Le bras de fer sur la propriété de l’IA dans les 50 États que les contrats trancheront

Google News a mis en lumière un conflit majeur qui concerne les 50 États : les administrations peuvent déployer l’intelligence artificielle sans réellement contrôler ce qui se passe une fois le contrat lancé.

La question paraît simple. Qui possède un système d’IA lorsqu’une administration d’État commence à l’utiliser ? Pourtant, la propriété peut désigner plusieurs actifs distincts. Il peut s’agir du logiciel, des poids du modèle, des données publiques, des résultats générés, des dossiers d’audit, des retours des employés et des améliorations apportées pendant le déploiement.

Un État achète rarement tous ces actifs sous la forme d’un ensemble transférable unique. Il concède généralement sous licence le service d’un fournisseur, tout en conservant des droits sur certaines données et en acceptant des limites sur tout le reste. L’organisme public peut rester responsable des décisions alors même que le fournisseur contrôle les rouages du système.

Ce déséquilibre est au cœur du problème. Les États veulent des services plus rapides, une charge administrative réduite et un meilleur accès à l’information. Les fournisseurs veulent protéger leur propriété intellectuelle, leurs modèles réutilisables et leurs méthodes commerciales.

Ces deux positions peuvent être légitimes. Le conflit commence lorsqu’un contrat laisse l’État responsable d’un système d’IA qu’il ne peut ni inspecter, ni tester, ni transférer, ni reconstruire.

Le titre de Google News révèle un problème contractuel

La propriété de l’IA gouvernementale se décide généralement avant le déploiement, dans un langage d’achat public que peu de citoyens voient un jour.

Un État peut acheter des serveurs et posséder l’équipement physique. La plupart des accords modernes relatifs à l’IA fonctionnent différemment. Les administrations acquièrent souvent des abonnements cloud, des interfaces de programmation d’applications, des plateformes d’analyse ou des services gérés.

Une interface de programmation d’applications, ou API, permet à un système de demander des fonctions à un autre. L’administration envoie des données ou des instructions, tandis que le fournisseur exploite le modèle et l’infrastructure sous-jacents.

Cet accord sépare l’usage opérationnel de la propriété juridique. Un service peut utiliser chaque jour un assistant d’IA sans posséder ses poids de modèle, son code source, son processus d’entraînement ou son infrastructure de support.

Les poids de modèle sont les paramètres numériques appris qui façonnent les réponses d’un modèle. Ils figurent souvent parmi les actifs les plus étroitement protégés d’un fournisseur.

L’administration peut néanmoins posséder les informations fournies par les habitants. Toutefois, son contrat doit préciser si le fournisseur peut conserver ces informations, créer des embeddings à partir de celles-ci ou les utiliser pour le développement de produits.

Les embeddings sont des représentations numériques qui aident les systèmes d’IA à comparer et à retrouver des informations connexes. Ils peuvent préserver des structures significatives issues de documents sources même lorsque les documents originaux sont stockés ailleurs.

Les contenus générés ajoutent une autre couche de complexité. Un système d’IA peut résumer un dossier, classer des demandes de prestations, signaler une fraude présumée ou recommander une inspection. Le contrat doit établir si l’administration peut exporter ces résultats dans un format exploitable.

L’accès ne vaut pas propriété. Une administration peut consulter des résultats via un tableau de bord sans avoir le droit ou la capacité technique de récupérer les dossiers sous-jacents.

Cette distinction devient cruciale lorsqu’un contrat expire. Le fournisseur peut restituer les documents sources, mais omettre les prompts, les calculs intermédiaires, les scores de confiance, les versions du modèle ou les corrections humaines.

Sans ces dossiers, le fournisseur suivant ne peut pas reproduire le travail de l’ancien système. Les auditeurs peinent également à déterminer pourquoi une décision passée a été prise.

Il ne s’agit pas de détails administratifs théoriques. L’Electronic Privacy Information Center a recensé 621 contrats d’IA dont la portée commerciale potentielle dépasse 720 millions de dollars. Ses recherches couvraient des dossiers de 27 États et du district de Columbia.

Les systèmes identifiés par EPIC concernaient l’éducation, les soins de santé, la police et les prestations publiques. Dans ces contextes, des conditions de propriété incomplètes peuvent affecter l’accès d’une personne à des services essentiels.

