la plus performante — mesurée en fonction de la précision maximale des réponses et du nombre minimal de réponses erronées — changent constamment. Selon l’évaluation de l’auteur, ChatGPT d’OpenAI et Claude d’Anthropic se partagent actuellement la première place pour la plupart des tâches appliquées. Les modèles chinois tentent de combler leur retard et, d’après les informations dont dispose l’auteur, même les développeurs de logiciels chinois utilisent fréquemment des solutions américaines. Les solutions russes se trouvent dans une position encore plus faible. Ce retard s’explique principalement par l’écart technologique et par une concurrence plus intense aux États-Unis, tandis que les entreprises chinoises et russes suivent les orientations des entreprises américaines, en reprenant souvent leurs approches à partir de publications académiques accessibles au public et de projets open source. À cela s’ajoutent les contrôles américains à l’exportation et les sanctions, qui limitent l’accès des pays concurrents aux processeurs les plus performants et accentuent ainsi leur retard.
Les fortes exigences énergétiques des modèles neuronaux influent également sur le coût des services pour les utilisateurs finaux : l’utilisation de modèles hébergés dans le cloud peut coûter de quelques dizaines à plusieurs dizaines de milliers de dollars par projet, selon les modalités d’utilisation, comme le montrent les estimations relatives à un usage intensif des modèles présentées lors du séminaire AGI Russia.
Les développeurs russes sont confrontés à des restrictions américaines en matière d’accès aux modèles avancés : OpenAI et Anthropic bloquent systématiquement les comptes d’utilisateurs russes. En septembre 2026, des cas de restrictions d’accès imposées depuis l’intérieur même de la Russie ont également été signalés. Pour contourner ces restrictions, les utilisateurs russes de services américains sont contraints de recourir à grande échelle à des outils logiciels non autorisés. D’un côté, cela complique les processus de production et crée un risque de dépassement des délais de projet si les mesures restrictives venaient à être renforcées. De l’autre, l’utilisation généralisée de modèles étrangers revient ni plus ni moins à effectuer un transfert transfrontalier massif, non autorisé et illégitime, des informations internes et de la propriété intellectuelle d’entités russes vers des entreprises liées à des organismes gouvernementaux et à des institutions militaires américaines.
Les fortes exigences énergétiques et matérielles des modèles avancés basés sur le cloud, ainsi que les risques de fuite d’informations et de données, peuvent être partiellement réduits en recourant à des solutions cloud nationales, à des versions « légères » disponibles de modèles à « poids ouverts » et à des solutions spécialisées « open source ». Dans ce dernier cas, le risque de fuite de données peut être réduit au minimum en déployant les modèles dans un environnement isolé et en respectant strictement les protocoles de cybersécurité. Malheureusement, une telle approche entraînerait une baisse substantielle de la qualité et des performances des processus concernés.
Que permettent ces LLM ?
Une précédente analyse, publiée il y a deux ans, faisait référence à un rapport analytique de Leopold Aschenbrenner, ancien employé d’OpenAI, qui prédisait que les technologies d’IA atteindraient le seuil de l’auto-amélioration dans un délai de trois ans — un stade auquel l’IA pourrait développer son propre code sans assistance humaine, avec davantage d’efficacité et à une vitesse incomparablement supérieure. Une fois ce niveau de développement atteint, les pays — ou les entreprises nationales — disposant de telles technologies bénéficieront d’un avantage géostratégique incontestable. L’ancien secrétaire d’État américain Henry Kissinger et le fondateur de Google Eric Schmidt, aujourd’hui l’un des principaux dirigeants impliqués dans le développement de l’IA militaire aux États-Unis, avaient formulé une prédiction similaire encore plus tôt dans leur ouvrage.
Il convient de noter que, à en juger par son style, le rapport d’Aschenbrenner semble s’adresser aux décideurs du département d’État américain et du département de la Guerre. Il propose non seulement de mettre fin à la publication ouverte des résultats de recherche sur l’IA — une mesure que les principales entreprises américaines ont déjà partiellement mise en œuvre — mais également de restreindre les déplacements à l’étranger des spécialistes du secteur, une politique que la Chine a appliquée en 2026. En outre, afin de garantir un avantage stratégique américain dans le domaine de l’IA, le rapport recommandait de lever les restrictions sur la production nationale de pétrole, mesure déjà en cours de mise en œuvre, tout en accordant la priorité au développement de l’énergie nucléaire afin d’alimenter les centres de données.
