Le projet de défense de Secern AI place le codage sécurisé au sein d’un réseau isolé

Secern AI a remporté un projet de défense de 2,45 milliards de wons malgré une contrainte qui exclut la plupart des outils commerciaux de codage par IA : le système ne peut dépendre d’Internet. Le projet de défense de Secern AI intégrera une assistance au codage et des contrôles de sécurité automatisés au sein du réseau isolé de la Republic of Korea Air Force.

Le projet transforme un problème familier de l’IA en entreprise en un test opérationnel exigeant. Les développeurs veulent générer, réviser et déboguer du code plus rapidement. Les organisations de défense doivent également empêcher que du code source sensible, des documents techniques et des connaissances opérationnelles ne quittent une infrastructure contrôlée.

Secern AI propose de répondre à ces deux exigences avec IntraGenX, sa plateforme de codage par IA sur site. Le système associe un modèle de langage de 30 milliards de paramètres, une récupération d’informations fondée sur un graphe de connaissances et une analyse automatisée de la sécurité du code source.

Le contrat va au-delà d’une simple annonce de déploiement. Il met à l’épreuve la capacité d’un fournisseur national de plus petite taille à fournir une IA générative utile au sein d’infrastructures où l’accès au cloud, les API externes et la télémétrie courante sont limités.

Les affirmations de l’entreprise se heurtent ainsi à une réalité complexe. Un réseau isolé peut réduire l’exposition externe des données, mais il ne garantit pas que le code généré soit correct, sécurisé ou adapté à un usage militaire. L’importance du projet dépendra de l’efficacité avec laquelle ses composants de codage et d’inspection fonctionneront ensemble dans ces contraintes.

Ce que fournira le projet de défense de Secern AI

Le projet associe la génération de code et l’inspection de sécurité au sein d’un environnement contrôlé unique, au lieu de les traiter comme des services cloud distincts.

La Republic of Korea Air Force est le client du projet. Le Korea’s Institute of Information and Communications Technology Planning and Evaluation, connu sous le nom d’IITP, supervise le programme plus large de commercialisation rapide.

Secern AI dirigera la mise en œuvre. La fondation de coopération industrie-université de Sejong University et le spécialiste de la sécurité du code source CodeMind participeront en tant qu’organisations conjointement chargées de l’exécution.

Le budget communiqué s’élève à 2,45 milliards de wons. Selon le compte rendu du projet disponible, l’équipe développera un assistant de codage par IA et un agent automatisé d’inspection de code sécurisé pour le réseau de défense de l’Air Force.

IntraGenX constituera la couche de codage. Les développeurs pourront fournir des instructions en langage naturel et obtenir de l’aide pour la conception logique, la création de code, la révision, la détection d’erreurs et leur correction.

CodeMind ajoutera une technologie destinée à identifier les faiblesses de sécurité dans le code nouvellement généré ou modifié. Sejong University soutiendra la recherche, le développement et la validation technique.

Cette répartition des tâches est importante. Un modèle de codage peut proposer rapidement une modification, mais un processus d’inspection distinct doit déterminer si cette modification enfreint les exigences de développement sécurisé.

La plateforme qui en résultera doit conserver les deux opérations dans le même environnement restreint. Le code source n’a pas besoin d’être transmis à un fournisseur de modèles externe avant le début de l’analyse.

Secern AI indique également que le système prendra en charge les directives de développement militaire, les structures de bases de données, les documents internes et les relations existantes entre les codes. Ces éléments peuvent fournir un contexte qu’un assistant de codage généraliste ne posséderait pas.

L’entreprise prévoit d’abord de démontrer la technologie sur le réseau de l’Air Force. Elle souhaite ensuite étudier un déploiement potentiel au sein de l’Armée, de la Marine, du ministère de la Défense nationale et des organisations qui lui sont directement rattachées.

Cette extension ne fait pas partie du résultat actuel. Le déploiement auprès de l’Air Force demeure le test immédiat, tandis qu’une adoption plus large par la défense constitue un objectif commercial futur.

Le projet crée donc un point de transition mesurable. IntraGenX passe d’un discours produit contrôlé par son fournisseur à un environnement client soumis à des exigences particulièrement strictes de sécurité et de disponibilité.

Le contrat ne prouve pas que la plateforme est déjà fiable à grande échelle. Il établit que Secern AI et ses partenaires ont l’occasion de valider cette approche dans les conditions d’un réseau de défense.