Un contrat doit donc comporter une cartographie détaillée des actifs. Elle doit distinguer les données fournies par l’administration, les éléments du fournisseur, les configurations créées conjointement, les résultats du système, les journaux, les évaluations et les améliorations après déploiement.

Cette cartographie doit aussi préciser qui peut utiliser chaque actif, à quelles fins et pendant combien de temps. Une déclaration générale selon laquelle « l’État possède ses données » ne répond pas à ces questions.

Les États ont également besoin de clauses de suppression couvrant les sauvegardes, les artefacts dérivés et les sous-traitants. Sans cela, un fournisseur peut supprimer la base de données visible tout en laissant des éléments connexes subsister dans l’ensemble de sa chaîne de services.

Le titre diffusé par Google News met en évidence un problème national, mais le langage décisif reste local. Chaque bureau des marchés publics peut définir la propriété différemment.

Le déploiement rend les États responsables sans leur donner un contrôle total

Un organisme public ne peut pas externaliser sa responsabilité envers les habitants, même lorsque chaque composant technique appartient à un prestataire.

La responsabilité gouvernementale suit la fonction publique. Si un système d’IA influence les prestations, l’emploi, les licences, l’éducation, les soins de santé ou la police, les habitants contesteront l’administration qui l’utilise.

Le fournisseur a peut-être conçu le modèle. Un intégrateur de systèmes l’a peut-être connecté aux bases de données de l’administration. Une entreprise cloud stocke peut-être les dossiers. Pourtant, l’État prend, communique ou fait toujours appliquer la décision qui en résulte.

Cette répartition crée un vide de responsabilité. L’administration supporte les conséquences juridiques et politiques, tandis que des éléments de preuve essentiels peuvent rester dans un système contrôlé par le fournisseur.

Prenons le cas d’une administration chargée des prestations qui utilise l’IA pour hiérarchiser les demandes à examiner. Un habitant à qui une aide est refusée peut demander quelles données ont influencé la décision et comment une erreur peut être corrigée.

L’administration a besoin de davantage que d’un score final. Elle a besoin des champs de données pertinents, de la version applicable du modèle, de l’historique de traitement, des règles de décision et des dossiers d’examen humain.

Si le contrat ne promet que l’accès à un tableau de bord actuel, l’administration peut manquer des éléments de preuve nécessaires à un recours. Une mise à jour logicielle peut également modifier le système avant que les enquêteurs n’examinent la décision antérieure.

La gestion des versions de modèle consigne quelle configuration du système a produit un résultat particulier. Elle joue un rôle comparable à la conservation du règlement exact et du dossier utilisé dans une décision traditionnelle.

Les lois des États sur les archives publiques ajoutent une autre complication. Les documents gouvernementaux sont souvent soumis à des obligations de divulgation, de conservation et de préservation. Les revendications des fournisseurs relatives aux secrets d’affaires peuvent limiter l’accès aux éléments techniques.

La protection des secrets d’affaires répond à un objectif commercial réel. Un État ne devrait pas obtenir des droits de publication illimités sur chaque modèle propriétaire simplement parce qu’il a souscrit un abonnement.

Toutefois, la confidentialité ne peut pas devenir un substitut général à la responsabilité. Les contrats peuvent créer un accès contrôlé pour les auditeurs, les régulateurs, les tribunaux et les chercheurs autorisés sans publier le code propriétaire à tout le monde.

Cet équilibre exige une planification. Les administrations doivent définir quels éléments doivent rester disponibles pendant les enquêtes et après la résiliation. Elles doivent aussi établir combien de temps ces éléments doivent être conservés.

La loi du Colorado sur l’IA destinée aux consommateurs illustre l’attention croissante portée aux déployeurs, c’est-à-dire aux organisations qui utilisent des systèmes à haut risque. Son cadre impose des évaluations d’impact, une gestion des risques, des notifications aux consommateurs et des possibilités de recours contre certaines décisions importantes.

De telles obligations renforcent l’importance de la documentation. Un déployeur ne peut pas mener une évaluation significative si le développeur retient des données de performance ou des limites du système.

