--- id: CP-268 slug: modeles-ouverts-vs-proprietaires-ia lang: fr title: Modèles d'IA ouverts ou propriétaires description: "Modèle aux poids publiés ou service en ligne : ce que cela change pour les données de l'entreprise, et ce que le salarié fait ou évite." canonical_url: https://startbrain.io/cyberpedia/fr/articles/modeles-ouverts-vs-proprietaires-ia/ markdown_url: https://startbrain.io/cyberpedia/fr/articles/modeles-ouverts-vs-proprietaires-ia.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, « Modèles d'IA ouverts ou propriétaires », Cyberpedia, 2026. https://startbrain.io/cyberpedia/fr/articles/modeles-ouverts-vs-proprietaires-ia/ (CC BY 4.0) wing: 4 theme: authorized_tools reflex: air-023 schema: G3 updated: "2026-11-03" translations: fr: https://startbrain.io/cyberpedia/fr/articles/modeles-ouverts-vs-proprietaires-ia/ en: https://startbrain.io/cyberpedia/en/articles/open-weights-vs-proprietary-ai-models/ de: https://startbrain.io/cyberpedia/de/articles/offene-vs-proprietaere-ki-modelle/ es: https://startbrain.io/cyberpedia/es/articles/modelos-abiertos-vs-propietarios-ia/ sources: - "n": 1 title: "LLaMA: Open and Efficient Foundation Language Models" publisher: arXiv url: https://arxiv.org/abs/2302.13971 published: "2023-02-27" accessed: "2026-11-03" - "n": 2 title: Mistral 7B publisher: arXiv url: https://arxiv.org/abs/2310.06825 published: "2023-10-10" accessed: "2026-11-03" - "n": 3 title: The Llama 3 Herd of Models publisher: arXiv url: https://arxiv.org/abs/2407.21783 published: "2024-07-31" accessed: "2026-11-03" - "n": 4 title: Guidelines for secure AI system development publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development published: "2023-11-27" accessed: "2026-11-03" - "n": 5 title: "IA : comment être en conformité avec le RGPD ?" publisher: CNIL url: https://www.cnil.fr/fr/intelligence-artificielle/ia-comment-etre-en-conformite-avec-le-rgpd published: "2022-04-05" accessed: "2026-11-03" - "n": 6 title: LLMRisks Archive publisher: OWASP url: https://genai.owasp.org/llm-top-10/ accessed: "2026-11-03" - "n": 7 title: Principles for security of Machine learning ML publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/collection/machine-learning-principles published: "2024-05-22" accessed: "2026-11-03" - "n": 8 title: AI Risk Management Framework publisher: NIST url: https://www.nist.gov/itl/ai-risk-management-framework accessed: "2026-11-03" --- # Modèles d'IA ouverts ou propriétaires Un assistant d'IA repose sur un modèle de langage. Ce modèle peut être distribué sous forme de fichiers que n'importe qui peut télécharger et faire tourner sur sa propre machine : on parle de modèle aux poids publiés, ou « ouvert ». Il peut aussi rester chez son éditeur, qui ne l'offre que par un service en ligne : on parle de modèle propriétaire. Pour un salarié, la différence tient moins à la qualité des réponses qu'à une question simple : où vont les données que l'on saisit, et qui en répond ? Cette fiche explique les deux cas et ce que Brain attend de chacun. ## En 30 secondes - Où ça arrive : dans tout outil d'IA, qu'il s'agisse d'un service en ligne ou d'un modèle téléchargé et installé sur un poste. - Ce qui change : avec un service en ligne, vos données partent chez un hébergeur. Avec un modèle ouvert, tout dépend de l'endroit où il tourne, et de qui l'a installé et le met à jour. - Le risque : un modèle « ouvert » reste soumis à une licence et à des risques, et il ne protège pas les données s'il est utilisé via un service tiers. - Le réflexe : n'utiliser que les outils d'IA autorisés par Brain, n'installer aucun modèle téléchargé sans validation et ne saisir aucune donnée sensible dans un service non approuvé. - Si c'est déjà fait : prévenir l'équipe sécurité de Brain sans attendre et dire quelles données ont été saisies ou quel modèle a été installé. ## Questions directes ### Quelle est la différence entre un modèle ouvert et un modèle propriétaire ? Un modèle ouvert est publié, au lieu de rester derrière un service. Deux exemples documentés dans les sources citées ici : LLaMA, présenté en février 2023 par une équipe de chercheurs, qui écrit « We release all our models to the research community » [1], et Mistral 7B, publié