Le passage d’Eric Schmidt de Google Search à la stratégie sur l’IA

Pourquoi Eric Schmidt compte dans le débat sur les politiques d’IA

Eric Schmidt compte dans les politiques d’IA parce que son parcours relie l’exploitation d’une plateforme technologique mondiale à l’effort de construction d’une capacité technologique nationale. Son influence ne vient ni d’un mandat électif ni de la rédaction de réglementations. Elle vient de sa capacité à traduire des problèmes d’ingénierie, d’investissement et d’organisation en recommandations que les responsables publics peuvent financer, attribuer et mesurer.

Cette distinction permet de rester concentré sur le sujet. Les années de Schmidt chez Google expliquent pourquoi les responsables l’écoutent, mais il ne s’agit ni d’une biographie ni d’une histoire de la recherche en ligne. La question pertinente est de savoir comment son expérience des données, des infrastructures, des talents techniques et de l’itération rapide de produits a nourri ses travaux ultérieurs sur la sécurité nationale et l’intelligence artificielle.

Une stratégie nationale sur l’IA est le plan coordonné d’un gouvernement pour la recherche, l’adoption commerciale, l’usage dans le secteur public, la sécurité et la supervision. Elle couvre le financement des universités, l’immigration qualifiée, l’approvisionnement en semi-conducteurs, les centres de données, l’énergie, les achats publics, les normes techniques, la préparation de la main-d’œuvre et la coopération internationale. Elle doit aussi décider quand des restrictions se justifient, qui porte la responsabilité en cas d’échec et comment les citoyens peuvent contester des décisions automatisées préjudiciables.

Quatre débats traversent les travaux publics de Schmidt :

• L’innovation concerne la recherche, la création d’entreprises, la vitesse de déploiement et l’accès au capital et au calcul.
• La sécurité couvre l’adoption par la défense, les opérations cyber, le renseignement, la protection des modèles et les capacités dangereuses à double usage.
• La gouvernance attribue les responsabilités au moyen des tests, de la documentation, de la surveillance, de la responsabilité juridique et des recours.
• La concurrence porte sur la relation entre les États-Unis et la Chine, la coordination avec les alliés, les puces avancées, les normes techniques et les talents.

Ces débats se recoupent, mais ne sont pas interchangeables. Une politique qui augmente la capacité de calcul nationale peut soutenir la recherche et la défense tout en accentuant la pression sur les réseaux électriques. Une restriction à l’exportation peut retarder l’accès d’un concurrent à du matériel avancé tout en imposant des coûts aux fournisseurs nationaux. Une exigence de sécurité peut protéger les personnes dans un contexte à haut risque, tout en devenant inutilement lourde si elle s’applique sans adaptation à un outil administratif peu risqué.

L’importance de Schmidt tient à ce cadrage opérationnel. Une stratégie nationale n’est pas une déclaration selon laquelle l’IA compte. C’est un ensemble d’institutions, de budgets, de systèmes techniques, d’incitations et d’échéances qui déterminent si l’ambition publique résiste à la mise en œuvre.

Du leadership technique à l’échelle de Google

La carrière de Schmidt dans la technologie lui a donné une expérience directe des problèmes d’organisation qui sont ensuite apparus dans ses recommandations politiques. Formé en informatique, il a travaillé chez Bell Labs, Sun Microsystems et Novell avant de rejoindre Google comme directeur général en 2001. Google avait déjà ses fondateurs, sa technologie de recherche et une audience en forte croissance. Son rôle était d’aider à transformer cet élan en entreprise capable d’opérer de façon fiable sur plusieurs marchés et produits.

Il est resté directeur général de Google jusqu’en 2011. Durant cette période, l’entreprise a développé son infrastructure informatique, son activité publicitaire, ses effectifs et son éventail de produits. La leçon allait au-delà de la croissance : une invention technique a une valeur limitée lorsqu’une organisation ne peut pas recruter, répartir ses ressources de calcul, tester les changements, se remettre des pannes ou prendre des décisions à la vitesse nécessaire.

La recherche illustre le lien entre ces disciplines opérationnelles. Sur le plan conceptuel, un système de recherche doit accomplir trois tâches distinctes :

• L’exploration découvre les documents et les revisite à mesure que le web évolue.
• L’indexation organise le contenu découvert afin de le retrouver efficacement.
• Le classement estime quels résultats répondent le mieux à une requête et à l’intention qui l’accompagne.

Chaque tâche dépend de l’infrastructure, de la qualité des données, de la mesure et d’une maintenance continue. Une amélioration utile du classement doit fonctionner dans toutes les langues, pour les requêtes rares, face aux tentatives de spam, aux événements d’actualité soudains, aux réseaux lents et à des milliards d’interactions. À l’échelle mondiale, un faible taux d’erreur peut produire chaque jour un grand nombre de mauvais résultats.