Pourquoi le codage par IA sur réseau isolé change le modèle habituel

Un déploiement sur réseau isolé supprime le cloud comme hypothèse opérationnelle, imposant le modèle, le système de récupération, les contrôles et le processus d’évaluation sur une infrastructure locale.

La plupart des expériences populaires de codage par IA reposent sur une inférence distante. Un développeur soumet des requêtes ou du contexte de code à une infrastructure exploitée par le fournisseur de services, qui renvoie des suggestions ou exécute des tâches agentiques.

Cette conception permet des mises à jour fréquentes du modèle et l’accès à de vastes grappes de calcul. Elle peut également soulever des questions inacceptables de traitement des données pour les agences de défense et d’autres organisations réglementées.

Un réseau isolé est une séparation physique ou logique qui empêche un réseau protégé de communiquer directement avec des systèmes externes. Il limite les voies par lesquelles des informations sensibles peuvent sortir.

Dans ce projet, le code source et les données associées doivent rester sur des serveurs internes. Le modèle doit fonctionner sans envoyer de requêtes, de dépôts ou de résultats générés à un point de terminaison de cloud public.

Cette approche réduit une catégorie d’exposition, mais elle introduit plusieurs coûts opérationnels. Le client doit fournir la capacité de calcul, distribuer les mises à jour, gérer les versions des modèles et maintenir localement les contrôles de sécurité.

Les mises à jour des modèles deviennent particulièrement importantes. Les assistants de codage cloud peuvent recevoir en continu des corrections et de nouvelles capacités. Un déploiement isolé nécessite un processus approuvé pour importer de nouveaux poids, règles de sécurité, dépendances et informations sur les vulnérabilités.

Chaque paquet importé devient également une décision de chaîne d’approvisionnement. Les administrateurs doivent établir son origine, confirmer son intégrité, l’analyser, l’approuver et documenter son transfert vers l’environnement protégé.

L’inférence locale limite aussi les choix matériels. Secern AI décrit IntraGenX comme utilisant un petit modèle de langage de 30 milliards de paramètres, ou sLLM. Ce terme désigne un modèle situé en dessous des plus grands systèmes généralistes, bien que 30 milliards de paramètres exigent encore des ressources importantes.

La taille du modèle représente un compromis. Un système déployable localement peut conserver les données sous le contrôle du client, tandis qu’un modèle cloud bien plus vaste pourrait offrir des capacités de codage plus étendues.

Secern AI affirme que son « Loop Harness » évalue et améliore de manière répétée les résultats générés. L’entreprise indique également avoir affiné le système pour les environnements de développement coréens.

Ces déclarations décrivent le mécanisme envisagé, et non des performances vérifiées de manière indépendante. Les rapports publics n’ont pas fourni de résultats de référence concernant la correction du code, les détections de sécurité, la vitesse d’inférence ou la consommation matérielle sur le réseau de l’Air Force.

Le déploiement devra donc prouver que le contrôle local ne réduit pas l’utilité du système en dessous d’un niveau acceptable. Les développeurs abandonneront un assistant qui répond lentement, ne saisit pas le contexte du dépôt ou nécessite d’importantes corrections.

Dans le même temps, les acheteurs du secteur de la défense ne peuvent pas évaluer le succès à partir de la seule acceptation des suggestions. Un taux d’acceptation élevé signifie peu si le code accepté crée des vulnérabilités ou enfreint des règles d’architecture.

La comparaison importante n’oppose pas simplement l’IA locale à l’IA cloud. Elle oppose un flux de développement contrôlé à un service externe que le client pourrait ne pas être en mesure d’autoriser.

Pour les réseaux isolés, l’alternative pratique peut rester le développement manuel avec des outils classiques de recherche, de revue et d’analyse statique. IntraGenX doit surpasser cette référence sans l’affaiblir.

Comment IntraGenX relie le code, les règles et les preuves

L’affirmation technique centrale d’IntraGenX est qu’une récupération tenant compte des relations peut fournir à un modèle local suffisamment de contexte pour fonctionner sur une base de code interne complexe.

Un assistant de codage ne peut pas modifier en toute sécurité un grand système en ne considérant que le fichier ouvert. Il doit comprendre les dépendances, les structures de bases de données, les contrats d’interface, les règles de développement et la documentation pertinente.