Le même problème se pose lorsqu’une administration constate des résultats discriminatoires. Elle doit avoir le pouvoir de tester le système, d’obtenir les dossiers pertinents et d’exiger des mesures correctives.

Un contrat de service standard d’un fournisseur peut restreindre l’ingénierie inverse, l’évaluation comparative ou la publication des résultats de tests. Ces restrictions peuvent entrer en conflit avec les obligations de contrôle d’une administration.

Les États doivent négocier des droits de test avant le déploiement. Ils devraient couvrir les évaluations indépendantes, l’analyse des performances selon les groupes démographiques, les examens de sécurité et les enquêtes déclenchées par des plaintes d’habitants.

Le contrat doit également préciser ce qui se passe lorsque les tests identifient un préjudice. Les options comprennent des délais de correction, la suspension de l’utilisation, un examen humain supplémentaire, un remboursement et une résiliation sans coûts de sortie punitifs.

La supervision humaine ne résout pas tous les problèmes. Un agent ne peut pas examiner de manière significative une recommandation d’IA sans disposer d’un contexte suffisant pour la remettre en question.

Une interface qui affiche un score et un bouton « approuver » peut transformer l’examen humain en simple formalité. Les administrations ont besoin d’explications, d’indicateurs d’incertitude et de l’autorisation de rejeter les recommandations automatisées.

L’État possède donc la responsabilité publique, quel que soit le propriétaire du logiciel. Cette réalité devrait guider chaque droit technique et contractuel qu’il demande.

Les véritables adversaires sont le contrôle public et la dépendance envers les fournisseurs

Le combat central n’oppose pas un État à un autre ; il oppose le contrôle public à la dépendance envers des systèmes que les administrations ne peuvent ni déplacer ni inspecter.

Les fournisseurs ont besoin de produits réutilisables pour servir de nombreux clients. Construire un modèle, une pile d’infrastructure et un processus opérationnel distincts pour chaque État augmenterait les coûts et ralentirait le déploiement.

Les États bénéficient aussi de plateformes commerciales partagées. Un fournisseur établi peut offrir des équipes de sécurité, des mises à jour fréquentes, des ingénieurs spécialisés et des intégrations éprouvées qu’une seule administration ne peut pas maintenir seule.

Le danger ne réside pas dans la participation privée elle-même. Il s’agit de l’enfermement propriétaire, qui survient lorsque changer de fournisseur devient techniquement, juridiquement ou financièrement irréalisable.

L’IA peut accentuer cet enfermement parce que le système évolue au fil de son utilisation. Les administrations ajoutent des prompts, des documents de politique publique, des flux de travail, des étiquettes, des corrections et des résultats d’évaluation.

Ces ajouts peuvent devenir partie intégrante du service déployé. S’ils ne peuvent pas être exportés, l’État perd les connaissances opérationnelles accumulées lorsqu’il le quitte.

Une migration de base de données classique se concentre généralement sur les tables, les fichiers et les schémas. Une migration d’IA peut aussi nécessiter des embeddings, des paramètres de récupération, des règles de sécurité, des modèles de prompts, des jeux d’évaluation et des intégrations propres au modèle.

Un système de récupération recherche des informations approuvées avant qu’un modèle ne génère sa réponse. Son utilité dépend du traitement des documents, des contrôles d’accès, des paramètres de classement et des retours recueillis au fil du temps.

Le langage relatif à la propriété doit couvrir ces composants séparément. Sinon, un fournisseur peut restituer les documents originaux tout en conservant la configuration qui les rendait utiles.

Ce défi ressemble à la différence entre posséder des livres et posséder un catalogue fonctionnel. Le contenu reste techniquement disponible, mais l’accès pratique s’effondre lorsque le système d’organisation disparaît.

Les équipes qui gèrent déjà de grandes collections de documents comprennent cette distinction. Une base de connaissances consultable dépend de la structure, des autorisations et de la qualité de récupération, et non de la seule possession des fichiers.

Le gouvernement fédéral a commencé à traiter le même enjeu d’achat public. Une étude du GAO publiée en avril 2026 a examiné les acquisitions d’IA dans plusieurs grandes agences.