L’époque de la recherche a également normalisé l’expérimentation contrôlée. Les équipes pouvaient comparer une modification proposée au système existant, observer le comportement des utilisateurs, examiner les cas d’échec et annuler une mise en production lorsque les données s’y opposaient. La surveillance et le retour arrière faisaient partie du produit, plutôt que d’être un travail administratif ajouté après le lancement.

La confiance était plus difficile à mesurer, mais tout aussi importante. Le classement des résultats influence ce que les personnes rencontrent, tandis que la collecte de données crée des obligations de confidentialité et de sécurité. Les utilisateurs peuvent abandonner un service si les résultats paraissent manipulés, dangereux ou durablement inexacts. Les gouvernements rencontrent un problème proche avec l’IA : un système peut atteindre un objectif de performance interne et perdre malgré tout sa légitimité si les personnes ne peuvent pas comprendre, contester ou éviter ses décisions.

L’analogie a ses limites. Un pays n’est pas une entreprise technologique, les citoyens ne sont pas des clients et l’autorité publique ne se réduit pas à la gestion de produits. L’État doit respecter le droit, protéger les droits constitutionnels, garantir une procédure régulière et répondre devant des institutions aux mandats concurrents. L’expérience de Schmidt dans le privé est utile lorsqu’elle repère des blocages opérationnels. Elle convainc moins lorsque la vitesse d’une entreprise est traitée comme un substitut à la responsabilité démocratique.

Les rôles publics qui ont donné à Schmidt son influence politique

Le passage de Schmidt vers la politique technologique nationale s’est fait par une succession de rôles consultatifs officiels et d’initiatives financées par des fonds privés. Ces rôles lui ont donné accès à des dirigeants de la défense, des législateurs, des spécialistes techniques et des équipes politiques, tout en produisant des documents publics permettant d’évaluer son influence.

En 2016, le secrétaire à la Défense Ash Carter a choisi Schmidt pour présider le Defense Innovation Board, nouvellement créé. Sa mission était de conseiller les dirigeants du Department of Defense sur les pratiques d’organisation, les logiciels, les données, les talents et une adoption plus rapide des technologies. Le comité ne dirigeait pas les opérations militaires et n’attribuait pas de contrats. Il produisait des recommandations destinées à aider une grande bureaucratie à travailler plus efficacement avec les technologies modernes et les fournisseurs commerciaux.

Le Congrès a ensuite créé la National Security Commission on Artificial Intelligence, généralement appelée NSCAI. Schmidt a présidé cette commission bipartisane de 15 membres, dont l’ancien secrétaire adjoint à la Défense Robert Work était vice-président. Sa mission légale était de recommander comment les États-Unis devraient développer l’IA et les technologies connexes afin de répondre aux besoins de sécurité nationale et économique.

La NSCAI a remis son rapport final au président et au Congrès en 2021. Le rapport comportait 16 chapitres et des plans d’action détaillés sur l’adoption dans la défense, les talents techniques, les infrastructures de recherche, la microélectronique, les alliances, l’usage responsable et la concurrence avec la Chine. Son importance venait de l’association entre des analyses stratégiques et des propositions applicables. Les responsables pouvaient en extraire une structure administrative, un programme de recrutement, une idée budgétaire ou une exigence de test, plutôt que de recevoir un simple appel général à investir dans l’IA.

Après la fin des travaux de la NSCAI, Schmidt a fondé le Special Competitive Studies Project en 2021. Cette fondation opérationnelle privée étudie l’IA et d’autres technologies émergentes au regard de la sécurité nationale, de l’économie et de la société. Schmidt la préside, tandis que ses équipes et conseillers continuent de publier des propositions politiques et de réunir des décideurs publics et privés.

Ces fonctions illustrent quatre voies par lesquelles un conseiller peut influencer les politiques publiques :

• Le cadrage définit le problème et le vocabulaire employé par les responsables pour en discuter.
• Les plans détaillés transforment de grands objectifs en bureaux, compétences légales, programmes et échéances.
• Les réseaux relient les agences aux chercheurs, investisseurs, entreprises et anciens responsables.
• Le suivi maintient les recommandations dans le débat après la dissolution d’une commission.

Aucune de ces voies ne donne à un conseiller un contrôle formel. Le Congrès décide s’il autorise et finance des programmes. Les agences exécutives interprètent les mandats, rédigent les règles d’achat et gèrent les déploiements. Les tribunaux, inspecteurs généraux, auditeurs, journalistes et organisations de la société civile peuvent révéler les défauts. Schmidt peut façonner l’éventail des options, mais les institutions publiques décident ce qui est retenu et ce qui perdure.