Secern AI indique qu’IntraGenX utilise la génération augmentée par récupération à partir d’un graphe de connaissances. La génération augmentée par récupération, ou RAG, fournit à un modèle des informations internes sélectionnées lorsqu’il prépare une réponse.

Un graphe de connaissances représente des entités et leurs relations. Dans le développement logiciel, ces entités peuvent inclure des fonctions, des services, des tables, des documents, des API, des normes et les dépendances qui les relient.

La conception décrite analyse les relations entre le code source, les schémas de bases de données, les directives de développement militaire et les documents non structurés. Elle récupère ensuite le contexte en fonction des appels, références et dépendances.

Cela diffère d’une recherche élémentaire par mots-clés. Un système par mots-clés pourrait localiser chaque document contenant le nom d’une API. Un système sensible aux relations peut tenter de montrer quel composant appelle cette API et quelle table de base de données elle modifie.

Ce contexte peut aider un assistant à expliquer pourquoi il a choisi une implémentation particulière. Il peut également rendre les réviseurs moins dépendants d’une réponse qui paraît plausible mais ne s’appuie sur aucun élément vérifiable.

Les preuves ne garantissent toutefois pas l’exactitude. La couche de récupération peut manquer une relation pertinente, indexer un document obsolète ou classer une règle incorrecte avant une règle applicable.

Les graphes de connaissances exigent une maintenance à mesure que les dépôts évoluent. Les nouveaux services, les schémas modifiés, les fonctions renommées et les normes militaires révisées doivent apparaître dans le graphe avant que le modèle puisse s’y fier.

Le projet devra définir des politiques claires de synchronisation. Un graphe obsolète pourrait fournir aux développeurs des recommandations assurées fondées sur des dépendances qui n’existent plus.

Le contrôle d’accès pose un autre défi. Chaque développeur ne devrait pas pouvoir récupérer chaque document simplement parce que tous les éléments résident sur le même réseau physique.

La plateforme doit préserver les autorisations des dépôts, les limites entre projets et les classifications de documents lors de la récupération. Dans le cas contraire, une requête pourrait révéler des informations auxquelles l’utilisateur ne pourrait pas accéder directement.

Les explications générées nécessitent des contrôles similaires. Une réponse peut associer du code source autorisé à des détails récupérés dans un document plus restreint, créant ainsi une divulgation indirecte au sein de l’organisation.

Ces problèmes font de l’identité, de l’autorisation et des pistes d’audit des composantes de l’assistant de codage lui-même. Il ne s’agit pas de simples fonctionnalités administratives distinctes.

Le modèle devrait enregistrer les sources ayant influencé une suggestion, la version qui l’a produite et les modifications approuvées par un humain. Les réviseurs ont également besoin d’un moyen de reproduire les résultats importants.

Les recommandations DevSecOps actuelles du NIST soulignent que les contenus générés par IA nécessitent une validation humaine et des processus vérifiables. Elles appellent également à assurer la traçabilité des modèles, modifications et annotations.

Ces recommandations correspondent étroitement au projet de l’Air Force. Un assistant utile doit fournir davantage que du code. Il doit laisser des éléments probants à l’appui de la revue technique, de l’analyse de sécurité et des investigations ultérieures.

Les équipes qui développent des systèmes similaires peuvent appliquer le même principe à leur propre base de connaissances d’ingénierie. La qualité de la récupération dépend de matériaux techniques gouvernés, à jour et consultables.

Pour Secern AI, cette couche pourrait déterminer si son modèle local plus petit obtient des performances supérieures à ce que sa taille apparente laisse attendre. Un meilleur contexte organisationnel peut parfois compter davantage qu’une connaissance générale plus étendue.

Le déploiement au sein de la défense montrera si cet avantage résiste aux vrais dépôts, à une documentation incomplète, aux limites d’autorisation et à l’évolution continue des logiciels.

La sécurité automatisée est le compromis central du projet

Associer le codage par IA à une inspection de sécurité automatisée crée une friction utile, mais l’outil d’analyse ne peut pas constituer une preuve que le code généré est sûr.

Les systèmes de codage génératif sont optimisés pour produire des complétions plausibles et satisfaire les tâches demandées. Le développement sécurisé exige des contrôles supplémentaires couvrant les erreurs de conception, les dépendances non sûres, les autorisations incorrectes, la gestion des secrets et les choix d’implémentation exploitables.

Le projet de défense de Secern AI confie CodeMind au volet sécurité de ce problème. Sa technologie est censée inspecter le code créé ou modifié via la plateforme.