Certains experts et commentateurs restent sceptiques à l’égard de telles prévisions, évoquant une supposée « bulle de l’IA » et prédisant qu’elle finira par « éclater », à l’image de la « bulle Internet » en 2001. D’autres mettent en avant l’inefficacité énergétique des solutions actuelles, qu’ils décrivent comme des « dinosaures condamnés à disparaître » et qui devraient être remplacés par des technologies plus économes et plus avancées.
Cependant, il apparaît déjà clairement que, dans de nombreux domaines scientifiques ainsi que dans le développement de nouvelles technologies, y compris les matériels et les logiciels, les modèles d’IA avancés sont devenus des outils indispensables pour améliorer la productivité, en réduisant de plusieurs fois le temps consacré au travail intellectuel pour une même quantité de production scientifique — à condition, bien entendu, que les utilisateurs conservent la capacité d’évaluer de manière critique les résultats obtenus avec l’aide de l’IA. Ces capacités continuent de progresser : en août 2026, Anthropic a présenté une version de recherche du Model Hardware Standard (MHS), destinée à intégrer des agents fondés sur des LLM à une vaste gamme d’instruments de laboratoire et de production afin de leur permettre d’effectuer de manière autonome l’ensemble du cycle de recherche dans le monde physique.
L’IA transforme également des domaines appliqués comme le développement logiciel. La principale conclusion ressortant des discussions organisées cette année lors de conférences professionnelles est qu’à l’avenir, le code sera exclusivement écrit par des agents d’IA, tandis que les humains auront pour responsabilité de définir les tâches, de superviser les agents et d’examiner le code produit. En conséquence, l’industrie du développement logiciel aura besoin de responsables et d’analystes capables de définir les tâches, ainsi que de programmeurs expérimentés chargés de vérifier le code. Les auteurs du rapport récemment publié « The Hidden Cost of AI: The Software Development Process in the Age of Artificial Intelligence » parviennent à des conclusions similaires. Comme l’a résumé un participant à une récente conférence :
« Une révolution vient d’avoir lieu dans le développement logiciel. Nous ne nous y attendions pas et nous ne savons pas quoi faire maintenant. »
Quels problèmes cela crée-t-il ?
Examinons maintenant les risques et menaces potentiels dans le développement logiciel, puis extrapolons-les au développement de produits électroniques, au travail analytique et scientifique, ainsi qu’à la prise de décision dans les entreprises, l’administration publique et d’autres domaines. Supposons que l’IA multiplie la productivité par plusieurs fois, éliminant le besoin de personnel d’ingénierie et de techniciens faiblement ou moyennement qualifiés dans les processus de production, tout en ne nécessitant que des spécialistes hautement qualifiés capables d’assigner des tâches aux agents d’IA et d’accepter leur travail une fois terminé. Mais dans une telle situation, comment les ingénieurs et les spécialistes techniques — par exemple les programmeurs — pourront-ils acquérir une expertise avancée s’ils n’ont pas commencé par des postes de développement de niveau débutant et accumulé l’expérience pratique correspondante ?
Un problème bien connu dans les entreprises de développement logiciel est la pénurie de personnel disposé à consacrer du temps à examiner, corriger et améliorer le code écrit par d’autres — la plupart des spécialistes préfèrent « écrire leur propre code ». Lorsque des agents fondés sur des LLM commenceront à générer d’immenses quantités de code à très grande vitesse, avec une qualité supérieure à celle des programmeurs moyens dont l’entreprise se sera séparée, les spécialistes qualifiés restants devront faire face à un « arriéré » de revues de projets, de contrôles d’acceptation et de corrections. Le manque de personnel hautement qualifié créera alors un « goulot d’étranglement » dans le travail sur les projets. Dans 5, 10 ou 20 ans, lorsque les spécialistes restants quitteront l’entreprise pour diverses raisons, il n’y aura personne pour les remplacer, car ceux qui auraient pu progresser jusqu’à ce niveau à partir de postes juniors auront déjà perdu leurs compétences.
