Le Canada n’a pas besoin d’un modèle national parfait pour atteindre la souveraineté en IA

Un mauvais critère de pureté maintient la dépendance du Canada

L’escalade commerciale immédiate concerne les marchandises, et non un tarif documenté sur les appels ordinaires d’inférence d’IA. L’ACEUM demeure juridiquement en vigueur. L’argument de souveraineté porte ici sur un contrôle et un choix durables, pas sur l’affirmation que les jetons d’IA seraient soudainement frappés d’un droit de douane.

Le débat sur la souveraineté commence souvent par un piège : à moins qu’un modèle ait été recherché, entraîné, financé, détenu et exploité entièrement au Canada, il ne compterait pas. Selon cette définition, presque aucun système informatique moderne n’est souverain. Les processeurs graphiques, les micrologiciels, les réseaux, les bibliothèques, les systèmes d’exploitation et les composants des modèles traversent les frontières.

Une stratégie sérieuse ne cache pas ces dépendances. Elle détermine celles que le Canada doit contrôler, celles qu’il peut diversifier et celles qu’il peut accepter avec des mesures de protection. Le Canada ne fabrique peut-être pas l’accélérateur et n’est peut-être pas à l’origine de tous les poids, mais une organisation canadienne peut tout de même contrôler où l’inférence s’exécute, qui peut l’exploiter, quelles données y entrent, ce qui est conservé, quelles clés la déverrouillent et comment le système est remplacé.

Cette approche cadre avec la politique fédérale. La Stratégie nationale en matière d’intelligence artificielle du Canada, lancée le 4 juin 2026, fait de la puissance de calcul souveraine, de l’infonuagique, de la connectivité, des données et du talent un pilier national. Elle indique qu’une grande partie des fondations actuelles se trouve au-delà des frontières canadiennes et qualifie cette dépendance d’exposition stratégique. La stratégie appuie aussi l’adoption responsable de l’IA à code source ouvert et souligne la valeur d’outils adaptables et du déploiement sur place lorsque la confidentialité, la sécurité ou les données sensibles entrent en jeu.

Une définition utile de l’inférence souveraine

Le Programme d’infrastructure de calcul souveraine pour l’intelligence artificielle du gouvernement fédéral définit une infrastructure souveraine comme étant située et gouvernée au Canada, la résidence des données, le contrôle opérationnel et le pouvoir décisionnel demeurant au pays. Cette définition est plus exigeante que le simple choix d’une région infonuagique canadienne, et plus réaliste que l’obligation de faire provenir chaque transistor et chaque ligne de code du Canada.

Pour l’inférence en entreprise, la définition devient une série de questions vérifiables :

• Où résident les requêtes, les fichiers, les plongements vectoriels, les passages récupérés, les résultats, les journaux et les sauvegardes?
• Quelle entité juridique exploite le service, et quelles autorités peuvent lui imposer leurs exigences?
• Qui dispose d’un accès privilégié aux modèles, au stockage, aux réseaux et aux clés de chiffrement?
• La télémétrie ou les données de soutien quittent-elles la frontière déclarée?
• Le client peut-il exporter ses données, son jeu d’évaluation, ses requêtes, sa configuration et sa couche de recherche documentaire?
• Un autre modèle ou un environnement d’exécution compatible peut-il remplacer le modèle actuel sans devoir reconstruire le processus d’affaires?

Un déploiement n’est pas souverain parce qu’une page commerciale l’affirme. Il mérite ce qualificatif en répondant à ces questions dans son architecture, ses opérations et son contrat.

Pourquoi les poids ouverts changent ce qui est possible

Une API d’IA propriétaire classique expose un service tout en laissant les poids du modèle et la pile de service sous le contrôle du fournisseur. Un modèle à poids ouverts rend ses paramètres entraînés accessibles sous licence. Cette disponibilité peut permettre à un exploitant ou à un client canadien de télécharger le modèle et d’exécuter l’inférence sur l’infrastructure de son choix.

Cela crée plusieurs leviers. L’organisation peut évaluer le modèle sur des tâches privées, l’isoler de l’Internet public, le relier à un système interne de recherche documentaire, contrôler les mises à jour, examiner les besoins en ressources et préserver une voie vers une autre plateforme de service. Un modèle plus petit peut être affecté à une tâche prévisible au lieu d’envoyer chaque requête au plus grand système disponible.

Mais « poids ouverts » n’est pas synonyme de « code source ouvert ». Certaines licences sont permissives; d’autres imposent des conditions d’utilisation acceptable, une attribution, des seuils de revenus, des règles de marque, des limites de redistribution ou des restrictions sur les services hébergés. Le modèle peut aussi dépendre de données propriétaires, de choix d’entraînement non documentés ou de logiciels étrangers. Chaque candidat exige un examen de sa licence, de sa sécurité, de sa provenance et de sa chaîne d’approvisionnement.

