Souveraineté de l'IA : pourquoi DeepSeek V4 change le calcul stratégique des grandes entreprises
Suite de L'IA gratuite n'existe pas. L'article précédent posait que la fenêtre actuelle est la moins chère que l'on verra avant longtemps, et que la voie qui paie réellement passe par un modèle premium et un système agentique sérieux. Cet article ouvre la troisième voie évoquée en clôture : pour les grandes organisations, la possibilité de déployer un modèle de classe SOTA sur infrastructure propriétaire — et tout ce que cela ouvre, et tout ce que cela exige.
Janvier 2026, comité IT d'un grand groupe industriel français. Vingt-deux participants autour d'une table ovale, deux écrans muraux qui affichent encore les diapositives de la dernière revue trimestrielle. Le DSI projette une carte des flux de données — les corpus métier qui partent quotidiennement vers les API d'Anthropic à Dublin, d'OpenAI à Francfort, de Google à Eemshaven. Trois ans que la question est posée et reportée : « qui détient nos données quand notre IA tourne sur des serveurs que nous ne contrôlons pas ? ». Trois ans de réponses commerciales rassurantes — les SLA, les certifications, les engagements contractuels. Aucune ne tient face à un audit RGPD sérieux ou à une question parlementaire un peu précise.
Trois mois plus tard, le 24 avril 2026, l'équipe DeepSeek publie DeepSeek V4. Code source MIT, poids téléchargeables, contexte d'un million de tokens en standard, performances qui talonnent Claude Opus 4.7 et GPT-5.5 sans encore les égaler — mais à un septième du tarif sur l'usage propriétaire, et déployables sur infrastructure interne. Pour la première fois depuis l'éruption de l'IA générative en 2022, un modèle proche du sommet est ouvert et déployable hors des serveurs des trois éditeurs propriétaires américains. Le calcul stratégique des grandes entreprises, qui paraissait verrouillé sur cette dépendance, s'ouvre sur une troisième voie.
Cette voie demeure étroite, exigeante, et étrangère à toute logique d'économie immédiate. Elle change la nature du débat sur la souveraineté de l'IA en entreprise — et redistribue, pour les organisations qui peuvent en franchir le seuil, les cartes du contrôle des données, de la résilience opérationnelle, et de l'avantage compétitif.
Modèle propriétaire, modèle open source : la différence concrète
Une partie significative des décideurs IT confond encore deux distinctions qui n'ont rien à voir : propriétaire / open source d'un côté, gratuit / payant de l'autre. Clarifier la première est la condition de toute discussion sérieuse sur la souveraineté.
Un modèle propriétaire — Claude Opus 4.7 chez Anthropic, GPT-5.5 chez OpenAI, Gemini Pro chez Google — est un système dont le code et les poids restent verrouillés dans les serveurs de l'éditeur. L'utilisateur n'y accède jamais directement. Il interroge le modèle via une API : il envoie son texte, le modèle traite la requête sur l'infrastructure de l'éditeur, et la réponse revient. Les données transitent par les serveurs de l'éditeur. L'éditeur peut, à tout instant, modifier le modèle, brider la capacité de la session, retirer une fonctionnalité, augmenter le tarif, ou rompre le service. Les épisodes de mars-avril 2026 — bridage des sessions Claude Max, retrait éphémère de Claude Code du forfait Pro, doublement du tarif d'API GPT-5 lors du passage à GPT-5.5 — l'ont rappelé brutalement.
Un modèle open source — DeepSeek V4 chez DeepSeek, Llama chez Meta, Mistral Large chez Mistral — est un système dont le code et les poids sont publiés, téléchargeables, et déployables sur n'importe quel cluster GPU disposant de la puissance nécessaire. L'utilisateur a deux options : interroger le modèle via l'API de l'éditeur (et alors ses données transitent comme pour un modèle propriétaire), ou télécharger les poids et faire tourner le modèle sur sa propre infrastructure. Cette seconde option change tout. Les données ne sortent plus de l'organisation. Le modèle ne peut plus être modifié, bridé ou retiré par un tiers. Le tarif n'est plus contrôlé par un éditeur exposé aux conditions de financement du capital-risque, il est égal au coût d'inférence physique de l'infrastructure interne.