sous licence Apache 2.0 [2]. Un modèle propriétaire se consulte seulement par un service en ligne : l'utilisateur envoie son texte et reçoit une réponse, sans voir le modèle. ### Où partent mes données ? Avec un service en ligne, le texte saisi quitte l'entreprise pour être traité par le fournisseur. Les lignes directrices du NCSC britannique visent d'ailleurs les systèmes qui utilisent des modèles hébergés par une organisation ou des interfaces externes (API), et veulent des systèmes d'IA qui fonctionnent sans révéler de données sensibles à des tiers non autorisés [4]. Avec un modèle ouvert installé sur un poste ou un serveur interne, le traitement peut rester sur place. Rien dans les modèles eux-mêmes ne l'impose : tout dépend de l'endroit où ils tournent. ### Un modèle ouvert protège-t-il mes données ? Pas automatiquement. Si un modèle ouvert est utilisé par l'intermédiaire d'un service tiers, la saisie passe par ce service, comme pour un modèle propriétaire. Ce qui compte, c'est l'endroit où le traitement a lieu, pas le caractère ouvert du modèle. ### Qui met à jour le modèle, et qui en répond ? Avec un service en ligne, le modèle reste chez le fournisseur. Avec un modèle téléchargé, il est chez celui qui l'a installé, et personne d'autre ne s'en occupe. Les lignes directrices du NCSC rangent la gestion des mises à jour dans la phase « exploitation et maintenance » d'un système d'IA et la sécurité de la chaîne d'approvisionnement dans la phase de développement [4]. Côté données personnelles, la CNIL pose la question de la répartition des responsabilités lorsqu'un système d'IA est fourni par un éditeur et utilisé par un tiers [5]. ### Le fournisseur peut-il réutiliser ce que je saisis ? La CNIL indique qu'un fournisseur de système d'IA peut légalement réutiliser des données confiées par un responsable de traitement si plusieurs conditions sont remplies : autorisation du responsable de traitement, test de compatibilité, information et respect des droits des personnes, conformité du nouveau traitement [5]. D'où l'intérêt de passer par un outil dont Brain a vérifié les conditions. ## Comment ça marche Un modèle de langage est entraîné sur une grande quantité de textes, puis sert à prédire une suite de texte en réponse à une consigne [7]. Les chercheurs de LLaMA ont montré qu'on pouvait entraîner un modèle de pointe avec des données publiques uniquement, et que LLaMA-13B surpassait GPT-3 (175B) sur la plupart des tests [1]. Mistral 7B, avec 7 milliards de paramètres, dépasse Llama 2 13B sur tous les tests évalués [2]. Le plus grand modèle de Llama 3 compte 405 milliards de paramètres, et ses auteurs lui trouvent une qualité comparable à celle de GPT-4 sur de nombreuses tâches [3]. Ils ont publié ce modèle, ainsi que Llama Guard 3, un modèle de contrôle des entrées et des sorties [3]. Côté entreprise, la décision porte donc sur trois points : l'hébergement du modèle, la personne qui le met à jour et celle qui répond d'un incident. La réponse varie d'un outil à l'autre. C'est pourquoi la liste des outils autorisés tient lieu de règle. ## Ce que vous faites - N'utilisez que les outils d'IA autorisés par Brain, qu'ils reposent sur un modèle ouvert ou propriétaire. - N'installez pas un modèle téléchargé sur un poste de travail sans validation de l'équipe sécurité. - Ne saisissez aucune donnée sensible dans un service non approuvé : données de clients, de collègues, de santé, secrets de l'entreprise. - Pour un essai, préférez des données fictives, c'est-à-dire de même structure que les vraies mais sans lien avec une personne. La CNIL cite les tests sur données fictives pour déterminer les données nécessaires à un système d'IA [5]. - En cas de doute sur un outil, demandez avant de l'utiliser. - Si vous avez déjà saisi des données dans un service non approuvé ou installé un modèle, signalez-le tout de suite. ## Les pièges ### « Ouvert » ne veut pas dire sans licence Mistral 7B est publié sous licence Apache 2.0 [2]. Un modèle ouvert est donc publié avec une licence, qui fixe ses conditions d'usage. Les sources citées ici ne détaillent pas les licences des autres modèles : ne partez pas du principe que tout usage est permis. ### Un modèle téléchargé peut être piégé