Le plan de distillation IA de Garry Tan remet en cause le contrôle des laboratoires de pointe

Garry Tan a proposé un changement radical dans la manière dont les États-Unis abordent la distillation IA, malgré les efforts des laboratoires de pointe pour restreindre cette pratique. Le PDG de Y Combinator souhaite que de plus petits développeurs américains de modèles à poids ouverts puissent apprendre des principaux modèles américains et publier davantage d’alternatives nationales. Sa position remet en cause l’idée selon laquelle les entreprises de pointe devraient contrôler la manière dont leurs clients réutilisent les sorties des modèles.

La proposition de distillation IA de Garry Tan intervient alors que le conflit autour des développeurs chinois d’IA s’intensifie. Anthropic affirme que DeepSeek, Moonshot AI et MiniMax ont mené des campagnes coordonnées afin d’extraire des capacités de Claude. La réponse de Tan n’est pas d’interdire cette technique d’entraînement. Il souhaite que les développeurs américains l’emploient dans un cadre national.

Cela renverse l’argument habituel de sécurité nationale. OpenAI et Anthropic ont présenté la distillation non autorisée comme un raccourci permettant de transférer des capacités américaines à des concurrents étrangers. Tan soutient que les restrictions pourraient rendre les utilisateurs américains dépendants soit de services américains fermés, soit de modèles chinois à poids ouverts. Le différend porte donc sur bien plus que la copie. Il concerne la capacité à transformer une intelligence de pointe en produit indépendant.

La distillation IA de Garry Tan créerait une alternative nationale

Tan souhaite que les États-Unis répondent à la concurrence étrangère des modèles à poids ouverts en produisant davantage de modèles américains à poids ouverts, et pas seulement en bloquant les développeurs étrangers.

La distillation de modèles consiste à entraîner un système à l’aide de réponses générées par un autre système plus performant. Le système le plus grand joue le rôle d’enseignant, tandis qu’un modèle élève plus petit apprend à partir de ses sorties. Les développeurs peuvent utiliser ces réponses comme exemples d’entraînement, matériel d’évaluation ou retours pour l’apprentissage par renforcement.

La distillation n’est en elle-même ni inhabituelle ni automatiquement abusive. Les entreprises d’IA utilisent régulièrement leurs propres grands modèles pour entraîner des produits plus petits. Le conflit commence lorsqu’une entreprise interroge systématiquement le service d’une autre sans autorisation, puis utilise les réponses pour développer un modèle concurrent.

Tan établit une distinction entre la technique et l’accès trompeur. Il ne demande pas aux start-ups américaines de voler des identifiants, de dissimuler des réseaux coordonnés de comptes ou de contourner des protections techniques. Il se demande plutôt si les fournisseurs de modèles de pointe devraient pouvoir interdire l’entraînement concurrentiel via leurs contrats de service.

Dans des commentaires rapportés le 11 septembre 2026, Tan a plaidé pour ce qu’il appelle un « régime américain de distillation ». De plus petits laboratoires américains obtiendraient un accès légitime aux systèmes américains de pointe et utiliseraient leurs sorties pour entraîner des alternatives à poids ouverts. À poids ouverts signifie que les paramètres entraînés sont disponibles au téléchargement et à l’exécution, même lorsque l’ensemble de données complet reste privé.

L’argument de Tan combine politique de concurrence et revendication sur la propriété des connaissances. Les modèles de pointe ont appris à partir de livres, de logiciels, de sites web publics, de discussions et d’autres travaux humains. Il y voit donc une contradiction lorsque leurs développeurs revendiquent une grande liberté pour apprendre à partir de contenus publics, tout en limitant strictement l’apprentissage en aval à partir des sorties des modèles.

« Contrôler ce que les utilisateurs et les clients font avec les appels API vers des modèles à poids fermés semble restrictif », a déclaré Tan à TechCrunch. Il a décrit l’accès à une intelligence entraînée sur des données publiques comme plus proche d’un bien public que d’un actif verrouillé derrière des conditions restrictives.

Sa position ne nie pas que la recherche de pointe exige des capitaux. Tan a indiqué que les entreprises qui font progresser les capacités des modèles ont besoin de modèles économiques durables. Il a également soutenu que les systèmes à poids ouverts devraient préserver la liberté et l’accès des utilisateurs.