La distinction est opérationnelle avant d'être idéologique. Elle ouvre, pour la première fois en 2026, une option stratégique que les modèles propriétaires excluaient par construction.
DeepSeek est chinois — et ce que cela implique réellement
Une nuance que les analyses superficielles écartent trop vite : DeepSeek est une entreprise chinoise basée à Hangzhou, dont le modèle V4 a été entraîné en Chine. Cela a deux conséquences qu'il faut tenir simultanément.
Si une organisation européenne utilise DeepSeek V4 via l'API officielle de DeepSeek — api.deepseek.com — alors ses données métier transitent par des serveurs en Chine, sont traitées sur l'infrastructure d'une entreprise soumise au droit chinois, et sortent du périmètre de protection RGPD. Pour des données sensibles — propriété intellectuelle industrielle, données personnelles, dossiers stratégiques, contrats publics, données défense — c'est rédhibitoire. L'option API DeepSeek est strictement équivalente, sur le plan de la souveraineté, à un transfert de données vers un pays tiers sans cadre adéquat. Aucune entreprise sérieuse ne devrait y mettre ses corpus métier.
Si la même organisation télécharge les poids de DeepSeek V4 et les déploie sur son propre cluster GPU, en France, en Allemagne, ou dans un cloud souverain européen — la situation devient radicalement différente. Le modèle est un objet inerte qui s'exécute localement. Aucune donnée ne quitte l'infrastructure de l'organisation, ni vers les États-Unis, ni même vers l'opérateur d'origine. Cette configuration est, en pratique, plus sûre du point de vue de la souveraineté des données qu'une utilisation API d'Anthropic, OpenAI ou Google, parce qu'elle élimine la condition même du transfert.
L'origine chinoise du modèle subsiste néanmoins, sous forme d'un risque résiduel à évaluer : biais d'entraînement liés au corpus chinois, limites de couverture sur certains contextes culturels ou juridiques européens, possibilité théorique — non démontrée à ce jour — de comportements inattendus injectés dans les poids. Ces risques sont sérieux, ils exigent une revue technique approfondie avant tout déploiement, et ils interdisent l'usage aveugle. Ils relèvent toutefois d'une nature différente, et significativement plus mesurable, qu'un transfert quotidien de données vers une entité étrangère via API.
La leçon est précise : utiliser DeepSeek via API chinoise = transfert de données vers la Chine = inacceptable pour la majorité des cas d'usage entreprise. Déployer DeepSeek en interne = aucun transfert de données = configuration la plus protectrice. Ce sont deux décisions opposées sur l'axe de la souveraineté, prises sur le même modèle.
Les performances : ne pas confondre disponibilité et parité
Reconnaître que DeepSeek V4 est ouvert et déployable laisse intacte la question de sa qualité. Celle-ci mérite une réponse précise, parce qu'elle conditionne le bon usage du modèle.
Les benchmarks publiés au lendemain de la sortie de V4-Pro et V4-Flash, mi-avril 2026, dressent un tableau cohérent. Sur la programmation compétitive (Codeforces), V4-Pro prend la tête. Sur le coût d'inférence, V4 écrase littéralement la concurrence — V4-Pro à 1,74 dollar par million de tokens en entrée et 3,48 dollars en sortie, contre 5 et 25 pour Opus 4.7, contre 5 et 30 pour GPT-5.5. Sur le rapport coût-qualité, c'est la meilleure offre du marché en avril 2026.
Sur le raisonnement de pointe, en revanche, Claude Opus 4.7 reste devant. Sur GPQA Diamond, qui teste le raisonnement scientifique de niveau doctoral, Opus 4.7 obtient 94,2 % contre 90,1 % pour V4-Pro-Max. Sur Humanity's Last Exam sans outils, Opus 4.7 atteint 46,9 % contre 37,7 % pour V4. Sur SWE-bench Pro, qui mesure la capacité d'un modèle à résoudre des bugs réels dans de grands codebases, Opus 4.7 mène à 64,3 % contre 55,4 % pour V4-Pro. GPT-5.5, de son côté, mène sur les tâches agentiques de longue durée et certains benchmarks de connaissance.
