Le français, poids plume dans les mégabases d'entraînement
Selon un article du Monde, relayé par l'agrégateur Titres Presse, « le français est ultraminoritaire dans les mégabases de données d'entraînement utilisées par les grands modèles de langage des intelligences artificielles génératives ». Le quotidien ajoute toutefois que « l'hégémonie de l'anglais n'est pas une fatalité » et que des initiatives émergent pour bâtir une souveraineté numérique francophone. Les sources disponibles ne donnent pas de pourcentage exact de la part du français dans ces corpus : l'ampleur précise du déséquilibre n'est donc pas chiffrée ici.
Pour mesurer l'enjeu, il faut regarder la taille des corpus utilisés pour entraîner les grands modèles de langage (LLM). D'après l'article Wikipédia consacré aux grands modèles de langage, les ensembles de données de pré-entraînement les plus courants, Common Crawl, The Pile, MassiveText, Wikipédia ou GitHub, contiennent jusqu'à 10 000 milliards de mots. Mais le stock mondial de données linguistiques jugées de haute qualité est beaucoup plus restreint : il se situerait entre 4,6 et 17 milliards de mots, un ordre de grandeur comparable aux plus grands ensembles de textes disponibles. La donnée de qualité est donc une ressource rare, et toute langue qui n'est pas en position dominante dans les corpus historiques part avec un désavantage structurel.
Cette dominance de l'anglais est ancienne. GPT-1, premier modèle de la série d'OpenAI, a été entraîné en 2018 sur BookCorpus, soit 985 millions de mots. La même année, BERT de Google s'appuyait sur une combinaison de BookCorpus et de Wikipédia en anglais, totalisant 3,3 milliards de mots. Depuis, les volumes ont explosé : LLaMA 3 de Meta, sorti en avril 2024, a été entraîné sur 15 billions de jetons. Ces corpus fondateurs, construits autour de textes anglophones, ont façonné la structure même des modèles qui dominent aujourd'hui le marché.
Quand le volume de données conditionne la qualité des réponses
Le lien entre quantité, et qualité, de données et performance du modèle n'est pas qu'une intuition. L'article Wikipédia sur les grands modèles de langage l'indique explicitement : « la qualité du contenu généré semble augmenter régulièrement avec le nombre de paramètres, la taille et la qualité des données d'entraînement, ainsi que la quantité de calculs utilisée pour entraîner le modèle. » Si cette règle se vérifie, un volume de données en français structurellement plus faible qu'en anglais constitue, par construction, un facteur de fragilité potentielle pour la justesse des réponses produites en français, même si les sources consultées ne fournissent pas de mesure chiffrée spécifique à cette langue.
Ce point rejoint la question de l'hallucination, définie par Wikipédia comme le phénomène par lequel « le modèle génère des informations d'apparence plausible mais fausses ». Les modèles suivent généralement une phase de réglage par apprentissage par renforcement (RLHF) destinée à les rendre « utiles, sincères et inoffensifs » et à réduire ce risque. Mais cette phase de réglage s'appuie elle aussi sur des données et des annotateurs, dont la disponibilité et la qualité en français ne sont pas détaillées dans les sources disponibles.
Ce que l'exemple allemand de Kolibri met sur la table pour l'AI Act
Le règlement européen sur l'intelligence artificielle, connu comme l'AI Act, n'est pas détaillé juridiquement dans les sources consultées pour cet article. On observe en revanche, à travers l'exemple allemand de Kolibri, un modèle développé par Aleph Alpha, comment un éditeur européen revendique avoir intégré cette contrainte dès la conception. L'entreprise affirme avoir conçu le modèle « en pensant à l'AI Act depuis le premier jour » et avoir signé le code de bonnes pratiques européen pour l'IA à usage général (GPAI). Elle résume sa position en expliquant que, pour elle, « la conformité est une propriété héritée » du modèle plutôt qu'un ajout ultérieur.
Lancé le 3 octobre 2026, Kolibri est un modèle à mélange d'experts (MoE) conçu pour l'allemand et l'anglais. Il compte 78,1 milliards de paramètres au total, dont seulement 3,46 milliards sont activés à chaque requête, soit 4,4 % du modèle. Son entraînement a porté sur 24 billions de jetons, dont plus d'un cinquième en allemand, réalisé sur 768 GPU Nvidia B200 installés en Allemagne et en Finlande. Sa fenêtre de contexte native atteint 262 144 jetons, testée jusqu'à 1 048 576. Seuls les poids et les fichiers de configuration sont publiés sous licence Apache 2.0 : le code et les méthodes d'entraînement restent la propriété d'Aleph Alpha. Aucune comparaison indépendante avec les grands modèles américains n'est disponible à ce stade : les seules performances publiées proviennent de l'évaluation interne de l'entreprise elle-même, ce qui invite à la prudence.
Il n'existe pas, dans les sources disponibles, d'équivalent documenté pour le français avec ce niveau de détail. L'initiative allemande illustre toutefois ce que pourrait signifier, concrètement, « penser l'AI Act depuis la conception » pour une langue européenne minoritaire dans les corpus mondiaux.
RGPD : la question de l'hébergement et des flux de données
L'article Wikipédia sur l'intelligence artificielle rappelle que l'IA « suscite des inquiétudes concernant l'emploi, la désinformation, son impact environnemental et la protection des données personnelles ». Pour un professionnel francophone, cette dernière inquiétude se double d'une question pratique : où sont traitées les données envoyées à un modèle, et sous quel droit ?