Cet équilibre est au cœur de sa proposition. Un cadre national de distillation devrait rémunérer le fournisseur du modèle enseignant tout en accordant aux petits développeurs des droits de réutilisation significatifs. Sans ces droits, l’accès pourrait devenir un programme de licences classique protégeant les acteurs établis sans créer de concurrents indépendants.

Tan n’a pas fourni de structure juridique détaillée, de protocole technique ou de formule de compensation. Il a plutôt remis en cause le postulat qui sous-tend les restrictions actuelles. Sa proposition demande si l’entraînement concurrentiel des modèles doit être considéré comme une extraction interdite ou comme une voie normale de diffusion des capacités d’IA.

Cette distinction importe, car un programme de distillation approuvé aurait une apparence très différente d’une attaque. Il pourrait s’appuyer sur des participants identifiés, un accès négocié, des ensembles de données documentés, des exigences de sécurité et des obligations d’évaluation. Ces conditions préserveraient la responsabilité tout en permettant de vérifier si les développeurs nationaux de modèles à poids ouverts peuvent réduire l’écart de capacités.

Le changement immédiat est donc politique plutôt que technique. Un investisseur de premier plan dans les start-ups a publiquement encouragé les laboratoires américains à adopter une pratique que les principaux fournisseurs de modèles cherchent à restreindre. Son intervention offre aux défenseurs des modèles à poids ouverts une réponse directe à l’argument selon lequel les contrôles de distillation sont nécessaires au leadership américain.

Pourquoi les laboratoires américains de modèles à poids ouverts sont sous pression

Les développeurs américains de modèles à poids ouverts font face à une pression stratégique croissante entre des API nationales fermées et des modèles performants publiés par des entreprises chinoises.

Une start-up qui s’appuie sur un modèle fermé bénéficie d’un accès pratique, mais ne contrôle pas les poids sous-jacents. Le fournisseur peut modifier le comportement du modèle, changer les politiques d’accès, introduire de nouvelles restrictions ou abandonner une version. La start-up doit accepter ces dépendances tout en étant en concurrence sur des marchés où le comportement du modèle façonne directement son produit.

Les modèles à poids ouverts offrent une structure opérationnelle différente. Les développeurs peuvent les déployer dans une infrastructure privée, les affiner pour des tâches ciblées et évaluer des versions précises avant une mise à niveau. Ils peuvent aussi examiner les effets des changements sur un produit sans attendre un fournisseur d’API externe.

Ces avantages comptent pour les entreprises qui traitent des documents sensibles, des flux de travail réglementés ou des logiciels propriétaires. Une équipe peut garder son environnement d’inférence plus proche de ses données et conserver la version de modèle choisie. Elle a toujours besoin d’une sécurité, d’une évaluation et d’une gouvernance solides, mais elle gagne en contrôle sur le déploiement.

Le problème est qu’entraîner un modèle de pointe depuis le départ exige d’importantes ressources de calcul, des chercheurs spécialisés et de vastes ensembles de données. Les petits laboratoires américains ne peuvent pas simplement reproduire chaque investissement réalisé par OpenAI, Anthropic, Google ou Meta. La distillation offre une voie plus courte vers certaines capacités sans recréer l’intégralité du processus d’entraînement du modèle enseignant.

Les développeurs chinois de modèles à poids ouverts ont renforcé cette pression. DeepSeek, Moonshot, Alibaba et d’autres laboratoires ont publié des modèles que les développeurs peuvent télécharger, adapter ou utiliser via des services peu coûteux. Quelles que soient les méthodes ayant produit chaque modèle, leur disponibilité donne aux créateurs américains des alternatives que le marché national n’a pas fournies de manière constante.

Cela crée une contradiction politique. Les responsables américains veulent limiter la dépendance aux technologies chinoises, mais des contrôles stricts sur la distillation nationale peuvent réduire le nombre d’alternatives américaines. Bloquer une voie de transfert de capacités ne donne pas automatiquement aux petits laboratoires américains les ressources nécessaires pour entraîner de manière indépendante des systèmes compétitifs.

La proposition de Tan vise cette lacune. Si les start-ups américaines peuvent apprendre des modèles de pointe nationaux via un processus approuvé, elles peuvent produire des modèles régis par des entités américaines et utilisés au sein d’infrastructures américaines. Le résultat ne garantirait pas la parité technique, mais pourrait élargir la base de fournisseurs disponibles.