Des responsables des cinq agences sélectionnées ont identifié la propriété des données et les droits de propriété intellectuelle comme des difficultés. Le GAO a souligné la nécessité de garantir la portabilité, des licences claires, la transparence des prix et des protections contre l’enfermement propriétaire.

La portabilité ne se résume pas au téléchargement d’une feuille de calcul. L’État doit obtenir les données dans des formats documentés, ainsi que les relations et métadonnées nécessaires pour les réutiliser.

La portabilité des modèles est plus difficile. Un modèle propriétaire peut ne pas être transférable vers un autre cloud ou fournisseur. Dans ce cas, le contrat devrait préserver les couches créées par l’État qui l’entourent.

Ces couches peuvent inclure des prompts, des cas d’évaluation, des règles métier, des instructions système, des définitions de flux de travail et des historiques de performance. Leur conservation réduit le coût du remplacement du modèle central.

Les États devraient également éviter de considérer chaque amélioration comme la propriété du fournisseur. Un agent public peut passer des mois à corriger des résultats et à élaborer des instructions spécialisées.

Un contrat équitable peut distinguer les améliorations apportées au produit général du fournisseur des configurations créées pour l’administration. Il peut également accorder aux deux parties une licence sur les travaux développés conjointement.

L’utilisation des données exige une précision comparable. Les informations publiques utilisées pour exploiter un service ne devraient pas automatiquement devenir du matériel d’entraînement pour le modèle général d’un fournisseur.

Une interdiction d’entraînement doit définir l’entraînement de manière suffisamment large pour avoir un effet réel. Elle devrait couvrir le fine-tuning, l’évaluation, l’analytique produit, la création de données synthétiques et la revue humaine.

Le fine-tuning adapte un modèle à l’aide d’exemples supplémentaires. Même lorsque les fournisseurs ne réentraînent pas un modèle de fondation, ils peuvent encore tirer une valeur commerciale des interactions avec les administrations.

Le contrat devrait identifier les finalités autorisées plutôt que de s’appuyer uniquement sur des restrictions vagues. Il devrait préciser si les données peuvent servir à la sécurité, à l’amélioration du service, à la détection des abus ou au développement de nouveaux produits.

Les sous-traitants doivent respecter les mêmes limites. Le prestataire principal d’un État peut s’appuyer sur un hébergeur cloud, un développeur de modèles, une entreprise de supervision et un service de revue humaine.

Chaque participant peut créer une copie, un journal ou un artefact dérivé supplémentaire. Les protections de propriété s’affaiblissent si elles ne s’appliquent qu’au fournisseur mentionné sur la page de couverture.

Les États peuvent réagir au moyen de clauses standard et d’achats coopératifs. Un langage partagé réduit les coûts de négociation et évite aux administrations de résoudre indépendamment le même problème.

Toutefois, la standardisation devrait fixer un minimum, et non effacer les différences entre les cas d’usage. Un assistant de rédaction destiné aux communications publiques présente des risques différents d’un système influençant l’éligibilité à Medicaid.

La question de la propriété devrait suivre les conséquences. Les déploiements à plus haut risque exigent un accès d’audit renforcé, une conservation plus longue, des dossiers de recours plus clairs et des droits de suspension plus rapides.

Les cinquante États élaborent des règles à des rythmes différents

Le patchwork État par État reflète des institutions, budgets, lois et tolérances au risque différents, plutôt que 50 cadres complets de propriété.

L’expression « 50 États, 50 façons de faire » peut laisser entendre que chaque État a arrêté son approche. Les éléments disponibles montrent une situation moins ordonnée.

Certains États disposent de politiques centralisées sur l’IA ou ont désigné des responsables de supervision. D’autres s’appuient sur les règles existantes en matière de confidentialité, de cybersécurité, de marchés publics et d’accès aux documents publics.

Beaucoup élaborent encore leur langage contractuel. La National Conference of State Legislatures a indiqué qu’une enquête de 2024 avait révélé que seulement 9 % des répondants disposaient de conditions préférées pour l’acquisition d’IA.

62 % supplémentaires développaient ce type de langage, tandis que 29 % n’avaient pas commencé. Ces chiffres décrivent une transition, non un système national mature.

La vue d’ensemble de l’IA gouvernementale de la NCSL a également documenté une attention croissante portée aux inventaires, aux évaluations, aux orientations destinées aux employés et aux normes d’acquisition.