Deux approches illustrent les réponses apportées. Mistral AI, éditeur français de modèles ouverts, met en avant la possibilité de faire tourner les modèles sur site, dans son propre environnement cloud (VPC), ou de les confier à Mistral, en conservant « l'inférence dans la région » et en réservant une capacité GPU dédiée. Côté allemand, Aleph Alpha va plus loin sur le papier : pour Kolibri, l'entreprise affirme qu'un ministère ou un fabricant de pièces automobiles peut faire tourner le modèle sur ses propres serveurs, que ses données « ne quittent jamais le bâtiment » et que « personne ne peut modifier ou désactiver le modèle à distance ».
Sur le marché français, certaines plateformes tentent de concilier l'usage de modèles multiples, parfois hébergés hors d'Europe, avec les exigences de protection des données. C'est le cas de Moon AI, éditée par Stellarr Studio SAS, qui propose un accès à plus de 70 modèles (GPT, Claude, Gemini, Mistral, DeepSeek, Llama, Grok, Qwen, ainsi que son modèle maison Moon 6) sous un abonnement unique. Son dispositif Moon Blur remplace les données personnelles par des jetons avant l'envoi aux modèles tiers, puis les rétablit au retour : un procédé réversible qui relève de la pseudonymisation au sens du RGPD, et non d'une anonymisation. L'application et le stockage sont hébergés chez OVHcloud, à Strasbourg et à Roubaix, mais les requêtes adressées aux fournisseurs tiers partent bien chez eux une fois les données pseudonymisées. Ce détail illustre, à l'échelle d'un éditeur français, la difficulté pratique de concilier l'accès à une diversité de modèles et la maîtrise de la localisation des données.
Les réponses souveraines en construction : Mistral, Kolibri, Qwen3
Trois familles de modèles ouverts illustrent des logiques différentes face à la question de la souveraineté numérique.
| Modèle / famille | Origine | Ouverture | Approche souveraineté | Point de vigilance |
|---|---|---|---|---|
| Mistral (Mistral AI) | France | Modèles ouverts dits « frontier », personnalisables via Forge | Hébergement on-premise, VPC, ou chez Mistral, inférence maintenue dans la région | Conditions tarifaires et détails de personnalisation non précisés dans les sources |
| Kolibri (Aleph Alpha) | Allemagne | Poids et fichiers de configuration sous licence Apache 2.0, code d'entraînement non ouvert | Infrastructure allemande et finlandaise, sous droit européen et allemand, déploiement on-premise possible | Aucune comparaison indépendante avec les modèles américains, performances issues de l'évaluation interne d'Aleph Alpha |
| Qwen3 (Alibaba) | Chine | Modèles ouverts, téléchargeables et modifiables | Hébergement interne possible, sans dépendre d'un fournisseur américain | Dépendance à un acteur chinois, questions de gouvernance soulevées par les observateurs |
Selon le dossier consacré à Qwen3 par Le Fil IA, qui cite le rapport annuel de Mozilla, « les modèles ouverts rattrapent les modèles propriétaires, une dynamique dont la Chine tire profit ». Pour un usage professionnel, l'intérêt de ces modèles ouverts chinois est concret : maîtrise du déploiement, confidentialité, facture prévisible. Le revers, selon la même source, « c'est la dépendance à un acteur chinois, avec les questions de gouvernance et de souveraineté que cela soulève ».
Questions fréquentes
Quelle part exacte représente le français dans les données d'entraînement des IA ?
Les sources consultées ne donnent pas de pourcentage précis. Le Monde qualifie la part du français d'« ultraminoritaire » dans les mégabases de données d'entraînement des grands modèles de langage, sans détailler de chiffre. Les corpus fondateurs historiques, BookCorpus, Wikipédia anglais, étaient eux très majoritairement anglophones.
Le RGPD interdit-il d'envoyer des données professionnelles en français à des modèles hébergés hors d'Europe ?
Les sources disponibles ne détaillent pas les obligations légales précises en la matière. Elles montrent en revanche que la question de la localisation des données et de la protection des données personnelles est identifiée comme une préoccupation générale liée à l'IA, et que plusieurs éditeurs, Mistral AI, Aleph Alpha, ou des plateformes françaises recourant à la pseudonymisation, construisent des offres spécifiquement pour y répondre.
L'AI Act impose-t-il des exigences spécifiques pour les modèles en langue française ?
Les sources mobilisées ici ne détaillent pas les textes de l'AI Act pour le cas français. Elles montrent seulement, via l'exemple allemand de Kolibri, qu'un éditeur européen revendique avoir conçu son modèle « en pensant à l'AI Act depuis le premier jour » et avoir signé le code de bonnes pratiques européen pour l'IA à usage général.
Existe-t-il des alternatives françaises aux modèles anglophones dominants ?
Mistral AI, éditeur français, propose des modèles ouverts dits « frontier », présentés par l'entreprise elle-même comme une alternative permettant de garder la main sur l'hébergement et l'usage de l'IA. Des plateformes françaises comme Moon AI permettent par ailleurs d'accéder à Mistral aux côtés d'autres familles de modèles (GPT, Claude, Gemini, DeepSeek, Llama, Grok, Qwen) sous un abonnement unique, à partir de 9,90 euros TTC par mois pour l'offre d'entrée Lune, une offre gratuite sans carte bancaire étant également proposée.