L'écart se compte en quelques points de pourcentage — quatre à neuf selon les tests — sans rien céder de sa structure. Sur les actes les plus exigeants en raisonnement profond, en cohérence sur de longues chaînes d'inférence, en capacité à résister aux pièges des questions tordues, Opus 4.7 conserve un avantage. Une marge réelle, jamais un gouffre.
Cette marge a une conséquence opérationnelle décisive. DeepSeek V4 a vocation à autre chose qu'à faire « moins cher » sur les actes critiques. Choisir un modèle moins performant pour traiter une analyse stratégique d'appel d'offres au prétexte qu'il coûte un septième du prix revient à embaucher un PDG junior parce qu'il coûte moins cher qu'un PDG expérimenté. L'arbitrage est faux par construction. Sur l'acte critique, on prend le meilleur outil disponible, parce que la différence de qualité finale rachète très largement la différence de coût d'inférence.
Pourquoi alors inclure DeepSeek dans l'architecture
Si V4 n'est pas le bon choix sur les actes critiques, à quoi sert-il ? Cinq raisons stratégiques justifient son intégration dans une architecture sérieuse.
Optimiser certaines tâches. Sur les actes intermédiaires d'une chaîne agentique — extraction des exigences d'un CCTP, synthèse d'un paragraphe, vérification orthographique, premier squelette de chapitre, production d'une grille de tests à partir d'une spécification — la marge de qualité d'Opus 4.7 cesse de se traduire en valeur opérationnelle. Le résultat tient. Sur ces actes, basculer vers V4-Pro ou V4-Flash divise le coût d'inférence par cinq à vingt pour une qualité équivalente. C'est de l'optimisation du spending à l'intérieur de la chaîne, à distinguer d'une logique d'économie sur le spending total.
Apporter de la résilience face aux providers. Avril 2026 a accumulé les signaux d'instabilité : bridage Max chez Anthropic, retrait éphémère de Claude Code du forfait Pro, doublement du tarif GPT-5 → GPT-5.5, capacité GPU saturée chez tous les hyperscalers, file d'attente sur les puces. Lorsqu'une chaîne de production dépend d'une seule API propriétaire, sa continuité dépend de la santé d'un éditeur tiers — et peut se rompre sans préavis. Disposer d'un fallback open source déployé en interne, même d'une qualité légèrement inférieure, garantit la continuité.
Prendre une option sur les générations futures. L'écart de performance entre l'open source et le SOTA propriétaire s'est réduit constamment depuis 2023 — Llama 2, Llama 3, Mixtral, DeepSeek V2, V3, V3.2, V4. La trajectoire se poursuit dans le même sens, sans signal d'inversion. Une organisation qui investit en 2026 dans l'infrastructure et les compétences pour exploiter un modèle open source de classe SOTA installe les conditions de récolter, en 2027 et 2028, sur des modèles probablement à parité réelle, et toujours significativement moins chers à l'usage. La vraie question stratégique se déplace donc de « V4 est-il aussi bon qu'Opus aujourd'hui ? » vers « la prochaine génération open source sera-t-elle assez bonne, à un coût bien plus bas, pour devenir le standard ? ». Le pari rationnel répond oui.
Conserver une marge de souveraineté. Pour les corpus métier les plus sensibles — propriété intellectuelle industrielle, dossiers M&A, données défense, contrats publics, recherche pharmaceutique amont — déployer le traitement IA sur infrastructure interne avec un modèle open source est la seule option qui garantit qu'aucune donnée ne sort de l'organisation. La sensibilité de la donnée, pas le coût d'inférence, est le bon arbitre.