Cela crée une boucle de rétroaction entre la génération et la vérification. L’assistant peut proposer du code, l’agent d’inspection peut signaler des faiblesses, et les développeurs peuvent examiner le résultat avant l’intégration.

L’architecture répond à une préoccupation centrale concernant le développement assisté par IA. Une génération plus rapide peut accroître la quantité de code à examiner, déplaçant potentiellement un goulot d’étranglement plutôt que de l’éliminer.

L’inspection automatisée peut réduire cette charge en priorisant les problèmes présumés. Elle peut également appliquer des règles cohérentes entre les équipes et les projets.

Cependant, aucun outil d’analyse ne détecte toutes les faiblesses importantes. L’analyse statique peut repérer des schémas reconnaissables, mais elle peut manquer des défauts dépendant du comportement du système, de la configuration opérationnelle ou d’exigences mal comprises.

Les faux positifs constituent un autre risque. Si l’outil signale à répétition du code sûr, les développeurs peuvent ignorer ses avertissements. S’il remonte trop peu de problèmes, les décideurs peuvent développer une confiance injustifiée.

Le code généré par IA crée aussi des problèmes de boucle de rétroaction. Un agent de codage pourrait modifier sa sortie jusqu’à satisfaire l’outil d’analyse sans corriger la faiblesse de conception sous-jacente.

Le projet devrait donc distinguer les métriques de génération des résultats de sécurité. Davantage de lignes générées, une réalisation plus rapide ou un taux d’acceptation plus élevé des suggestions ne démontrent pas qu’un logiciel est plus sûr.

Des mesures utiles incluraient les taux de réussite aux tests, les taux de correction par les développeurs, les vulnérabilités confirmées, les taux de faux positifs et les défauts trouvés après l’intégration.

Le cadre d’évaluation exact n’a pas été détaillé publiquement. Les rapports disponibles n’identifient ni seuils de réussite, ni dépôts de référence, ni calendriers de déploiement, ni critères d’acceptation.

Cette information manquante est importante, car la valeur du contrat repose sur la validation. Nam Woon-sung, PDG de Secern AI, a décrit cette attribution comme un moyen de valider la sûreté et la capacité technique d’IntraGenX au sein d’un réseau de défense.

Ses propos renvoient à une preuve future plutôt qu’à une preuve déjà établie. L’entreprise a obtenu l’environnement de test, mais les éléments publics concernant les résultats restent attendus.

Le cadre de développement sécurisé du NIST fournit une référence externe utile. Il considère le développement logiciel sécurisé comme un ensemble intégré de pratiques, et non comme une analyse finale réalisée avant la publication.

Le cadre met l’accent sur la protection des logiciels, la production de versions bien sécurisées, la réponse aux vulnérabilités et le traitement de leurs causes profondes. L’automatisation peut soutenir ces pratiques, mais ne peut pas remplacer la gouvernance.

Le même principe s’applique ici. Un agent d’inspection devrait renforcer la revue de code, les tests, la gestion des dépendances et les contrôles d’autorisation. Il ne devrait pas servir de raccourci pour les contourner.

Les logiciels de défense peuvent aussi avoir des conséquences opérationnelles que les applications métier ordinaires n’ont pas. Une erreur fonctionnelle peut affecter la disponibilité, l’aide à la décision, la logistique ou les communications.

Cela élève le niveau requis de supervision humaine. Les recommandations concernant des composants critiques pour la sûreté ou la mission doivent être examinées par des personnes qui comprennent le contexte opérationnel du système.

Le modèle local lui-même doit également être protégé. Les administrateurs doivent contrôler ses poids, ses prompts, ses index de récupération, sa configuration et ses paquets de mise à jour.

Les recherches du NIST sur la sécurité de l’IA mettent en évidence des risques pour la confidentialité, l’intégrité et la disponibilité des modèles, logiciels, matériels, données d’entraînement et données de sortie.

Une isolation réseau ne couvre qu’une partie de cette surface. Les abus internes, les supports de mise à jour compromis, les documents empoisonnés, les autorisations excessives et les dépôts manipulés restent possibles.

Le choix de conception le plus solide du projet consiste à associer génération et inspection. Son principal risque est que cette association crée une fausse impression de sécurité automatique.