ou biaisé L'OWASP classe parmi les dix risques 2025 pour les applications d'IA générative la chaîne d'approvisionnement des modèles, exposée à diverses vulnérabilités, et l'empoisonnement des données et des modèles [6]. Il classe aussi la désinformation, cette fois comme faiblesse centrale des applications qui s'appuient sur les modèles [6]. Un fichier de modèle récupéré sur un site quelconque n'a pas été contrôlé par Brain. Le NCSC range d'ailleurs la sécurité de la chaîne d'approvisionnement dans les points à traiter dès le développement d'un système d'IA [4]. ### Un modèle peut avoir mémorisé des données personnelles La CNIL relève que de nombreuses études ont montré que des modèles de langage de grande taille avaient tendance à « mémoriser » des éléments de leurs données d'entraînement : nom, prénom, adresse, numéro de téléphone, numéro de carte bleue [5]. Une attaque réussie contre la confidentialité d'un modèle peut constituer une violation de données [5]. C'est vrai d'un modèle ouvert comme d'un modèle propriétaire. ### Un modèle qui continue d'apprendre Certains systèmes réutilisent les données saisies pour s'améliorer, ce que le NCSC appelle l'apprentissage continu [7]. La CNIL signale que ce mode de fonctionnement pose des questions de protection des données, car les données servent alors à deux finalités distinctes [5]. Ce qu'un service fait des saisies fait partie des conditions à connaître avant de l'autoriser. ### Un référentiel qui bouge Le cadre de gestion des risques de l'IA du NIST, d'usage volontaire, a été publié le 26 janvier 2023, puis complété le 26 juillet 2024 par un profil consacré à l'IA générative [8]. La page du NIST indique que la version 1.0 est en cours de révision [8]. Les recommandations évoluent : les règles de Brain, elles, restent celles de l'entreprise. ## Cas réels ### 27 février 2023 : LLaMA Une équipe de chercheurs présente LLaMA, une collection de modèles de 7 à 65 milliards de paramètres, entraînés avec des jeux de données publics uniquement, et publie tous ses modèles pour la communauté de recherche [1]. ### 10 octobre 2023 : Mistral 7B Mistral 7B v0.1, un modèle de 7 milliards de paramètres, est publié sous licence Apache 2.0, avec une version affinée pour suivre des instructions [2]. ### 31 juillet 2024 : Llama 3 La famille Llama 3 est présentée, avec un modèle de 405 milliards de paramètres et une fenêtre de contexte allant jusqu'à 128 000 jetons. Les versions préentraînée et post-entraînée du plus grand modèle sont publiées. Les versions qui ajoutent l'image, la vidéo et la voix ne sont pas diffusées largement, car elles sont encore en développement selon les auteurs [3]. ## Sources 1. arXiv, « LLaMA: Open and Efficient Foundation Language Models », 27 février 2023. https://arxiv.org/abs/2302.13971 (consulté le 3 novembre 2026) 2. arXiv, « Mistral 7B », 10 octobre 2023. https://arxiv.org/abs/2310.06825 (consulté le 3 novembre 2026) 3. arXiv, « The Llama 3 Herd of Models », 31 juillet 2024. https://arxiv.org/abs/2407.21783 (consulté le 3 novembre 2026) 4. NCSC (Royaume-Uni), « Guidelines for secure AI system development », 27 novembre 2023. https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development (consulté le 3 novembre 2026) 5. CNIL, « IA : comment être en conformité avec le RGPD ? », 5 avril 2022. https://www.cnil.fr/fr/intelligence-artificielle/ia-comment-etre-en-conformite-avec-le-rgpd (consulté le 3 novembre 2026) 6. OWASP, « LLMRisks Archive ». https://genai.owasp.org/llm-top-10/ (consulté le 3 novembre 2026) 7. NCSC (Royaume-Uni), « Principles for security of Machine learning ML », 22 mai 2024. https://www.ncsc.gov.uk/collection/machine-learning-principles (consulté le 3 novembre 2026) 8. NIST, « AI Risk Management Framework ». https://www.nist.gov/itl/ai-risk-management-framework (consulté le 3 novembre 2026) --- Source originale : Cyberpedia, l'encyclopédie publique de cybersécurité et d'IA publiée par Brain. Version canonique : https://startbrain.io/cyberpedia/fr/articles/modeles-ouverts-vs-proprietaires-ia/ Vous pouvez reprendre ce texte librement sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), à condition de citer « Brain, Cyberpedia » avec un lien vers l'adresse ci-dessus.