Les inventaires répondent à une question fondamentale : où l’IA est-elle utilisée ? Un gouvernement ne peut pas contrôler les systèmes qu’il n’a pas identifiés.

Même une politique centrale solide peut manquer des outils achetés par des agences individuelles. Des fonctionnalités d’IA peuvent aussi arriver par de simples mises à jour logicielles, sans nouveau processus d’acquisition.

Une plateforme de service client peut ajouter des résumés automatisés. Un système de ressources humaines peut introduire un classement des candidats. Un produit de gestion de dossiers peut ajouter des recommandations prédictives.

L’État pourrait ne jamais publier d’appel d’offres intitulé « intelligence artificielle ». Les conditions de propriété et de supervision doivent donc s’appliquer lorsque l’IA est introduite par des mises à niveau, des sous-traitants ou des fonctionnalités intégrées.

Les contrats devraient exiger un préavis avant qu’un fournisseur active une fonctionnalité d’IA importante. Les agences doivent ensuite avoir le droit de l’évaluer, de la refuser ou de négocier des garanties supplémentaires.

Une fonctionnalité importante est une fonctionnalité qui modifie l’usage des données, l’influence sur les décisions, le risque ou les coûts d’exploitation. Les améliorations mineures de l’interface ne nécessiteraient pas le même examen.

Les structures des États influencent également leur capacité à imposer ces conditions. Un bureau technologique centralisé peut établir des exigences partagées entre les agences. Un État décentralisé peut dépendre de départements individuels et de responsables des marchés publics.

La capacité budgétaire compte aussi. Les grands États peuvent recruter des juristes spécialisés, des professionnels de la sécurité et des data scientists. Les petites juridictions peuvent s’appuyer davantage sur la documentation des fournisseurs.

Cette disparité renforce l’argument en faveur de ressources publiques partagées. Des clauses types, des modèles d’évaluation et des définitions d’incidents peuvent aider sans imposer à chaque État une politique identique.

La National Association of State Procurement Officials affirme que des achats réussis exigent une collaboration entre les équipes chargées des marchés publics, de la technologie, du droit, de la confidentialité et des programmes. Ses orientations en matière d’acquisition soulignent également l’importance du suivi après l’attribution du marché.

Cette approche transversale est essentielle, car aucun service ne voit l’ensemble du risque. Les équipes chargées des marchés publics comprennent le levier contractuel, tandis que les équipes de programme comprennent les décisions soutenues.

Les équipes technologiques évaluent l’architecture et la portabilité. Les responsables de la confidentialité examinent l’utilisation des données. Les spécialistes des droits civiques évaluent si le système peut produire des résultats inéquitables.

Les juristes des États interprètent les lois sur les documents publics et les exigences de procédure régulière. Les équipes de sécurité déterminent si les journaux, les intégrations et l’accès aux modèles créent de nouvelles voies d’attaque.

Le processus devient plus lent lorsque chaque question arrive tardivement. Il s’accélère lorsque les agences établissent les exigences de propriété avant que les fournisseurs ne soumettent leurs propositions.

Des exigences claires peuvent également aider les fournisseurs. Les entreprises peuvent chiffrer précisément les droits demandés et éviter des mois de négociations incertaines.

Le patchwork actuel constitue donc à la fois un risque et un terrain d’expérimentation. Les États découvrent quelles clauses fonctionnent grâce aux projets pilotes, aux litiges, aux audits et aux renouvellements de contrats.

Toutefois, l’expérimentation a ses limites lorsque les résidents en supportent les conséquences. Un chatbot défaillant est gênant. Un système opaque d’éligibilité peut refuser une aide alimentaire, médicale ou au logement.

Les États ont besoin d’un socle commun pour les usages ayant des conséquences importantes. Ce socle devrait inclure des résultats traçables, un accès d’audit, la portabilité des données, le signalement des incidents et des droits de sortie exécutoires.

Au-dessus de ce socle, les États peuvent adapter leur gouvernance à leurs lois et institutions locales. L’uniformité est moins importante que la garantie qu’aucun déploiement ne laisse la responsabilité sans preuves.