Préserver la confidentialité réglementaire. Au-delà de la sensibilité métier, certaines données sont soumises à des contraintes réglementaires (RGPD pour les données personnelles, secret médical, secret bancaire, secret défense, données d'identification stratégique au sens du règlement européen IA Act 2024) qui rendent le transfert vers une API tierce, même sécurisée par contrat, juridiquement fragile. L'option d'un modèle open source en interne place le traitement dans le périmètre de conformité de l'organisation et simplifie le dossier d'audit.
Aucune de ces cinq raisons n'est « coûter moins cher » pris isolément. La quatrième et la cinquième sont les plus structurantes ; les trois premières sont des optimisations sérieuses qui se mesurent à l'échelle de l'usage.
Trois positionnements stratégiques en 2026
L'arrivée de DeepSeek V4 laisse les modèles propriétaires à leur place et ouvre, à côté d'eux, une grille à trois positionnements, calibrée sur la taille de l'organisation, la sensibilité des données traitées, et la maturité des compétences MLOps internes.
Niveau 1 — Consommateur. Abonnement entreprise auprès d'un éditeur SOTA propriétaire (Claude Enterprise, ChatGPT Enterprise, Gemini for Workspace), sans infrastructure interne. C'est le bon arbitrage pour les PME, les ETI, et les grandes entreprises dont les données traitées par IA ne relèvent ni d'une sensibilité métier critique, ni d'une contrainte réglementaire forte. C'est l'option C de l'article précédent — la voie qui paie pour les organisations qui n'ont ni le calcul, ni les compétences, ni la pression de souveraineté pour aller au-delà.
Niveau 2 — Hybride. Modèles propriétaires sur les actes critiques traitant des données peu sensibles (analyse d'appels d'offres publics, lecture de documents commerciaux non confidentiels, support à la rédaction sur corpus public), et modèles open source en interne sur les actes traitant des données sensibles. Cette architecture combine la qualité SOTA là où elle paie et la maîtrise des données là où elle est exigée. Elle convient aux ESN sérieuses, aux cabinets de conseil avec des engagements de confidentialité forts, aux entreprises industrielles avec une part de propriété intellectuelle stratégique.
Niveau 3 — Souverain. Déploiement complet d'un modèle open source de classe SOTA sur infrastructure propriétaire ou souveraine européenne, finetuning sur corpus métier interne, chaîne d'inférence maîtrisée bout en bout. C'est le positionnement des banques centrales, des opérateurs de défense, des grands groupes pharmaceutiques sur leur recherche amont, des opérateurs publics sur les données régaliennes, et de quelques industriels stratégiques. C'est aussi le positionnement vers lequel la directive européenne IA Act poussera, à terme, certains secteurs.
Aucun niveau n'est « meilleur » dans l'absolu. Ils correspondent à des configurations objectives — taille, sensibilité, compétences, réglementation. La grande erreur des deux prochaines années sera de prétendre passer au niveau 3 sans en avoir les conditions.
Le piège de l'illusion souveraine
Beaucoup de directions IT vont annoncer en 2026 et 2027 qu'elles déploient « leur IA souveraine ». Trois patterns d'échec déjà observés sur les premiers déploiements open source.
Le déploiement sans MLOps sérieux. Télécharger DeepSeek V4 et le faire tourner sur deux H100 reste très loin du compte. La performance d'un modèle de classe SOTA dépend d'une chaîne d'optimisation — quantification, attention efficace, batching, kv-cache management, routing MoE, monitoring de la dérive — qui exige une équipe MLOps dédiée et expérimentée. À défaut de cette équipe, l'organisation se retrouve avec un modèle déployé en interne qui sous-performe un usage maladroit du SOTA propriétaire, à coût d'infrastructure plein. Le pire des deux mondes.
L'absence de finetuning métier. Un des arguments les plus solides de l'open source est la possibilité de finetuner le modèle sur le corpus interne de l'organisation — historique de réponses à appel d'offres, documentation produit, jurisprudence métier, retours d'expérience. À défaut de cet effort, le modèle déployé en interne reste générique. On a payé une infra coûteuse pour reproduire ce que l'API propose, en moins bien. Le finetuning, exigeant — il suppose des données propres, une méthodologie, une infrastructure d'évaluation continue —, constitue précisément la justification économique du niveau 3.