La situation est aggravée par le problème persistant des « hallucinations », c’est-à-dire des solutions erronées proposées par des agents fondés sur des LLM, y compris ceux qui utilisent des modèles avancés. Une solution pratique consiste à recourir au développement itératif, dans lequel un « agent » produit des versions successives du code tandis qu’un « programmeur senior » supervise le processus jusqu’à l’obtention d’une version sans défaut. Mais même avec cette approche, la vitesse et le volume des variantes de code générées par l’« agent » font du « programmeur senior » — chargé de la révision — le « maillon faible ».
L’opacité et le manque d’interprétabilité des modèles neuronaux actuels posent un problème plus général quant à leur utilisation. D’un côté, l’IA devient tellement pratique et commode qu’elle commence à remplacer les humains dans les processus de production. De l’autre, les limites de ce que les modèles neuronaux savent ou ne savent pas restent floues dans la pratique, et leurs « hallucinations » coûtent des dizaines de milliards de dollars par an aux entreprises. Une approche pour résoudre ce problème est la vérification formelle des modèles neuronaux ou du code qu’ils génèrent, un domaine activement développé en Occident. Dans le développement logiciel en particulier, les méthodes de vérification formelle du code pourraient contribuer à limiter les hallucinations — une approche notamment poursuivie par Amazon.
Un autre problème est la fuite transfrontalière d’informations. Ce risque est probablement moins critique pour la recherche académique, puisque les idées, documents et codes qui « fuient » finissent de toute façon par intégrer le corpus public des connaissances scientifiques. Même dans le domaine scientifique, il existe toutefois un risque potentiel que « l’autre camp » revendique la priorité d’un développement scientifique ou technologique rendu public.
Lorsqu’un employé ou un fonctionnaire russe traite des informations sensibles d’entreprise ou d’État, il se retrouve confronté à un choix : soit a) réduire délibérément sa productivité en renonçant aux nouvelles technologies ou en limitant ses outils aux modèles nationaux ou aux versions « légères » de modèles américains ou chinois, soit b) utiliser des outils « discutables » du point de vue de la sécurité pour contourner les restrictions d’accès et travailler « à la pointe », tout en « faisant fuiter » des documents de travail et du code vers des serveurs situés aux États-Unis ou en Chine.
Une situation comparable est apparue il y a une vingtaine d’années avec les réseaux sociaux, lorsque les agrégateurs de données personnelles, principalement aux États-Unis, ont appris à monétiser les données personnelles et les contenus générés par les utilisateurs du monde entier en vendant des profils comportementaux. Il a fallu deux décennies pour que l’importance de ce problème soit reconnue à l’échelle internationale et que certains États commencent à prendre des mesures afin de protéger les données des utilisateurs, en cherchant à préserver leurs citoyens de la commercialisation de leurs données par les multinationales et de la manipulation potentielle de leur comportement par ces services en ligne. Désormais, toute activité professionnelle peut devenir une source de données agrégées par des entreprises américaines ou chinoises, y compris le travail effectué par les employés d’entreprises et d’institutions publiques utilisant des documents internes et des informations techniques sur leur lieu de travail.
Il convient de noter que les licences professionnelles des services d’IA basés sur le cloud aux États-Unis incluent des engagements des fournisseurs à ne pas utiliser les données et les requêtes des utilisateurs pour entraîner les versions ultérieures de leurs modèles. Cependant, la pratique actuelle consistant à accéder à ces services en Russie à titre individuel exclut toute garantie de confidentialité, même en théorie, sans parler de la pratique.
Que faut-il faire ?
Dès 2017, Vladimir Poutine avait déclaré qu’il était nécessaire de prendre une position de premier plan dans le domaine de l’intelligence artificielle. Aujourd’hui, simplement maintenir le rythme et éviter une dépendance technologique à l’égard des autres acteurs de la « course à l’IA » suppose de remplacer les technologies d’IA importées en tant qu’infrastructures critiques — matériel, logiciels et modèles eux-mêmes — une tâche devenue nécessaire depuis longtemps.