Ce que le langage de propriété ne peut toujours pas garantir

Des contrats solides créent un levier, mais ils ne rendent pas un système d’IA exact, équitable, sûr ou compréhensible.

Un État peut posséder chaque enregistrement généré tout en déployant un système médiocre. Il peut obtenir le code source sans disposer d’employés capables de l’évaluer.

La capacité technique demeure une contrainte majeure. Le GAO a constaté que les équipes fédérales chargées des acquisitions avaient du mal à accéder à des data scientists et à des experts en cybersécurité. Les agences étatiques et locales font souvent face à des limites de personnel plus strictes.

La documentation des fournisseurs peut aider, mais elle ne constitue pas une preuve indépendante. Les affirmations relatives aux performances devraient être testées à l’aide de la population, de la qualité des données, du flux de travail et des conditions d’exploitation de l’agence.

Un modèle performant en laboratoire peut échouer après son déploiement. Les politiques évoluent, le comportement des résidents change, les données sources se dégradent et les fournisseurs mettent à jour les modèles sous-jacents.

Ce processus est souvent appelé dérive du modèle. Il décrit une baisse ou une évolution des performances à mesure que la relation entre les données et les résultats réels évolue.

Les systèmes génératifs ajoutent une autre forme de changement. Un fournisseur peut remplacer un modèle de fondation tout en conservant le même nom de produit et la même interface.

Le nouveau modèle peut répondre différemment à des prompts identiques. Sans enregistrements de version et avis de modification, l’agence ne peut pas relier un comportement modifié à la mise à jour.

Les contrats devraient exiger un préavis pour les changements importants. Ils devraient également donner aux agences le temps de tester les mises à jour avant une utilisation en production à haut risque.

Toutefois, les tests ont leurs limites. Des défaillances rares peuvent échapper aux benchmarks, tandis que les préjudices sociaux peuvent ne pas apparaître dans les scores globaux de précision.

Un taux de précision global peut masquer de grandes différences entre les groupes démographiques. Il peut également dissimuler si les erreurs touchent principalement des personnes déjà confrontées à des obstacles.

La propriété ne résout pas ces choix de mesure. Les agences doivent décider quels résultats comptent et quels taux d’erreur sont acceptables.

La transparence publique crée un autre compromis. Les résidents méritent des informations utiles sur les systèmes qui les affectent. Les fournisseurs cherchent légitimement à protéger leurs méthodes propriétaires et les détails sensibles pour la sécurité.

La publication du code source n’est pas toujours nécessaire ni suffisante. Une divulgation plus utile peut identifier l’objectif du système, les catégories de données, son rôle décisionnel, ses limites connues, le fournisseur et le processus de recours.

Les agences devraient publier suffisamment d’informations pour que les personnes concernées comprennent le rôle du système. Les évaluateurs indépendants ont également besoin d’un accès contrôlé à des éléments techniques plus approfondis.

L’absence d’un contrat visible ne prouve pas un abus. De même, l’existence d’un contrat ne prouve pas un déploiement responsable.

Les recherches de l’EPIC ont soulevé des inquiétudes concernant le transfert de décisions vers des systèmes privés sans participation publique adéquate. Cette critique ne devrait pas être généralisée en affirmant que chaque système d’IA sous contrat est illégal ou nuisible.

De nombreux outils effectuent des tâches administratives à faible risque. Ils peuvent résumer des documents internes, acheminer des demandes de service, détecter des enregistrements en double ou aider les employés à trouver des politiques.

Le risque change lorsque l’IA détermine des faits, classe des personnes, recommande des mesures d’exécution ou façonne l’accès aux services publics. Les garanties de propriété devraient augmenter avec cette influence.

Le mot-clé principal appelle lui-même à la prudence. Un titre vu dans Google News constitue un point de découverte, pas le dossier probant complet.

L’agrégation peut réduire une question complexe à une interrogation provocatrice. Les lecteurs devraient suivre les reportages sous-jacents et examiner les contrats, lois, audits et politiques d’agence officiels.

La visibilité dans les résultats de recherche n’établit pas non plus un consensus national. Les éléments disponibles étayent un paysage d’acquisition fragmenté, non un ensemble littéral de 50 modèles de propriété finalisés.