La pression s’étend aussi aux acheteurs en entreprise. Les organisations souhaitent rarement que l’ensemble de leur flux de travail IA soit lié à un seul fournisseur. Les équipes d’approvisionnement prennent en compte la disponibilité, le traitement des données, la stabilité des modèles, la latence, les coûts de migration et la capacité à fonctionner pendant des interruptions de service.

Un marché diversifié de modèles à poids ouverts offre à ces acheteurs une autre option. Ils peuvent utiliser une API de pointe pour les tâches exigeantes tout en confiant des tâches répétables à des modèles contrôlés localement. La distillation peut aider à entraîner ces systèmes plus petits autour de capacités particulières, même si les performances doivent être mesurées sur la charge de travail réelle de l’acheteur.

Cela est particulièrement pertinent lorsque les entreprises construisent des systèmes de connaissances durables. Une base de connaissances interrogeable peut survivre à tout contrat de modèle individuel. Séparer l’architecture de l’information d’un seul fournisseur facilite la gestion des changements futurs de modèles.

Les développeurs doivent également distinguer la propriété du modèle de la qualité de l’application. Des poids ouverts ne fournissent pas automatiquement des réponses fiables, une bonne recherche ou un déploiement sécurisé. Ils donnent seulement aux créateurs un contrôle plus direct sur l’artefact du modèle. Le produit qui l’entoure détermine toujours si ce contrôle crée une valeur pratique.

Le point le plus fort de Tan n’est donc pas que chaque start-up a besoin d’un modèle à poids ouverts. C’est que les développeurs américains ont besoin d’une option crédible en dehors de quelques fournisseurs fermés. Sans cela, les États-Unis pourraient dominer la recherche de pointe tout en offrant peu de choix nationaux aux entreprises qui nécessitent un contrôle sur les modèles.

Les laboratoires de pointe considèrent la distillation comme une menace d’extraction

OpenAI et Anthropic considèrent la distillation concurrentielle comme un problème économique et de sécurité, car elle peut transférer des capacités précieuses sans transférer les coûts de développement ni les garanties.

Anthropic a tracé la frontière la plus nette en février 2026. L’entreprise a indiqué avoir identifié des campagnes coordonnées menées par DeepSeek, Moonshot et MiniMax, qui ont généré plus de 16 millions d’échanges avec Claude via environ 24 000 comptes frauduleux.

Selon les conclusions d’Anthropic sur la distillation, les campagnes ont utilisé des services proxy et des comptes coordonnés afin d’éviter la détection. Les requêtes se concentraient sur des domaines tels que le code, l’utilisation d’outils, le raisonnement agentique et l’évaluation de modèles. Anthropic a attribué ces campagnes à partir de données réseau, de métadonnées de requêtes, de schémas d’infrastructure et d’informations fournies par des partenaires du secteur.

Ces chiffres restent les conclusions d’Anthropic, et non un audit public indépendant. Les ensembles de données d’entraînement exacts des entreprises citées ne sont pas entièrement accessibles à l’examen externe. Toutefois, le comportement des comptes décrit par Anthropic va au-delà de l’expérimentation habituelle d’un client.

Anthropic établit également une distinction importante qui disparaît parfois du débat politique. L’entreprise qualifie la distillation de méthode d’entraînement légitime et largement utilisée. Son objection concerne l’acquisition de capacités par des concurrents au moyen d’un accès trompeur, de fraude aux comptes, de contournement de restrictions régionales ou d’autres comportements interdits.

L’entreprise affirme qu’un réseau proxy a exploité plus de 20 000 comptes frauduleux simultanément. De tels systèmes peuvent répartir les requêtes entre plusieurs services et remplacer les comptes après leur blocage par les fournisseurs. Cela rend l’attribution et l’application des règles plus difficiles que la détection d’un seul client effectuant un nombre inhabituellement élevé d’appels.

La position contractuelle d’OpenAI est tout aussi restrictive. Son accord de service actuel empêche généralement les clients d’utiliser les sorties pour développer des modèles d’IA concurrents, à l’exception de certains usages autorisés définis. Il interdit également les attaques d’extraction de modèles et les tentatives de contourner les protections d’accès.

Ces contrats donnent aux fournisseurs de pointe un outil d’application direct contre leurs clients. Une entreprise peut suspendre des comptes ou révoquer l’accès à une API sans avoir d’abord à prouver une violation du droit d’auteur devant un tribunal. C’est important, car le statut juridique plus large de l’apprentissage à partir des sorties de modèles reste incertain.