Ce que défendait la stratégie de la NSCAI

L’argument central de la NSCAI était que l’avantage en IA dépend d’un ensemble complet de moyens techniques et institutionnels, et non d’un seul modèle supérieur. Le rapport décrivait cet ensemble à travers les talents, les données, le matériel, les algorithmes, les applications et l’intégration. Une faiblesse à n’importe quel niveau peut empêcher un résultat de laboratoire remarquable de devenir une capacité nationale fiable.

Le rapport appelait le Department of Defense et la communauté du renseignement à disposer, d’ici 2025, des fondations nécessaires à une intégration généralisée de l’IA. Cet objectif était une échéance pour le travail de préparation, pas une certification selon laquelle chaque agence ou mission concernée deviendrait prête pour l’IA à cette date. Un bilan sérieux doit demander quelles fondations ont été mises en place, comment elles ont fonctionné et quels problèmes subsistent.

Ses recommandations peuvent être regroupées en cinq thèmes pratiques :

• L’adoption par les pouvoirs publics exigeait un pilotage de haut niveau, des données exploitables, des logiciels modernes, un calcul sécurisé et des achats itératifs.
• La politique des talents exigeait de nouveaux parcours de carrière techniques, une meilleure formation, des recrutements souples et un accès continu à l’expertise internationale.
• La politique du matériel exigeait une attention à la fabrication de semi-conducteurs, à l’accès aux puces avancées, à la concentration de l’approvisionnement et à la recherche.
• La capacité nationale de recherche exigeait des investissements publics et un accès plus large au calcul, aux jeux de données, aux modèles et au soutien technique.
• L’usage responsable exigeait des tests, un jugement humain, une responsabilité claire, une surveillance et une coopération avec les alliés.

La dimension d’usage responsable se perd parfois lorsque l’on résume la NSCAI à un document sur la course à l’IA. Son rapport final soutenait que les systèmes de sécurité nationale ont besoin d’une confiance justifiée. Les opérateurs doivent savoir où un système fonctionne, où il échoue, comment des adversaires peuvent l’attaquer et quel niveau de risque une mission peut accepter. Il proposait un pilotage de l’IA responsable au sein des agences et un soutien pluridisciplinaire à l’évaluation et à la gouvernance.

Certaines parties de l’analyse de 2021 ont vieilli parce que l’IA générative a changé le problème pratique. Les modèles de fondation généralistes peuvent désormais produire du texte, des logiciels, des images, de l’audio et des plans à partir d’une seule interface. Ils peuvent être adaptés par le prompt, la récupération de contenu, le réglage fin et l’usage d’outils sans entraîner un modèle depuis le début. Cela a élargi l’accès tout en rendant les limites des capacités plus difficiles à décrire.

L’inférence est aussi devenue une ressource stratégique, aux côtés de l’entraînement. Un pays peut posséder des modèles tout en manquant de calcul, de capacité réseau, d’électricité ou d’environnements de déploiement sécurisés pour les utiliser dans les hôpitaux, les agences, les laboratoires et les unités militaires. Le vol de modèles, le réglage fin malveillant, les médias synthétiques, l’usage agentique d’outils et les activités biologiques ou cyber assistées par IA demandent désormais plus d’attention qu’ils n’en recevaient dans les premiers documents stratégiques.

La part durable de la NSCAI est donc sa vision systémique. Sa part datée est toute hypothèse selon laquelle l’adoption de l’IA suivrait le parcours classique d’un logiciel, avec des exigences stables et des mises à jour prévisibles. La stratégie actuelle doit encadrer un service évolutif, les outils qui l’entourent, ses flux de données et les personnes qui en dépendent.

Quelles recommandations sont devenues des institutions visibles

Plusieurs initiatives américaines ultérieures ressemblent aux propositions de la NSCAI, même si cette ressemblance ne prouve pas à elle seule que Schmidt ou la commission en sont la cause. La législation, le travail des agences, les recherches antérieures, la pression commerciale, les événements de sécurité et les changements de politique présidentielle ont tous façonné le résultat.

Le Department of Defense a créé le poste de Chief Digital and Artificial Intelligence Officer en février 2022. Ce bureau a réuni sous l’autorité d’un haut responsable d’importantes missions liées aux données, à l’analytique et à l’IA. Ce choix d’organisation répondait au problème de coordination décrit par la NSCAI : des pilotes dispersés ne produisent pas une adoption à l’échelle du ministère lorsque les données, les infrastructures, les politiques et les achats restent fragmentés.

Le CHIPS and Science Act a suivi en 2022 en prévoyant près de 53 milliards de dollars pour les incitations à la fabrication de semi-conducteurs, la recherche et les programmes associés de main-d’œuvre. Son champ dépassait l’IA, mais le calcul avancé faisait de la capacité en semi-conducteurs un enjeu direct de stratégie nationale. Les usines de fabrication, le conditionnement, les équipements de production, la recherche, la main-d’œuvre qualifiée et la sécurité de l’approvisionnement sont devenus des objets de politique publique plutôt que des questions laissées entièrement aux décisions d’achat des entreprises.