Le véritable adversaire est la dépendance au cloud

Secern AI ne cherche pas à battre tous les assistants de codage cloud sur leurs capacités générales ; l’entreprise s’oppose à l’idée selon laquelle une IA générative utile exige une infrastructure externe.

Cette distinction façonne l’importance commerciale du projet. L’Air Force est un client de référence exigeant, mais Secern AI cite également les agences publiques, les institutions financières, les grandes entreprises et les sous-traitants de la défense comme marchés cibles.

Ces organisations gèrent souvent du code sensible et de la documentation interne. Certaines opèrent sur des réseaux segmentés ou imposent des règles d’approbation strictes pour les transferts de données externes.

Une plateforme locale leur offre une autre voie de déploiement. Elle peut préserver le traitement interne tout en fournissant des fonctionnalités similaires à celles des assistants de codage cloud.

Secern AI a lancé IntraGenX en mars 2026, selon les informations publiées sur le projet. Le contrat avec l’Air Force donne à cette jeune plateforme la possibilité d’aller au-delà des démonstrations et des tests de produit contrôlés.

L’entreprise présente sa stratégie plus large comme un équivalent coréen de Palantir. Cette comparaison mérite de la retenue.

Palantir a construit sa position dans la défense grâce à des déploiements de longue durée, à l’intégration de systèmes, à la gouvernance des données et à des applications opérationnelles. Un contrat portant sur un assistant de codage ne place pas Secern AI au même niveau d’échelle ou de maturité.

La similarité pertinente est plus limitée. Les deux approches organisent des données institutionnelles protégées afin que les logiciels puissent soutenir l’analyse et l’exécution dans des environnements contrôlés.

Pour Secern AI, la tâche immédiate concerne le développement logiciel plutôt que le renseignement sur le champ de bataille. Son graphe de connaissances est destiné à relier le code, les schémas, les règles et les documents techniques.

De plus grands fournisseurs technologiques coréens poursuivent également des activités dans l’IA de défense et les infrastructures sécurisées du secteur public. Samsung SDS, par exemple, a évoqué des systèmes de défense fondés sur la récupération d’information et des opportunités de commandement et de contrôle de nouvelle génération.

Les intégrateurs de systèmes traditionnels apportent une expérience des marchés publics, des équipes de mise en œuvre et des relations existantes avec les administrations. Les fournisseurs de sécurité apportent des produits matures d’analyse et de surveillance.

La réponse de Secern AI est un ensemble plus intégré. L’entreprise veut combiner l’inférence de modèles locaux, le contexte organisationnel, les flux de travail de codage et les contrôles de sécurité.

Cette approche peut raccourcir le travail d’intégration si les composants coopèrent efficacement. Elle peut aussi accroître la dépendance aux choix d’une seule plateforme en matière d’indexation, de modèle, d’orchestration et de gouvernance.

Les acheteurs devront évaluer la portabilité. Ils devraient demander si les dépôts, graphes de connaissances, journaux d’audit et politiques de sécurité peuvent être transférés vers un autre modèle ou une autre chaîne d’outils.

Ils devraient également examiner la substitution des modèles. Une plateforme locale devient plus durable si les administrateurs peuvent changer le modèle sous-jacent sans reconstruire chaque flux de travail.

Les rapports publics ne précisent pas si IntraGenX prend en charge plusieurs modèles ou des interfaces standard. Ils n’expliquent pas non plus comment les clients exportent ses structures de connaissances.

Les exigences matérielles restent inconnues. Un modèle de 30 milliards de paramètres peut être exploitable sur une infrastructure d’entreprise, mais les performances dépendent de la précision, des accélérateurs, de la taille du contexte, de la concurrence et de la conception de la charge de travail.

L’absence de chiffres publiés sur la latence et la capacité empêche toute comparaison directe avec les services cloud. Cela n’est pas inhabituel avant un déploiement, mais limite la force des affirmations sur les performances.

La mise en œuvre par l’Air Force peut fournir les éléments opérationnels manquants. Elle peut montrer combien de développeurs utilisent le système, quelles tâches ils lui délèguent et à quelle fréquence les réviseurs acceptent les suggestions.

Elle peut aussi montrer si la maintenance dans un environnement isolé reste gérable. Les mises à jour et les flux d’informations sur les vulnérabilités doivent atteindre l’environnement sans rouvrir le chemin de données que l’isolation réseau visait à fermer.