La préoccupation économique est simple. Les laboratoires de pointe investissent dans la recherche, l’infrastructure de calcul, la préparation des données, les tests de sécurité et les opérations produit. Si un concurrent peut interroger le service achevé et transférer son comportement le plus précieux dans un autre modèle, il évite une grande partie de cette dépense initiale.

L’argument de sécurité va au-delà de la perte commerciale. Anthropic affirme qu’un modèle distillé pourrait reproduire des capacités sans conserver les garde-fous du modèle enseignant. Si ses poids sont ensuite publiés, le fournisseur d’origine ne peut plus retirer le modèle, surveiller ses utilisateurs ni corriger chaque copie distribuée.

Dans sa position ultérieure sur les poids ouverts, Anthropic a soutenu que la distillation peut rapprocher les capacités de pointe chinoises des systèmes américains en quelques mois. L’entreprise a appelé à agir contre l’extraction à l’échelle industrielle tout en rejetant une interdiction générale des modèles à poids ouverts.

Cette distinction rapproche Anthropic de Tan davantage que ne le suggère leur rhétorique sur un point. Tous deux acceptent un rôle pour l’IA à poids ouverts. Tous deux reconnaissent également des usages légitimes de la distillation. Leur désaccord porte sur qui devrait autoriser l’entraînement entre entreprises et sur le degré de contrôle que le fournisseur d’origine devrait conserver.

Tan part du risque de concentration du pouvoir privé. Anthropic part des risques de vol de capacités et de distribution irréversible. Chaque camp considère donc un acteur différent comme la principale menace.

Pour Tan, des restrictions excessives protègent les acteurs établis et réduisent la concurrence américaine dans les modèles à poids ouverts. Pour les fournisseurs de pointe, un accès trop souple permet aux rivaux de s’approprier des capacités coûteuses et de supprimer les contrôles de sécurité. Un régime national viable devrait répondre à ces deux préoccupations plutôt que de déclarer l’une ou l’autre imaginaire.

L’argument de l’intérêt général se heurte aux contrats et à la sécurité

La question la plus difficile n’est pas de savoir si la distillation fonctionne, mais si les États-Unis peuvent l’autoriser sans banaliser l’extraction trompeuse ni affaiblir les incitations à financer la recherche de pointe.

L’argument de Tan en faveur de l’intérêt général est intuitivement convaincant, car l’IA de pointe n’est pas née de connaissances d’entreprise isolées. Les développeurs de modèles ont entraîné leurs systèmes sur d’immenses collections d’expressions humaines. Auteurs, programmeurs, chercheurs, enseignants et communautés en ligne ont créé une grande partie du matériau qui a rendu les modèles de langage modernes utiles.

Cette histoire complique les affirmations selon lesquelles les informations générées par les modèles méritent un contrôle absolu en aval. Des éditeurs et créateurs ont déjà contesté les entreprises d’IA pour avoir entraîné leurs systèmes sans consentement. Tan applique un argument d’équité similaire aux entreprises qui souhaitent désormais une protection contractuelle contre l’apprentissage d’autres modèles par l’intermédiaire de leurs services.

Cependant, la symétrie morale ne règle pas la question juridique. Les informations accessibles au public ne sont pas automatiquement exemptes de restrictions liées au droit d’auteur, aux contrats, à la vie privée ou aux bases de données. De même, recevoir une réponse d’API n’accorde pas nécessairement l’autorisation de collecter des millions de réponses pour un entraînement concurrentiel.

Un système national de distillation devrait définir l’accès légitime. Cette définition ne peut pas dépendre uniquement du fait que l’entreprise participante soit américaine. Le vol d’identifiants, les fausses identités, l’exploitation de réseaux de comptes et le contournement délibéré restent trompeurs quelle que soit la nationalité du développeur.

Il faudrait également distinguer l’utilisation courante d’un produit de l’extraction systématique. Cette frontière est techniquement difficile à établir. Une entreprise qui évalue des milliers de prompts à des fins de sécurité peut ressembler à une entreprise qui constitue des données d’entraînement, surtout lorsque les deux testent à grande échelle des capacités ciblées.

Le chercheur de Brookings Kyle Chan a décrit ce défi de détection comme la recherche d’aiguilles dans une grande botte de foin. La réponse fédérale a inclus des processus proposés pour identifier les acteurs étrangers qui extraient des caractéristiques clés de modèles américains fermés. Pourtant, identifier un trafic suspect est plus facile que prouver exactement comment un autre modèle a été entraîné.