Le pilote National Artificial Intelligence Research Resource a démarré en 2024 pour donner aux chercheurs et aux enseignants accès à du calcul, des jeux de données, des modèles, des logiciels, des formations et du soutien. Lors de son bilan à deux ans, le programme indiquait soutenir plus de 600 projets de recherche et 6 000 étudiants, avec une participation de tous les États et environ 100 millions de dollars de contributions en nature de partenaires privés. C’est un exemple concret d’infrastructure public-privé visant à réduire l’écart entre les laboratoires bien financés et l’ensemble de la communauté de recherche.

Le plan d’action de la Maison-Blanche sur l’IA de 2025 énonçait plus de 90 actions fédérales autour de trois piliers : l’innovation, l’infrastructure, et la diplomatie et la sécurité internationales. Son accent politique différait des politiques antérieures. Il accordait plus de poids au développement rapide du secteur privé, à la construction de centres de données, à l’approvisionnement énergétique, aux exportations d’IA, à l’adoption fédérale et à l’application de restrictions sur le calcul avancé.

Un mémorandum de sécurité nationale de juin 2026 a poussé plus loin le programme opérationnel. Il ordonnait de travailler sur l’adoption dans la sécurité nationale, le recrutement technique, une réserve de talents en IA, des environnements partagés de données et de modèles, la réponse aux incidents, les pratiques de sécurité et des méthodes standardisées de test, d’évaluation, de vérification et de validation. Il définissait aussi la contrôlabilité comme la capacité à surveiller un système et à prendre des mesures correctives.

Ensemble, ces mesures montrent une convergence des politiques autour de plusieurs problèmes soulignés par Schmidt : la capacité de l’État, le personnel technique, l’infrastructure de calcul, la coordination institutionnelle et l’évaluation mesurable. Elles ne permettent pas de savoir si les solutions adoptées sont suffisantes ou bien conçues. Créer un bureau est plus facile que lui donner de l’autorité. Annoncer un programme est plus facile que maintenir ses crédits. Publier une méthode d’évaluation est plus facile que l’imposer à un fournisseur favori ou dans une mission urgente.

La recherche, les talents et l’infrastructure rendent la stratégie applicable

Une stratégie nationale sur l’IA ne devient applicable que lorsque la recherche, les personnes, le calcul, les données et les règles de déploiement fonctionnent comme un même portefeuille. Financer une composante tout en en négligeant une autre produit une capacité inutilisée ou une dépendance envers un petit nombre de fournisseurs.

Le financement public de la recherche doit soutenir la science fondamentale, les missions appliquées, les méthodes d’évaluation et les travaux dont le rendement commercial reste incertain. Il doit aussi prévoir des mécanismes de transition. Une équipe universitaire peut démontrer une technique précieuse, mais son adoption peut s’arrêter sans hébergement sécurisé, ingénierie produit, autorité juridique, financement de maintenance et agence publique prête à en assumer la responsabilité.

La politique des talents exige plus que former davantage de chercheurs en apprentissage automatique. L’État a besoin d’ingénieurs logiciels, d’ingénieurs de données, de spécialistes de la cybersécurité, de chefs de produit, de personnels chargés des achats, de juristes, d’auditeurs, de professionnels de terrain et de hauts responsables capables de faire des arbitrages techniques. Un modèle de défense évalué sans opérateurs peut échouer sur le terrain. Un système de prestations examiné sans expertise en droit administratif peut violer le droit à une procédure régulière, même si sa prédiction est statistiquement exacte.

La politique du calcul doit distinguer l’entraînement de l’inférence. Entraîner un grand modèle exige un calcul concentré pendant une période limitée. Faire fonctionner ce modèle auprès de nombreux utilisateurs crée une demande continue en accélérateurs, mémoire, réseaux, stockage, électricité, refroidissement et maintenance. Des plans d’achat qui prévoient le budget de développement tout en ignorant le coût d’exploitation peuvent laisser aux agences un pilote réussi qu’elles ne peuvent pas financer à grande échelle.

L’infrastructure physique fait désormais partie de la stratégie. Les centres de données exigent des sites adaptés, une alimentation électrique fiable, une capacité de transport, de l’eau ou des systèmes de refroidissement alternatifs, des connexions réseau, des équipements de remplacement et des plans d’urgence. Parmi les mesures utiles figurent le délai de raccordement de nouvelles capacités, les taux d’utilisation, le coût par charge de travail terminée, le temps de rétablissement après une perturbation et la part des charges sensibles pouvant fonctionner dans des environnements approuvés.

