Mistral : Arthur Mensch dénonce les risques des IA propriétaires

Mistral : Arthur Mensch dénonce les risques des IA propriétaires

Le PDG de Mistral, Arthur Mensch, plaide en faveur de l'IA open-source. Dans un post sur LinkedIn, il met en garde les entreprises contre la dépendance aux modèles d'IA fermés.

Mensch affirme que les entreprises qui vendent des modèles fermés stockent de plus en plus de données, leur offrant ainsi un aperçu des processus commerciaux de leurs clients. Selon lui, certains laboratoires d'IA "ont un historique de ciblage de leurs clients les plus performants grâce à ces informations".

Il conseille aux entreprises de conserver leurs données dans des systèmes ouverts, de définir leurs propres règles d'accès pour l'IA et de construire leurs propres modèles d'entraînement, même si "ces efforts peuvent sembler décourageants". "L'IA de pointe peut accélérer la croissance de votre entreprise, mais si elle n'est pas entre vos mains, ce ne sera pas votre croissance", écrit Mensch.

Les commentaires de Mensch font écho à des remarques similaires du PDG de Palantir, Alex Karp, qui a également exhorté les entreprises à construire leurs propres modèles d'IA plutôt que de s'appuyer sur des solutions propriétaires externes. Palantir a également publié un manifeste pour une IA sécurisée dans les affaires. Parmi d'autres points, il est écrit : "Contrôler vos poids, c'est contrôler votre destin. Les poids sont la forme distillée de la connaissance institutionnelle durement acquise. Si vous laissez d'autres contrôler vos poids, vous leur permettez de transférer l'alpha de votre entreprise vers la leur."

Les arguments de Mensch sont valables, mais ils nécessitent un contexte. Mistral est la seule entreprise de l'UE disposant de modèles d'IA pertinents, et elle ne peut vraiment pas rivaliser avec des modèles de premier plan comme GPT-5.6 Sol ou Fable 5 en termes de performance brute. Le modèle commercial de Mistral repose fortement sur la souveraineté de l'UE, car c'est là que l'entreprise a le plus à gagner, même si environ 30 % de ses actions sont détenues par des investisseurs américains. De plus, de grands modèles d'IA à usage général ont également régulièrement surpassé des modèles spécialisés sur des benchmarks spécialisés, tant que la connaissance du domaine pertinent faisait partie des données d'entraînement. Mensch défend ici ses propres intérêts.

Cependant, une expérience récemment publiée sur l'analyse de documents financiers soutient en partie son propos. La connaissance interne des experts qui n'était pas incluse dans les données d'entraînement des grands modèles peut fournir un avantage.

Le fonds spéculatif Bridgewater et Thinking Machines Lab, la startup fondée par l'ancienne CTO d'OpenAI, Mira Murati, ont affiné le modèle open-source Qwen3-235B en utilisant leurs propres évaluations d'investisseurs. Selon leur propre évaluation, le modèle affiné a atteint une précision de 84,7 % sur des documents financiers, tandis que le meilleur modèle de pointe a atteint 78,2 %. Les coûts d'exploitation étaient près de 14 fois inférieurs.

Ce n'était pas une comparaison indépendante, et les deux entreprises ont un intérêt à vendre leurs produits. C'est aussi juste un instantané. Des entreprises comme Anthropic ou OpenAI pourraient simplement acheter ce type de données pour un entraînement futur ou les générer elles-mêmes, ce qui les remettrait probablement en tête.