La même incertitude affecterait les participants nationaux approuvés. Un laboratoire de pointe pourrait offrir un accès limité à la distillation tout en retenant ses capacités les plus puissantes en matière de raisonnement, de programmation ou de biologie. Les petits développeurs pourraient obtenir une autorisation formelle, mais des informations insuffisantes pour créer des modèles compétitifs.

Le prix et la capacité pourraient devenir un autre obstacle, même sans publier de conditions commerciales précises. Les fournisseurs de pointe contrôlent leurs propres limites d’API et leur infrastructure. Si l’entraînement approuvé exige d’énormes volumes de requêtes, les conditions d’accès pourraient encore favoriser les entreprises bien financées.

Les tests de sécurité présentent un compromis distinct. Les développeurs de modèles à poids ouverts peuvent inspecter, affiner et déployer un modèle publié sans l’autorisation de son créateur. Cela soutient la recherche et le contrôle local, mais signifie également que le développeur d’origine ne peut pas révoquer de manière fiable le système après la découverte d’une vulnérabilité grave.

Un cadre national pourrait exiger des évaluations avant publication. Il pourrait aussi créer des règles graduées selon les capacités, au lieu de traiter tous les modèles de la même manière. Un petit modèle spécialisé ne devrait pas être soumis aux mêmes exigences qu’un système doté de capacités avancées en cyber ou en biologie.

Pourtant, les tests n’éliminent pas le problème de distribution. Les benchmarks peuvent ne pas détecter de nouvelles capacités, et les utilisateurs peuvent affiner les poids après publication. Une fois les copies en circulation, les restrictions ultérieures ont une portée limitée.

La proposition risque aussi d’affaiblir les incitations à investir. La recherche de pointe reste coûteuse, même lorsque les coûts exacts ne sont pas publics. Si chaque capacité réussie doit immédiatement devenir du matériau d’entraînement pour les concurrents, les entreprises privées pourraient réduire l’accès externe ou retarder les publications.

Tan ne soutient pas que les laboratoires de pointe devraient disparaître. Il souhaite qu’ils restent financés tout en accordant aux développeurs de modèles à poids ouverts une liberté réelle. Le mécanisme manquant est la manière de répartir les retours entre l’enseignant et l’élève sans laisser l’enseignant opposer son veto à une véritable concurrence.

L’octroi de licences est une voie possible, mais les détails détermineraient sa valeur. Une licence pourrait autoriser des usages d’entraînement précis, exiger une attribution, interdire les accès trompeurs et établir des obligations de sécurité. Elle pourrait également devenir une barrière coûteuse que seules les entreprises établies peuvent franchir.

Un programme de recherche supervisé offre un autre modèle. Les participants pourraient accéder aux sorties de modèles de pointe dans des environnements contrôlés, documenter leurs méthodes d’entraînement et publier les résultats des évaluations avant de diffuser les poids. Un tel programme fournirait des preuves sur la capacité de la distillation nationale à produire des alternatives utiles et plus sûres.

Aucune de ces approches ne résout le conflit plus large sur la propriété. Les laboratoires de pointe peuvent soutenir que le comportement des modèles reflète une recherche propriétaire, même lorsque le matériau d’entraînement provient de sources publiques. Les défenseurs de l’ouverture peuvent répondre que les capacités comportementales ne devraient pas devenir une propriété privée permanente simplement parce qu’une entreprise a concentré les connaissances sous-jacentes.

Ce conflit rappelle les précédents différends sur la compatibilité logicielle et le contrôle des plateformes, mais les modèles d’IA introduisent une incertitude plus grande. Un système élève ne copie pas une simple interface. Il absorbe un comportement statistique qui peut inclure des connaissances générales, un raisonnement spécialisé, des erreurs et des schémas de sécurité.

La conclusion sceptique est inévitable. Tan a identifié un véritable problème de concurrence, mais il n’a pas encore montré qu’un régime américain de distillation peut fournir des modèles ouverts robustes de manière légale et sûre. Tant qu’un développeur n’aura pas testé l’idée au moyen d’un programme transparent, elle restera une thèse politique plutôt qu’un modèle opérationnel.

Trois signaux montreront si le plan de Tan peut fonctionner

La prochaine étape dépend d’engagements concrets de la part des développeurs américains, des laboratoires de pointe et des décideurs politiques, plutôt que d’une nouvelle série d’arguments sur l’ouverture.