La politique des données commence par l’autorité juridique et l’objectif. Les agences doivent savoir pourquoi un jeu de données existe, qui peut l’utiliser, combien de temps il peut être conservé, quelles populations il décrit mal et comment les corrections se propagent. La traçabilité importe, car une évaluation ne peut expliquer un échec lorsque l’origine et l’historique des transformations des données sous-jacentes sont inconnus.

Les méthodes de protection de la vie privée peuvent réduire l’exposition, mais elles ne suppriment pas la nécessité d’une gouvernance. Les contrôles d’accès, les enclaves sécurisées, la désidentification, la confidentialité différentielle, l’analyse fédérée et les journaux d’audit répondent à des menaces différentes. Une agence doit les choisir selon les données, les utilisateurs, le modèle d’attaque et son obligation envers le public.

Le déploiement doit suivre un cycle de vie plutôt qu’un test d’acceptation ponctuel :

1. Définir la décision, la population concernée, l’autorité juridique et le responsable humain.
2. Établir une référence sans IA et un objectif de bénéfice mesurable.
3. Tester les performances, la sécurité, les biais, l’accessibilité et les usages abusifs dans le contexte prévu.
4. Déployer progressivement avec des journaux, des voies d’escalade, des rapports d’incident et des possibilités de retour arrière.
5. Réévaluer après une évolution du modèle, des données, de la politique ou des conditions d’exploitation.

Ce processus favorise la rapidité car il rend possibles de petits essais réversibles. Il évite aussi de confondre une démonstration impressionnante de prototype avec des preuves adaptées à la production.

L’IA transforme la sécurité nationale par ses capacités à double usage

L’IA transforme la sécurité nationale en augmentant la vitesse, l’ampleur et l’accessibilité de l’analyse et de l’action. Les organisations de renseignement peuvent l’utiliser pour examiner des images, traduire des contenus, rechercher dans de vastes collections de documents, identifier des anomalies cyber et aider les analystes à relier des signaux. Les organisations militaires peuvent l’appliquer à la logistique, à la maintenance, à l’aide à la planification, à la détection et aux systèmes autonomes.

La même capacité peut aider les attaquants. La génération de code peut aider les défenseurs à examiner des logiciels et les adversaires à faire varier des programmes malveillants. La génération de langage peut réduire le coût du hameçonnage personnalisé et des opérations d’influence. La vision par ordinateur peut aider à répondre à des catastrophes ou servir à une surveillance persistante. Les modèles biologiques peuvent soutenir une recherche légitime tout en abaissant certains obstacles à des expérimentations nocives.

C’est pourquoi la politique sur le double usage ne peut pas se réduire à une liste de modèles interdits. Le risque dépend du modèle, des outils connectés, des données disponibles, de l’accès des utilisateurs, de l’environnement de déploiement et des conséquences d’une erreur. Un modèle général sans autorisations externes crée une exposition différente du même modèle relié à des bases de données classifiées, des équipements de laboratoire, des comptes financiers ou des armes.

Les achats publics rencontrent une difficulté liée. Les contrats traditionnels supposent des exigences stables et une version de produit qui peut être testée avant acceptation. Les services d’IA peuvent modifier leur modèle, leur couche de sécurité, leur système de récupération, leur mélange d’entraînement ou leur politique d’usage pendant le contrat. Les agences ont besoin d’être informées des changements importants et de pouvoir répéter les évaluations avant qu’une mise à jour n’atteigne un travail sensible.

Un déploiement défendable pour la sécurité nationale devrait inclure cinq contrôles :

• Des tests propres à la mission qui mesurent les faux positifs, les faux négatifs, la latence, les échecs sous contrainte et les comportements adverses.
• Un accès au moindre privilège qui limite les données, les outils et les actions accessibles au système.
• Une autorité humaine désignée pour l’approbation, l’intervention, l’escalade et l’arrêt.
• Des journaux et une surveillance continus conçus pour l’enquête plutôt que pour le marketing du fournisseur.
• Des clauses contractuelles sur les mises à jour, les incidents, l’usage des données, l’accès aux modèles, la portabilité et la résiliation.

L’intervention humaine doit avoir un sens réel. Exiger qu’une personne clique sur « approuver » apporte peu lorsque l’interface masque l’incertitude, que la charge de travail empêche la vérification ou que la culture de l’organisation décourage la contestation du modèle. Les opérateurs ont besoin de formation, de temps, d’informations alternatives et de l’autorité nécessaire pour rejeter un résultat.

Les usages aux conséquences graves exigent des preuves plus solides. Un système qui résume une correspondance courante peut tolérer des erreurs inacceptables pour le ciblage, l’alerte de renseignement, le triage médical ou l’accès à une prestation publique. La rapidité doit venir d’un examen proportionné et d’un déploiement réversible, pas de l’idée que tous les usages ont le même enjeu.

