La fin de l'ère du tout-généraliste

La course à la puissance brute touche à sa fin. Si les modèles de langage généralistes ont progressé en saturant leurs réseaux de données publiques, ce réservoir atteint désormais ses limites structurelles. Le marché bascule : la compétition ne se joue plus sur le volume de données web assimilées, mais sur la maîtrise métier de bout en bout. Ce passage des modèles polyvalents vers des experts sectoriels marque l'entrée dans l'ère des DSLM (Domain-Specific Language Models).

Contrairement à une IA généraliste qui peut halluciner lors d'une analyse critique, un DSLM s'appuie sur un corpus restreint, lié à un domaine d'expertise et validé par des spécialistes. Cette verticalisation est la seule approche viable pour les organisations critiques telles que la banque, l'assurance ou la défense. La stratégie de combat change : il ne s'agit plus de saturer le terrain avec un modèle géant, mais de déployer des agents précis, capables de capter le savoir-faire contextuel et les liens logiques propres à chaque processus métier.

Souveraineté et infrastructure : le choix du terrain

La verticalisation impose une nouvelle architecture défensive. Pour les grands comptes, la compétitivité ne dépend plus de l'accès aux modèles de masse, mais de la capacité à déployer des modèles de taille intermédiaire, "fine-tunés" et hébergés sur site (on premise). C'est un enjeu de souveraineté majeur : garder le contrôle total de son savoir-faire dans un circuit sécurisé pour contrer les risques d'extraterritorialité.

L'exemple de Safran Aircraft Engineering est probant : l'entreprise a déployé cette année une architecture combinant plusieurs modèles de langage, réduisant le traitement de dossiers d'homologation réglementaire de plusieurs semaines à quelques minutes, sans dégrader la rigueur du contrôle. Dans un environnement cloud hybride, chaque couche doit agir comme un joueur de défense en équipe, où la maîtrise des données de référence devient l'arme de précision de l'organisation.

Le mur réglementaire : AI Act et conformité

Le déploiement de ces technologies s'inscrit désormais dans un environnement normatif dense. L'intelligence artificielle n'est plus seulement un outil d'optimisation, elle est devenue un vecteur potentiel d'attaques et de détournements. En 2026, le cadre juridique se durcit autour de trois piliers structurants.

Le règlement (UE) 2024/1689 sur l'IA (AI Act) impose pour les systèmes à haut risque des exigences strictes de robustesse, de transparence et de cybersécurité. Cela inclut la résistance aux attaques, la prévention de l'empoisonnement de données ou de modèles, ainsi que la maîtrise des boucles de rétroaction. En France, sous l'égide de l'ANSSI, les opérateurs de services essentiels doivent répondre à des règles techniques obligatoires couvrant la gouvernance SSI et la résilience des systèmes.

Cybersécurité : anticiper le mouvement adverse

La spécialisation des modèles est aussi une réponse aux nouvelles menaces. Les acteurs de l'IA font face à des risques d'extorsion et d'attaques informatiques sophistiquées. Le droit pénal, via le Code de la défense, impose désormais aux éditeurs de logiciels de notifier les vulnérabilités significatives et les incidents compromettant la sécurité de leurs systèmes.

Les attaques visant les systèmes d'IA - qu'il s'agisse d'accès frauduleux ou d'altération de fonctionnement - relèvent de régimes de répression sévères. Les campagnes de rançongiciels ciblant des modèles ou la menace de divulgation de jeux de données d'entraînement sont analysées comme des extorsions aggravées. Pour les décideurs, la défense doit passer d'un mode réactif à un mode proactif : comme un joueur qui anticipe le service adverse, il faut surveiller les déviations en temps réel pour éviter que l'IA ne devienne une faille de sécurité.

Vers une intelligence augmentée et maîtrisée

Ce basculement technologique redistribue les rôles au sein des organisations. La valeur humaine ne disparaît pas, elle est redéployée vers la modélisation mathématique et scientifique pour évaluer la performance des agents et surveiller leurs déviations. Les collaborateurs deviennent des producteurs de connaissances alimentant le modèle en continu.

La maîtrise de l'IA spécialisée exige une convergence entre expertise métier, puissance de calcul intermédiaire et conformité réglementaire stricte. La véritable victoire ne reviendra pas à celui qui possède le plus gros modèle, mais à celui qui saura transformer son expertise sectorielle en capacité augmentée, tout en garantissant l'étanchéité de ses données face aux menaces modernes.