Le premier signal est de savoir si un développeur américain crédible de modèles à poids ouverts adopte publiquement la distillation entre entreprises. L’annonce devrait identifier les modèles enseignants, le fondement de l’autorisation, les capacités visées et les conditions de publication. Utiliser discrètement des données synthétiques ne testerait pas la proposition de Tan, car la question centrale porte sur un accès concurrentiel légitime.

Un projet transparent nécessiterait également des évaluations comparatives. Les développeurs devraient tester le modèle élève face à son modèle de base, au modèle enseignant et à d’autres systèmes à poids ouverts. Ces résultats devraient couvrir des charges de travail réelles plutôt qu’une petite collection de benchmarks emblématiques.

Si un tel modèle obtient de bons résultats avec une autorisation documentée, l’argument de Tan gagnera en force. Il montrerait que la distillation nationale peut élargir le choix de modèles sans reposer sur des comptes cachés ou des identifiants volés. Si aucun laboratoire sérieux ne tente le processus, la proposition paraîtra déconnectée des réalités commerciales et juridiques.

Le deuxième signal est de savoir si un fournisseur de pointe crée une licence ou un partenariat explicite de distillation. Un accès général à l’API ne suffit pas, car les contrats actuels restreignent couramment le développement de modèles concurrents. Un programme significatif doit permettre à un participant indépendant d’entraîner et de publier quelque chose qui puisse concurrencer le fournisseur.

Les garde-fous du fournisseur seront importants. La vérification d’identité, la surveillance du trafic, les limites de capacités et les évaluations avant publication pourraient distinguer l’entraînement légitime des opérations décrites par Anthropic. Des règles claires aideraient également les développeurs à comprendre quels comportements déclenchent une action d’application.

Ce signal affaiblirait l’argument de Tan si le programme n’existait que sur le papier. Des autorisations étroites, des sorties limitées ou des conditions empêchant un déploiement pratique préserveraient la structure actuelle du marché. Un cadre réussi doit offrir au développeur du modèle élève une réelle indépendance.

Le troisième signal est la manière dont les décideurs américains définissent l’extraction de modèles. Le Congrès et les agences fédérales examinent l’accès étranger aux systèmes d’IA américains, tandis que les entreprises de pointe partagent davantage d’informations sur les menaces. Un langage trop large pourrait englober la recherche légitime et la concurrence nationale aux côtés des attaques trompeuses.

Une politique ciblée se concentrerait sur la fraude, les réseaux de comptes non autorisés, le contournement, les identifiants volés et l’extraction de capacités sensibles. Elle pourrait préserver un espace pour la distillation sous licence et le développement indépendant de modèles à poids ouverts. Ce résultat renforcerait l’affirmation centrale de Tan selon laquelle la sécurité nationale et l’ouverture nationale ne doivent pas nécessairement entrer en conflit.

Une interdiction plus large orienterait la politique dans la direction opposée. Si l’entraînement concurrentiel à partir des sorties de modèles est considéré comme intrinsèquement illicite, les laboratoires américains de modèles à poids ouverts auront moins de moyens de réduire l’écart. Les développeurs s’appuieraient alors sur un entraînement indépendant, une collaboration avec des fournisseurs consentants ou des modèles ouverts étrangers.

Les lecteurs devraient surveiller ces signaux dans cet ordre. D’abord, recherchez un développeur prêt à construire de manière transparente. Ensuite, examinez si un laboratoire de pointe accorde des droits utiles. Enfin, vérifiez si la politique distingue l’extraction trompeuse de l’apprentissage autorisé.

Le débat sur la distillation d’IA de Garry Tan ne sera pas tranché en décidant si l’ouverture est toujours bonne ou toujours dangereuse. Le test pratique consiste à déterminer si les laboratoires américains peuvent produire des modèles utilisables de manière indépendante tout en respectant les règles d’accès et en vérifiant les risques sérieux.

Au cours des prochains mois, posez-vous trois questions chaque fois qu’un modèle national à poids ouverts apparaît : qui a fourni ses sorties d’entraînement, quelle autorisation régissait cet accès et quelles évaluations étayent ses affirmations de sécurité ? Des réponses claires transformeraient la proposition de Tan en une stratégie concurrentielle praticable. L’absence de réponses laisserait les États-Unis face au même choix entre des API nationales concentrées et des systèmes étrangers à poids ouverts.