Lorsqu’un cadre dirigeant ouvre un assistant conversationnel ou déploie un agent IA dans son entreprise, il a le sentiment d’utiliser un objet unique. Poser une question et obtenir une réponse semble se jouer au même endroit, dans une même boîte noire. Cette perception masque pourtant une réalité plus structurée. Une intelligence artificielle s’organise en couches parfaitement identifiables, empilées les unes sur les autres à la manière des étages d’un hamburger. C’est d’ailleurs cette image qui a donné son nom au modèle de lecture présenté lors de l’événement Nexus, au Luxembourg, le « AI Burger ». Chaque couche répond à une fonction propre, mobilise des fournisseurs différents et soulève, à son niveau, des enjeux de dépendance spécifiques. C’est cette structure en strates, et non un bloc homogène, qui détermine la véritable marge de manœuvre d’une organisation face à ses choix technologiques.
Cinq couches, cinq métiers, cinq dépendances
Tout commence par le Hardware (matériel), la couche la plus enfouie. Il s’agit des composants physiques, processeurs et GPU, indispensables pour faire fonctionner un modèle. Vient ensuite l’Inference Software, le logiciel qui exécute concrètement ces modèles sur l’infrastructure, un peu comme un moteur qui transforme le carburant en mouvement. Au centre du dispositif se trouvent les Models eux-mêmes, c’est-à-dire les modèles d’intelligence artificielle proprement dits, que l’on entraîne et que l’on affine au fil du temps. Au-dessus, le Middleware (logiciel intermédiaire) joue un rôle de poste d’aiguillage. Il pilote les flux de données, les accès et la consommation entre les différentes briques du système. Enfin, tout en haut, le Harness désigne la couche visible par l’utilisateur final, celle des interfaces, des assistants conversationnels et des agents avec lesquels on interagit directement. Ces cinq couches ne sont pas de simples strates techniques. Elles renvoient chacune à des fournisseurs, des standards et des chaînes d’approvisionnement distincts, avec des niveaux de maturité et de concentration très inégaux selon les segments. C’est précisément cette hétérogénéité qui échappe à la lecture globale que la plupart des dirigeants portent encore sur leurs projets d’intelligence artificielle, et qui pourtant n’est pas sans conséquences sur la sécurité numérique de l’organisation.
Savoir où regarder avant de parler de souveraineté
Cette lecture par couches change en effet la manière d’aborder la question de la souveraineté. Jusqu’à présent, les entreprises ont raisonné en bloc, en cherchant à évaluer si telle ou telle solution d’IA était souveraine ou non. Une telle approche globale ne dit pourtant rien d’utile. Elle revient en quelque sorte, pour un médecin, à diagnostiquer un patient sans jamais cibler d’organe en particulier. Au contraire : mieux vaut, comme on le fait en radiologie, savoir précisément où regarder. Interroger séparément le matériel, les modèles, le logiciel intermédiaire, l’inférence et l’interface fait apparaître des zones de dépendance très différentes, là où une vision d’ensemble aurait tout confondu dans un même diagnostic approximatif. Cette cartographie en cinq couches ne constitue d’ailleurs pas une fin en soi. Elle offre surtout un cadre pour piloter la souveraineté numérique : poser les bonnes questions à chaque étage, savoir qui fournit telle ou telle brique, où celle-ci est produite, et qui pourrait un jour en interrompre l’accès.
Une fois les cinq couches identifiées, une question demeure, celle de savoir qui les maîtrise réellement. Y répondre suppose de distinguer deux notions que l’on confond trop souvent sous le terme générique de souveraineté. D’un côté, la souveraineté d’origine interroge la provenance des technologies. De l’autre, la souveraineté opérationnelle concerne leur usage au quotidien. Ces deux dimensions ne pèsent pas de la même manière sur chaque couche du modèle, et c’est précisément ce point qu’il reste à approfondir, et sur lequel il sera intéressant de revenir dans un prochain billet.