Un certain nombre de chercheurs, y compris des chercheurs russes comme E. Vityaev, S. Shumsky et A. Kolonin, soulignent la possibilité de développer des architectures d’IA plus économes en ressources que les LLM et offrant également une meilleure interprétabilité, contrairement aux architectures fondées sur les réseaux neuronaux profonds et les transformeurs. L’interprétabilité pourrait être particulièrement importante pour construire des systèmes d’IA « transparents » ou « fiables » destinés aux infrastructures critiques et aux tâches sensibles. Cela exige des recherches appliquées visant à développer et tester de telles architectures nationales, y compris des architectures hybrides « neuro-symboliques », susceptibles de constituer des alternatives économiquement efficaces et interprétables aux LLM étrangers existants.
Le remplacement des importations dans le développement logiciel et matériel nécessite des frameworks nationaux fondés sur des agents LLM, certifiés et inscrits au Registre russe des logiciels, capables de prendre en charge l’ensemble du cycle de développement logiciel, notamment l’élaboration et la validation des spécifications, la génération de code et de tests, ainsi que la vérification et la revue du code. Ces frameworks doivent pouvoir utiliser à la fois des services cloud, lorsque cela se justifie par l’équilibre entre efficacité et sécurité, et des modèles locaux déployés dans un environnement isolé afin d’éviter les fuites transfrontalières d’informations. Un framework de ce type a notamment été proposé pour la conception de circuits intégrés à très grande échelle (VLSI) lors du Forum de la microélectronique en 2025.
Garantir la sécurité et la fiabilité à la fois des modèles neuronaux et des logiciels développés à l’aide de ces modèles nécessite de poursuivre le développement des méthodes de vérification formelle pour les logiciels et pour les modèles d’IA eux-mêmes, en s’appuyant sur les travaux déjà menés en Russie dans ce domaine. Les progrès réalisés dans cette technologie pourraient réduire considérablement la charge pesant sur le « goulot d’étranglement » que représentent les spécialistes hautement qualifiés chargés de revoir et valider le code écrit par les agents d’IA, et pourraient aussi rendre les modèles d’IA eux-mêmes plus « transparents » et « fiables » en utilisant des outils de vérification pour identifier leurs domaines de compétence et leurs limites d’application.
L’amélioration de l’efficacité des interactions entre agents d’IA et analystes experts dans le cadre évoqué précédemment nécessite de poursuivre le développement pratique et d’élargir l’utilisation de méthodes de développement logiciel fondées sur des spécifications formelles — des modèles sémantiques d’applications — ainsi que des technologies permettant l’exécution directe de ces spécifications. Cette approche est largement utilisée dans les systèmes automatisés de contrôle des processus industriels (APCS). Les spécifications fondées sur les normes IEC 61131 et IEC 61499 peuvent être utilisées à la fois pour générer du code et pour une exécution directe par un interpréteur ; cette approche peut également être appliquée dans d’autres domaines. La Russie dispose de spécialistes expérimentés dans le développement de telles normes et de tels systèmes pour les systèmes automatisés de contrôle des processus industriels (APCS), les applications d’entreprise et d’autres domaines.
Afin de prévenir les fuites de données dans l’industrie et les entreprises, l’utilisation non autorisée de services d’IA étrangers basés sur le cloud, notamment au moyen d’outils permettant de contourner les restrictions d’accès, devrait être considérée comme une menace de cybersécurité. La réponse à cette menace nécessite deux mesures simultanées : proposer, lorsqu’elles existent, des alternatives nationales compétitives et des solutions déployées localement ; et mettre en place un routage et un filtrage spécifiques du trafic qui est formellement non autorisé mais nécessaire aux tâches de production et d’exploitation utilisant des services étrangers, lorsque cela est permis.
Tant que le premier problème identifié dans cette liste — le remplacement des agents LLM importés — n’est pas résolu, il est conseillé d’éviter d’introduire de nouvelles restrictions nationales générales sur l’utilisation des services d’IA étrangers. Les questions de sécurité liées à l’IA devraient plutôt être traitées au moyen de mesures ciblées, au cas par cas, au niveau de chaque entreprise et de chaque institution.