Si Secern AI gère ces détails, le projet peut devenir une référence crédible pour les acheteurs soumis à des réglementations. Si la maintenance annule le bénéfice de productivité, l’indépendance vis-à-vis du cloud semblera moins attrayante.

La confrontation oppose donc le contrôle local à la commodité opérationnelle. Secern AI a obtenu l’occasion de plaider en faveur du contrôle local, mais les résultats du déploiement désigneront le gagnant.

Ce que la prochaine phase doit démontrer

Trois signaux détermineront si ce contrat devient un modèle d’IA de défense reproductible ou reste une démonstration limitée.

Le premier signal sera une validation technique documentée. Secern AI, l’IITP ou l’Air Force devraient à terme divulguer des résultats mesurables sans exposer de systèmes sensibles.

Les résultats les plus utiles couvriraient l’accomplissement des tâches, les conclusions des revues de code, les faux positifs, les révisions des développeurs, le temps de réponse et l’utilisation des ressources. Les résultats de sécurité devraient distinguer les problèmes détectés des vulnérabilités confirmées.

Une évaluation indépendante de Sejong University pourrait renforcer la crédibilité. Son rôle offre au projet une source potentielle d’examen technique extérieure à Secern AI et CodeMind.

Le deuxième signal sera la preuve d’un usage en production contrôlée. Une démonstration sur des dépôts sélectionnés diffère d’une utilisation durable au sein d’équipes de développement actives.

Les preuves d’une utilisation en production incluraient des utilisateurs récurrents, des flux de travail approuvés, des procédures de mise à jour des modèles, la gestion des incidents et l’intégration avec les outils de développement existants.

Le projet devrait également révéler comment fonctionne l’approbation humaine. Les réviseurs doivent avoir l’autorité de rejeter les suggestions, d’examiner leur contexte de référence et d’identifier la version de modèle responsable.

Le profil de développement de l’IA du NIST considère les modèles, les poids, les pipelines et les actifs associés comme des éléments de l’environnement logiciel à protéger.

Cette vision plus large est importante au sein d’un réseau de défense. Sécuriser uniquement le code source généré laisserait la chaîne d’approvisionnement du modèle et le système de récupération insuffisamment gouvernés.

Le troisième signal sera un déploiement de suivi. L’adoption par une autre branche militaire, une entité publique, une institution financière ou un sous-traitant de la défense montrerait que l’architecture peut s’étendre au-delà d’un seul client.

Un contrat de suivi renforcerait l’affirmation de Secern AI selon laquelle le codage par IA en environnement isolé représente un marché reproductible. L’absence d’expansion ne signalerait pas nécessairement un échec technique, les cycles d’achat pouvant être longs.

Les acheteurs devraient également surveiller si Secern AI publie des informations plus claires sur l’interopérabilité. La prise en charge de modèles remplaçables, de graphes exportables et d’outils de sécurité standard réduirait le verrouillage à la plateforme.

Les développeurs devraient se concentrer sur une question plus simple : l’assistant réduit-il le travail vérifié, ou génère-t-il seulement davantage de contenu à contrôler par les humains ?

Les responsables de la sécurité devraient se demander si le flux de travail combiné améliore la détection sans affaiblir les contrôles existants. Les équipes achats devraient examiner les obligations à long terme liées au matériel, aux mises à jour et au support.

Les éléments actuels justifient une conclusion prudente. Secern AI a remporté un projet défini de 2,45 milliards de wons avec des partenaires nommés, un client Air Force identifié et un modèle de déploiement précis.

Les éléments disponibles ne montrent pas encore comment IntraGenX fonctionne au sein du réseau opérationnel. Les benchmarks publics, les critères d’acceptation et les résultats du déploiement restent indisponibles.

Ce déficit de vérification est au cœur de l’histoire. Le contrat reconnaît la demande en matière de programmation assistée par l’IA dans des environnements qui ne peuvent pas s’appuyer sur des outils cloud ordinaires, mais il ne permet pas de déterminer si une IA locale peut répondre à cette demande.

Au cours des prochains mois, il faudra surveiller les résultats des évaluations techniques, des preuves d’une utilisation régulière par les développeurs et un deuxième déploiement sur un autre réseau contrôlé.

Si ces trois éléments se concrétisent, le projet de défense Secern AI offrira un modèle pratique d’assistance au développement sécurisée et exploitée localement. Dans le cas contraire, l’attribution restera une expérience intéressante plutôt qu’un modèle d’approvisionnement éprouvé.