Le RAG mal architecturé sur le modèle interne. L'erreur la plus fréquente, et la plus traîtresse. L'organisation déploie son modèle open source en interne, mais l'utilise selon une architecture RAG médiocre — embeddings mal choisis, chunking trop fin, absence de cross-encoder, absence de dé-duplication. Le résultat sur les longs corpus reproduit en interne tous les défauts que l'on reprochait aux outils grand public dans l'illusion Copilot, avec en sus le coût d'une infrastructure dédiée. La souveraineté technique des données reste préservée ; la qualité cognitive du livrable, elle, s'effondre.
La souveraineté se construit plutôt qu'elle ne se décrète. Elle exige une équipe qui maîtrise le cycle entraînement-déploiement-monitoring sur la durée, et non un projet de deux trimestres.
Conclusion stratégique
Pour un DSI, un sponsor IA, un sponsor exécutif d'une grande organisation, l'arrivée de DeepSeek V4 commande moins une décision immédiate qu'une question structurée à porter en comité dans les prochaines semaines.
Quelles données métier sortent aujourd'hui de l'organisation vers une API IA, et quelle est la sensibilité réelle de ces données — au sens RGPD, au sens stratégique, au sens contractuel ?
Quel niveau de positionnement (1, 2, 3) correspond à notre échelle, à notre secteur, à notre pression réglementaire, et à la maturité actuelle de nos équipes MLOps ?
Si nous choisissons d'aller vers le niveau 2 ou 3, sur quel périmètre commençons-nous, avec quelles données, et avec quelle équipe — interne, augmentée, ou en partenariat avec un intégrateur sérieux ?
La fenêtre 2026-2027 est celle où ces choix deviennent structurants. DeepSeek V4 a ouvert la porte. Les générations suivantes — V5, V6, et les concurrents open source qui vont pousser dans le même sillage — la rendront de plus en plus large. Encore faut-il décider si on la franchit, à quel rythme, et avec quels moyens.
Réservée à une minorité d'organisations capables d'en supporter le seuil, l'option laisse de côté la majorité du marché. Pour les grandes organisations qui traitent des données sensibles, en revanche, elle change la nature même du débat sur l'IA en entreprise. Avant DeepSeek V4, la souveraineté de l'IA tenait de la pétition de principe. Désormais, elle relève d'un projet d'investissement.
Sources principales : DeepSeek-AI, « DeepSeek V4 Preview Release », api-docs.deepseek.com, 24 avril 2026. Hugging Face, « deepseek-ai/DeepSeek-V4-Pro », huggingface.co, avril 2026. VentureBeat, « DeepSeek V4 arrives with near state-of-the-art intelligence at 1/6th the cost of Opus 4.7, GPT-5.5 », avril 2026. Artificial Analysis, « DeepSeek V4 Pro (Max) — Intelligence, Performance & Price Analysis », artificialanalysis.ai, avril 2026. BenchLM.ai, « DeepSeek V4 Pro vs Claude Opus 4.7 vs GPT-5.5: The Frontier in April 2026 », avril 2026. SemiAnalysis, « The Coding Assistant Breakdown », newsletter.semianalysis.com, 2026. Anthropic, « Claude Mythos Preview / Project Glasswing », red.anthropic.com, 7 avril 2026. Règlement (UE) 2024/1689 du 13 juin 2024 établissant des règles harmonisées concernant l'intelligence artificielle (IA Act). CNIL, « IA et RGPD : recommandations relatives au développement de systèmes d'IA », 2025. Patterson et al., « The Carbon Footprint of Machine Learning Training Will Plateau, Then Shrink », IEEE Computer 2022. Stanford HAI, « AI Index Report 2025 », chap. 4 (Economy) et chap. 6 (Policy). Lewis et al., « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks », NeurIPS 2020.