La concurrence entre les États-Unis et la Chine dépasse la course aux modèles

La concurrence en IA entre les États-Unis et la Chine concerne la capacité industrielle, la recherche, les talents, l’énergie, les chaînes d’approvisionnement, l’adoption et les alliances, plutôt qu’un seul classement de modèles. La traiter comme une ligne d’arrivée encourage les déclarations spectaculaires tout en masquant les institutions qui entretiennent un avantage pendant des années.

Les comparaisons de capacité doivent préciser ce qui est mesuré. Entraîner un modèle très performant diffère de fabriquer des puces avancées, de déployer des systèmes dans toute l’industrie, de fournir une capacité cloud fiable, de produire des découvertes scientifiques ou d’intégrer l’IA aux opérations militaires. Un pays peut dominer une catégorie tout en dépendant de fournisseurs étrangers dans une autre.

Les contrôles à l’exportation visent à ralentir l’accès à certaines puces avancées et aux équipements de fabrication de semi-conducteurs. Leur effet dépend de leur portée technique, de leur application, de la participation des alliés, des stocks, des voies de détournement et de la capacité du pays visé à développer des substituts. Des contrôles trop étroits peuvent avoir peu d’effet. Des règles trop larges peuvent pousser les clients à quitter les fournisseurs américains ou accélérer la substitution.

Les alliés comptent parce que les chaînes d’approvisionnement en semi-conducteurs et en calcul traversent les frontières. La conception des puces, la fabrication, les équipements de production, les matériaux, le conditionnement, les services cloud et les talents de recherche sont répartis entre plusieurs pays. Une politique coordonnée peut réduire les contournements, répartir les coûts, favoriser des pratiques de sécurité compatibles et donner aux partenaires une raison de bâtir avec des systèmes fiables.

La concurrence touche aussi à la gouvernance. Si chaque exigence d’évaluation est présentée comme un désarmement unilatéral, les agences et les entreprises sous-investiront dans les tests jusqu’à ce qu’un échec impose une réaction. Si chaque capacité est restreinte pour des raisons hypothétiques, la recherche et les usages bénéfiques peuvent se déplacer ailleurs. Une stratégie compétente protège l’expérimentation tout en appliquant des contrôles plus stricts aux accès, aux actions et aux contextes qui créent un risque crédible pour la sécurité nationale.

La concentration complique la position américaine. Entraîner et exploiter des systèmes de pointe exige des ressources accessibles à un nombre limité d’entreprises. La concentration peut accélérer l’investissement et le déploiement, mais elle peut aussi réduire le pouvoir de négociation de l’État, limiter l’accès à la recherche et créer des dépendances communes entre les agences. La politique de concurrence, l’interopérabilité, la portabilité, l’infrastructure publique de recherche et les exigences d’accès au code source ou aux modèles peuvent chacune traiter une partie du problème.

La métaphore de la course reste politiquement efficace parce qu’elle crée un sentiment d’urgence. Elle est incomplète sur le plan de l’analyse, car une direction durable dépend de la résilience, de la correction des erreurs, de la légitimité publique et de la coopération. Un pays qui déploie vite mais ne peut pas sécuriser ses modèles, alimenter ses centres de données, former ses opérateurs ou répondre aux incidents n’a pas construit d’avantage durable.

La gouvernance doit suivre l’usage et ses conséquences

Une gouvernance efficace de l’IA attribue les responsabilités selon ce que fait un système, les personnes qu’il affecte et la gravité d’un éventuel échec. Un chatbot qui répond à des questions générales, une aide au diagnostic, un outil de présélection à l’embauche et un composant autonome de ciblage ne devraient pas être soumis aux mêmes exigences de preuve.

La première tâche de gouvernance est la classification. Les responsables doivent déterminer si le système informe une personne, recommande une action, prend une décision ou exécute une action. Ils doivent ensuite cartographier les droits concernés, les pertes possibles, les groupes vulnérables, les mécanismes de recours et le caractère réversible ou non du préjudice.

Cinq questions révèlent rapidement une gouvernance insuffisante :

• Quelle décision le système influence-t-il, et qui reste légalement responsable ?
• Quelles preuves justifient son emploi pour cette population et cet environnement d’exploitation ?
• Quelles informations sont collectées, conservées, partagées ou utilisées pour un entraînement ultérieur ?
• Comment une personne concernée peut-elle obtenir une explication, une correction et un examen humain ?
• Quel événement déclenche une suspension, une notification, une réparation ou une indemnisation ?

L’équité exige d’examiner les résultats plutôt que de supposer que supprimer les caractéristiques protégées supprime la discrimination. D’autres variables peuvent servir de substituts, les dossiers historiques peuvent inscrire des traitements inégaux et le coût des erreurs peut peser inégalement. Les agences doivent tester les groupes concernés, rechercher les causes et décider si l’usage demeure légal et justifié après les mesures de réduction du risque.

