Récents incidents chez Google et Anthropic ont mis en lumière les risques croissants liés à l’utilisation de l’intelligence artificielle (IA) en tant qu’interface de programmation applicative (API) publique. Ces événements ont mis à l’épreuve la résilience des entreprises qui dépendent de services d’IA hébergés, de plus en plus centraux dans leurs opérations. Dans un premier cas, le modèle Gemini de Google a été temporairement coupé, perturbant des chaînes de production pendant la nuit, sans que les clients n’aient commis la moindre erreur. Peu après, les derniers modèles d’Anthropic, Fable 5 et Mythos 5, sont devenus inaccessibles en raison d’une restriction d’exportation d’urgence imposée par le gouvernement américain aux non-Américains. Une situation similaire a touché la série GPT-5.6 d’OpenAI, réservée à un groupe restreint de clients américains pour des raisons politiques, avant d’être retirée. Pour les entreprises en France, ces épisodes rappellent les inquiétudes liées à des lois nationales comme le Cloud Act ou d’autres réglementations extraterritoriales, qui complexifient le contrôle des données et la conformité. La disponibilité des services d’IA est devenue imprévisible en raison de facteurs externes, faisant de la résilience, du contrôle et de la prévisibilité des enjeux critiques pour les entreprises. Le vrai problème ne réside pas dans la technologie IA elle-même, mais dans la capacité des entreprises à absorber des perturbations telles que les tensions géopolitiques, les pannes mondiales ou les changements opaques de disponibilité et de tarification des produits. Ces défis impactent directement la stabilité des activités. La question des coûts se pose souvent trop tard dans les projets d’IA. Les modèles de tarification basés sur l’usage semblent initialement économiques, surtout lorsque l’adoption de l’IA reste limitée. Cependant, une fois l’IA largement déployée, notamment avec l’utilisation d’agents IA, les dépenses peuvent rapidement devenir incontrôlables. GitHub Copilot, par exemple, est passé à un système de facturation par token, entraînant de nombreux développeurs à dépasser leur budget avec une utilisation auparavant considérée comme normale. De même, Uber a épuisé son budget 2026 pour les outils de développement et les tokens d’IA générative, comme Claude Code, en seulement quatre mois. Ces cas illustrent à quel point les coûts opaques peuvent rapidement devenir un fardeau pour des équipes entières. La sécurité des données constitue un autre enjeu majeur lors de l’utilisation de modèles d’IA hébergés. La protection des données, la divulgation d’informations sensibles de l’entreprise et les risques liés à la propriété intellectuelle doivent être gérés avec soin. Selon le Stanford AI Index Report 2025, le nombre d’incidents liés à l’IA a augmenté de 56,4 % en un an. Par ailleurs, l’utilisation d’API publiques rend difficile le traçage des données d’entraînement et de validation, ainsi que l’origine de l’infrastructure, une exigence pour les systèmes d’IA « à haut risque » encadrés par l’AI Act et surveillés par la CNIL en France dans le cadre du RGPD. Les contrats avec les fournisseurs surestiment souvent leur capacité à prévenir les pannes ou les restrictions d’accès liées à des facteurs géopolitiques. C’est pourquoi la qualification SecNumCloud vise à protéger les données sensibles des législations non européennes. L’IA privée offre une alternative plus sûre et mieux maîtrisée. Contrairement aux modèles d’IA publics, l’IA privée conserve toutes les données au sein du domaine souverain de l’entreprise, que l’infrastructure soit hébergée dans un cloud public, un cloud souverain, sur site ou dans un cloud privé au sein d’un data center. Cette approche renforce la sécurité, protège la propriété intellectuelle et garantit la traçabilité et l’auditabilité des données, des aspects de plus en plus importants à l’ère de la souveraineté numérique. Les entreprises conservent le contrôle sur la disponibilité, la gouvernance et les coûts, essentiels pour une stabilité et une rentabilité à long terme. Bien que l’IA privée puisse nécessiter un investissement initial plus lourd, elle s’avère souvent plus économique sur le long terme, avec une dépendance réduite aux fournisseurs et des dépenses prévisibles. Les modèles d’IA publics restent une option, mais ne sont pas une nécessité pour les entreprises souhaitant déployer l’IA à grande échelle. Comme le montrent les exemples de Google, Anthropic et OpenAI, la dépendance aux modèles publics comporte des risques récurrents tels que les pannes, les restrictions d’accès ou les interférences géopolitiques. L’IA privée, en revanche, permet aux entreprises d’opérer de manière autonome, à l’abri des perturbations extérieures, offrant ainsi une base plus stable et sécurisée pour une intégration durable de l’IA.