La conclusion la plus défendable est plus limitée. Les gouvernements des États déploient l’IA dans des systèmes juridiques et administratifs différents, tandis que de nombreuses règles de propriété restent non tranchées.

Les contrats peuvent combler une partie de cette lacune. Ils ne peuvent pas remplacer un personnel compétent, une supervision continue, un avis public ou un processus de correction des décisions préjudiciables.

Trois signaux montreront qui contrôle réellement l’IA des États

Le contrôle devient visible lors des changements de modèle, des contestations publiques et des sorties de contrat, et non lors d’une démonstration de produit soignée.

Le premier signal est la diffusion de clauses contractuelles standard relatives à l’IA. Les États devraient publier ou partager un langage couvrant les données gouvernementales, les résultats générés, les journaux d’audit, les restrictions d’entraînement, la portabilité et la suppression.

Des clauses standard montreraient que la propriété est passée d’une politique générale à des marchés publics exécutoires. Leur absence laisserait les agences négocier des droits essentiels, contrat par contrat.

Le deuxième signal concerne la manière dont les États gèrent les changements de fournisseurs et de modèles. Les administrations ont besoin d’inventaires qui recensent les fonctionnalités d’IA intégrées, les versions déployées, les mises à jour et les responsables désignés.

Surveillez les exigences imposant aux fournisseurs de notifier à l’avance les changements importants. Vérifiez également si les administrations peuvent tester les mises à jour avant qu’elles n’affectent les usagers.

Lorsque les États documentent ces transitions, ils renforcent l’idée que les institutions publiques conservent le contrôle. Des changements silencieux l’affaibliraient.

Le troisième signal concerne ce qui se passe au moment du renouvellement ou de la résiliation. Un véritable test de sortie doit établir si une administration peut récupérer ses dossiers et déplacer ses flux de travail essentiels ailleurs.

Ce test doit inclure les prompts, les configurations, les évaluations, les journaux et la documentation. Exporter uniquement les documents sources ne permettrait pas de recréer le système opérationnel.

Les États devraient également vérifier la suppression des données après la migration. Ce processus doit couvrir les bases de données actives, les sauvegardes, les artefacts dérivés et les sous-traitants concernés.

Ces signaux comptent davantage que les déclarations selon lesquelles un État « possède ses données ». La propriété ne prend tout son sens que lorsque l’administration peut inspecter, gouverner, transférer et préserver ce dont elle a besoin.

Les habitants devraient surveiller les inventaires publics d’IA, les évaluations d’impact, les résumés de contrats et les procédures de recours. Les journalistes peuvent comparer ces documents avec les registres d’achat et le comportement des systèmes.

Les acheteurs publics devraient demander aux fournisseurs de démontrer la portabilité avant l’attribution du marché. Un export d’exemple peut révéler les champs manquants et les dépendances propriétaires avant qu’ils ne deviennent coûteux.

Les équipes technologiques devraient maintenir des jeux d’évaluation contrôlés par l’administration. Il s’agit de collections de cas représentatifs utilisées pour tester les performances entre différentes versions et différents fournisseurs.

Les responsables de programme devraient définir les dossiers nécessaires pour expliquer les résultats individuels. Les équipes juridiques peuvent ensuite relier ces dossiers aux exigences de conservation, de divulgation et de recours.

Les fournisseurs ont également une opportunité. Les entreprises qui offrent un accès crédible aux audits et des sorties praticables peuvent se différencier des prestataires fondés sur la dépendance.

Google News continuera de mettre en avant des articles sur les politiques d’IA des États, les lancements et les différends. Les preuves décisives resteront dans les contrats et les registres opérationnels.

La prochaine question pour chaque administration est concrète : peut-elle expliquer un résultat passé, tester un nouveau modèle et quitter son fournisseur sans perdre sa mémoire institutionnelle ?

Si la réponse est non, l’État ne contrôle pas le déploiement de la manière qui compte. Il a simplement l’autorisation de l’utiliser.

Les responsables publics, les fournisseurs et les habitants devraient exiger une réponse plus claire avant que les systèmes aux conséquences importantes ne changent d’échelle. Suivez les contrats qui se cachent derrière le prochain titre de Google News, puis demandez qui peut auditer, transférer et arrêter le système.