La transparence doit être adaptée au public. Les ingénieurs ont besoin d’une documentation sur les modèles et les données. Les opérateurs ont besoin de connaître les limites, les incertitudes et les consignes d’escalade. Les responsables des achats ont besoin d’informations sur les coûts, la sécurité, les mises à jour et les dépendances. Une personne affectée par une décision a besoin d’une raison compréhensible et d’une voie de recours utilisable. Publier un long document technique ne répond pas à ces quatre besoins.

L’analyse de la vie privée doit couvrir les interactions avec le modèle autant que les données d’entraînement. Les prompts, documents récupérés, sorties d’outils, journaux, retours et enregistrements générés peuvent contenir des informations sensibles. Les clauses contractuelles doivent préciser si un fournisseur peut conserver ces éléments, les utiliser pour l’entraînement, les transférer à l’étranger ou les exposer à des sous-traitants.

Les évaluations des modèles de pointe et les audits d’applications répondent à des questions différentes. Une évaluation de modèle peut tester la capacité cyber, la tromperie, les connaissances biologiques ou la résistance aux usages abusifs. Un audit d’application examine l’ensemble du système déployé, y compris les prompts, la récupération de contenu, les outils, les interfaces, les procédures humaines et la population concernée. Réussir l’un ne remplace pas l’autre.

Les chercheurs indépendants, les organisations de la société civile, les inspecteurs généraux, les organismes de normalisation et les laboratoires de test ajoutent des connaissances et un contrôle que les agences et les fournisseurs peuvent ne pas posséder. Les modalités d’accès doivent protéger la sécurité et les données personnelles, mais le secret ne doit pas devenir une défense générale contre tout examen externe.

La collaboration public-privé a besoin de limites et de preuves

La collaboration public-privé fonctionne lorsque les parties définissent le problème public, l’autorité juridique, le résultat attendu, la limite de sécurité et les conditions de sortie avant de choisir la technologie. Des partenariats vagues font de la publicité, mais rendent les coûts, les responsabilités et les performances difficiles à examiner.

L’État apporte le mandat, le financement public, l’accès aux contextes de mission et la capacité à soutenir des travaux de long terme. Les entreprises apportent des équipes d’ingénierie, des infrastructures commerciales, une connaissance actuelle des produits et l’expérience de l’exploitation de systèmes à grande échelle. Les universités et les organisations à but non lucratif peuvent fournir la recherche fondamentale, les méthodes d’évaluation, la formation et une critique indépendante.

Leurs intérêts diffèrent. Un fournisseur bénéficie lorsqu’un pilote se transforme en contrat de longue durée. Un responsable d’agence peut tirer profit de l’annonce d’une adoption rapide avant que les preuves soient solides. Un groupe de recherche peut préférer une publication ouverte même lorsqu’un résultat a des implications pour la sécurité. De bons accords reconnaissent ces intérêts et prévoient des droits d’examen, de divulgation, de concurrence et de résiliation.

Les conflits d’intérêts méritent un traitement direct lorsque des conseillers influents conservent des investissements, des postes d’administrateur, des relations d’affaires ou des projets philanthropiques dans le même domaine politique. La divulgation ne prouve pas une influence indue, et l’expertise s’accompagne souvent de relations professionnelles. Elle permet aux responsables et au public d’évaluer l’origine d’une recommandation, de solliciter des avis concurrents et d’écarter des participants lorsque c’est nécessaire.

Le prototypage à faible risque offre un domaine de collaboration concret. Koder.ai, par exemple, permet de créer par conversation des interfaces web React, des services backend Go avec PostgreSQL et des applications mobiles Flutter. Il prend en charge le mode planification, l’export du code source, le déploiement et l’hébergement, les domaines personnalisés, les instantanés et le retour arrière. Ces fonctions peuvent raccourcir le cycle de retour pour un démonstrateur ou un outil interne.

Une application générée exige toujours un examen avant un usage en production dans le secteur public. Les équipes doivent inspecter le code, les dépendances, l’authentification, les contrôles d’accès, les flux de données, l’accessibilité, les journaux, la résilience, les licences et la configuration du déploiement. Les charges sensibles exigent aussi un environnement d’hébergement approuvé et le respect des obligations de sécurité et d’archivage de l’agence. Le vibe coding change la manière de produire un prototype, pas la personne qui en répond.

Un contrat de pilote utile doit préciser :

• Un groupe d’utilisateurs restreint et une période d’exploitation limitée dans le temps.
• Des mesures de référence pour le coût, la qualité et le temps de réalisation.
• Les restrictions sur la conservation, l’entraînement, la localisation des données et les sous-traitants.
• Les obligations de test de sécurité, de notification des changements, de signalement des incidents et de retour arrière.
• Les droits d’exportation, de portabilité, de documentation et de résiliation.