Utilisez le comparatif daté des modèles à poids ouverts de D-Central pour dresser une liste restreinte, puis évaluez-la en fonction du travail de l’organisation. Les classements changent rapidement, et les notes globales d’intelligence ne prouvent pas le rendement sur un corpus juridique, le soutien à la clientèle en français, des manuels techniques, une base de code ou une tâche d’extraction contrôlée.

Trois modèles pratiques de déploiement au Canada

Aucune approche n’est automatiquement la meilleure. Une architecture d’IA privée devrait tenir compte de la sensibilité des données, de la forme de la charge de travail, des besoins de disponibilité, des capacités internes et des réalités économiques. De nombreuses organisations adopteront une approche hybride : des modèles locaux ou hébergés au Canada pour les travaux sensibles et répétitifs, et une API de pointe pour les tâches approuvées qui exigent ses capacités.

Local ne signifie pas sécuritaire par défaut

Le Centre canadien pour la cybersécurité recommande des contrôles qui s’appliquent peu importe l’origine du modèle : réduire au minimum les renseignements personnels dans les requêtes, chiffrer les données en transit et au repos, appliquer des contrôles d’accès et des limites de conservation, empêcher l’utilisation non autorisée pour l’entraînement, exiger la transparence et des droits d’audit, encadrer l’IA fantôme, tester les injections de requêtes, valider les modèles et leurs dépendances, puis maintenir une révision humaine pour les décisions à forte incidence.

Un modèle local peut être compromis, mal configuré, empoisonné, doté de permissions excessives ou simplement se tromper. Un fichier de modèle peut transporter une charge malveillante. Un système de recherche documentaire peut exposer des dossiers au-delà des limites d’autorisation. Un agent peut exécuter une instruction dangereuse. La souveraineté confère la capacité et la responsabilité de gouverner ces risques; elle ne les fait pas disparaître.

Ce que le Canada devrait bâtir maintenant

Le Canada a besoin de plus que quelques superordinateurs phares. Il lui faut une capacité d’inférence distribuée que les entreprises canadiennes peuvent réellement acheter et exploiter : de petits systèmes privés, des grappes d’entreprise, des points d’accès gérés au Canada, des exploitants compétents, l’évaluation de modèles, l’intégration, les réseaux, la gestion thermique, la réparation et des voies de sortie claires.

C’est la couche que D-Central est qualifiée pour aider à bâtir. Nous possédons une expérience pratique du matériel informatique à haute densité et des systèmes physiques qui assurent son fonctionnement au Québec. Nous pouvons aider une organisation à déterminer si une charge de travail convient à l’inférence locale, à définir l’infrastructure appropriée, à comparer les modèles candidats et à concevoir une voie hébergée au Canada ou sur place sans inventer des certifications, une capacité ou des niveaux de service qui n’ont pas été conçus et convenus.

Le Canada n’a pas à posséder chaque modèle pour décider où son intelligence s’exécute.

La décision stratégique consiste à utiliser des poids ouverts lorsqu’ils répondent au besoin, à garder les données et la frontière opérationnelle sous un contrôle canadien réel, à documenter les dépendances étrangères qui demeurent et à préserver le choix du modèle. C’est réalisable dès maintenant.

Foire aux questions

Un modèle d’IA souverain doit-il être conçu au Canada?

Pas selon toutes les définitions ni pour tous les cas d’usage. L’origine du modèle compte, particulièrement pour les capacités stratégiques des modèles de fondation, mais l’inférence peut tout de même être située et gouvernée au Canada lorsqu’un modèle dûment licencié est exploité dans une frontière sous contrôle canadien.

Les modèles à poids ouverts sont-ils égaux aux modèles propriétaires de pointe?

Un modèle à poids ouverts peut parfois égaler ou surpasser un modèle propriétaire pour une tâche donnée. Ce n’est pas une affirmation universelle. Les résultats dépendent du modèle, de l’évaluation, de la langue, de la tâche, du contexte, de la configuration de service et de la date.

L’inférence sur place est-elle toujours le choix le plus souverain?

Elle peut offrir le contrôle organisationnel le plus fort, mais seulement si l’organisation peut la sécuriser et l’exploiter. Un déploiement canadien géré et bien gouverné peut être plus sûr et plus fiable qu’un serveur mal entretenu sous un bureau.

Sources primaires consultées le 24 août 2026 : Stratégie nationale du Canada en matière d’intelligence artificielle; guide du Programme d’infrastructure de calcul souveraine pour l’intelligence artificielle; Stratégie canadienne sur la capacité de calcul souveraine pour l’IA; gouvernement du Canada, Souveraineté des données et infonuagique publique; Centre canadien pour la cybersécurité, Les 10 mesures de sécurité à prendre pour utiliser l’IA.