Cette structure permet aux agences d’apprendre sans s’enfermer auprès d’un fournisseur avant de comprendre le système. Elle donne aussi aux pilotes réussis des preuves crédibles pour une extension.

Comment évaluer l’influence de Schmidt et toute stratégie d’IA

L’influence de Schmidt doit être évaluée à travers l’adoption, les ressources, la solidité des institutions et les résultats, plutôt qu’à partir de discours ou de sa proximité avec les responsables. Une recommandation peut influencer le débat sans devenir une politique, et une politique ultérieure peut lui ressembler sans avoir été causée par elle.

Commencez par l’attribution. Repérez le rapport, le témoignage, la recommandation d’un conseil ou la proposition précise associée à Schmidt. Distinguez ses déclarations personnelles des documents de consensus produits par une commission ou une institution. Le rapport d’une commission de 15 membres n’est pas identique à l’avis privé de son président.

Suivez ensuite la chaîne de mise en œuvre :

1. Le Congrès ou une agence a-t-il adopté la proposition sous une forme reconnaissable ?
2. A-t-elle reçu une autorité juridique, des crédits, des effectifs et un pilotage responsable ?
3. L’institution responsable a-t-elle publié des jalons et des preuves de performance ?
4. Les utilisateurs ont-ils reçu une capacité fiable, plutôt qu’un simple pilote ou l’annonce d’un bureau ?
5. Les audits, incidents, coûts, effets sur les droits ou résultats stratégiques ont-ils confirmé l’affirmation initiale ?

Les calendriers doivent être assez précis pour permettre l’échec. Une ambition sur cinq ans doit indiquer ce qui se passe pendant le premier cycle budgétaire, quelles dépendances doivent arriver en premier et qui peut intervenir en cas de retard. Sans cela, l’activité seule peut suffire à déclarer le plan réussi.

Les indicateurs doivent correspondre à l’objectif. Un programme d’adoption par l’État peut mesurer le délai d’achat, la réalisation des tâches par les utilisateurs, le coût par dossier, le taux d’annulation humaine, les incidents de sécurité et le temps de rétablissement. Un programme de recherche peut mesurer les accès accordés, l’utilisation des ressources, les publications, la reproductibilité, les résultats de formation et le passage des résultats à la pratique. Compter les réunions ou les documents produits renseigne peu sur la capacité réelle.

Les arbitrages doivent être visibles. Les plans sérieux expliquent qui supporte les coûts énergétiques, comment les restrictions à l’exportation affectent les fournisseurs, quelles données ne peuvent pas être utilisées, quand un humain doit décider et quels déploiements seront interdits ou suspendus. Une stratégie qui promet à la fois une vitesse maximale, la sécurité, l’ouverture, la confidentialité et le contrôle évite précisément les choix qu’une stratégie doit faire.

Ce que révèle en définitive la trajectoire de Schmidt

La trajectoire de Schmidt montre que le leadership dans l’IA est autant un problème d’organisation et de politique qu’un problème de développement de modèles. Google a démontré la valeur de l’infrastructure, de la mesure, des talents techniques, de l’expérimentation et de la reprise après incident à une échelle immense. Son travail de conseiller a appliqué ces idées opérationnelles à la capacité de l’État, à l’adoption dans la défense, à la politique des semi-conducteurs, à l’accès à la recherche et à la concurrence internationale.

Ce transfert est utile, mais incomplet. Les institutions publiques doivent protéger les droits, justifier les décisions coercitives, divulguer les conflits d’intérêts, maintenir le contrôle démocratique et offrir des voies de recours. Des cycles produit plus rapides ou une meilleure gestion technique ne peuvent pas remplacer ces obligations.

La partie la plus solide de la contribution politique de Schmidt est l’idée qu’une stratégie nationale sur l’IA a besoin de mécanismes coordonnés. La recherche sans accès au calcul s’arrête. Des modèles sans opérateurs qualifiés restent des démonstrations. Des achats sans évaluation achètent de l’incertitude. Une sécurité sans alliances ignore la structure des chaînes d’approvisionnement. L’innovation sans responsabilité peut détruire la confiance nécessaire à l’adoption.

La bonne réponse n’est ni l’acceptation automatique ni le rejet fondé sur le parcours de Schmidt dans le privé. Elle consiste en une vérification rigoureuse : repérer la proposition, suivre l’autorité et les financements, examiner la mise en œuvre, mesurer les résultats et compter les coûts que les affirmations publiques omettent. C’est ainsi que l’influence devient visible et qu’une stratégie nationale sur l’IA peut être jugée sur ses résultats.