Anthropic accuse trois rivaux chinois de distillation

Anthropic accuse trois acteurs chinois majeurs de l’intelligence artificielle — Alibaba, Moonshot AI et DeepSeek — d’avoir mené des campagnes répétées de distillation contre ses modèles. L’information, rapportée par TechCrunch dans un article intitulé “Anthropic details distillation campaigns from Alibaba, Moonshot AI, and DeepSeek”, dépasse le seul cadre d’un différend entre entreprises. Elle pose une question devenue centrale dans l’économie des grands modèles de langage : à quel moment l’usage des réponses produites par une IA concurrente cesse-t-il d’être une forme d’apprentissage ou de comparaison technique pour devenir une captation abusive de savoir-faire ?

Selon Anthropic, les tentatives attribuées à Alibaba, Moonshot AI et DeepSeek se seraient intensifiées au cours des derniers mois. L’entreprise américaine présente ces activités comme des campagnes de distillation, c’est-à-dire l’exploitation systématique des sorties d’un modèle de pointe afin d’entraîner, d’améliorer ou d’évaluer un autre modèle. Anthropic ne décrit donc pas seulement un usage ponctuel de son assistant Claude par des développeurs ou des utilisateurs finaux. Le grief porte sur une démarche structurée, à grande échelle, susceptible de transformer les capacités observables d’un système propriétaire en données d’entraînement pour un concurrent.

Les sociétés citées par Anthropic occupent des places différentes, mais importantes, dans l’écosystème chinois de l’IA générative. Alibaba développe la famille de modèles Qwen, distribuée dans des variantes ouvertes et commerciales. Moonshot AI s’est fait connaître notamment à travers l’assistant Kimi. DeepSeek est devenu l’un des noms les plus scrutés du secteur après la diffusion de modèles de raisonnement et de modèles ouverts ayant suscité un fort intérêt international. Aucune de ces trois entreprises n’est ici présentée comme coupable par une juridiction : le rapport d’Anthropic constitue une accusation d’entreprise, relayée par TechCrunch, et non une décision judiciaire ou administrative.

L’enjeu est néanmoins considérable. Les meilleurs modèles de langage ne reposent pas uniquement sur des paramètres, des puces et des corpus massifs. Ils incarnent aussi des années de sélection de données, d’entraînement, d’alignement, de réglages post-entraînement, d’évaluations de sécurité et d’optimisation des interfaces. Lorsqu’un modèle donne une réponse détaillée, structurée et adaptée à une instruction complexe, il peut révéler une partie de ce travail invisible. La distillation vise précisément à transformer ces comportements observables en matériau utile pour un autre système.

La distillation, une technique légitime devenue un terrain de confrontation

La distillation n’est pas, en soi, une pratique frauduleuse. Elle appartient depuis longtemps à la boîte à outils de l’apprentissage automatique. Dans son sens classique, la distillation consiste à utiliser un modèle enseignant, généralement plus grand ou plus coûteux, pour entraîner un modèle élève plus compact. Le modèle élève cherche à reproduire certains comportements du modèle enseignant : ses prédictions, sa manière de classer des exemples ou, dans le cas des grands modèles de langage, ses réponses à des instructions.

Cette approche est historiquement associée à une idée simple : un modèle puissant peut transmettre une partie de ses capacités à un modèle moins lourd. Dans un cadre maîtrisé, une même entreprise peut par exemple entraîner un système très grand, puis s’en servir pour produire des données synthétiques destinées à une version plus rapide, moins chère ou adaptée à une tâche spécifique. Cette méthode peut réduire les coûts d’inférence, permettre un fonctionnement sur des infrastructures plus modestes et faciliter le déploiement de fonctionnalités dans des produits grand public.

Le problème soulevé par Anthropic se situe ailleurs : le modèle enseignant présumé ne serait pas détenu ou contrôlé par l’organisation qui construit le modèle élève. Il s’agirait d’un système propriétaire accessible à travers une interface, une API ou un produit conversationnel, avec des conditions d’utilisation qui encadrent normalement l’automatisation, l’extraction massive et le recours aux sorties pour entraîner des modèles concurrents.

Dans les grands modèles de langage, la frontière technique est particulièrement difficile à tracer. Un utilisateur peut légitimement demander à un assistant de résumer un texte, d’écrire du code, de corriger une traduction ou de résoudre un problème de logique. Un laboratoire peut aussi comparer plusieurs modèles sur des jeux de tests afin de mesurer leur exactitude, leur coût ou leur résistance à certaines instructions. Ces usages relèvent de l’évaluation, de la recherche, du développement logiciel ou de l’usage normal d’un service.

La situation change lorsque les requêtes sont conçues, multipliées et archivées dans le but de constituer un corpus de réponses destiné à reproduire les comportements d’un modèle tiers. Cela peut passer par de très grands volumes d’instructions, par des prompts variés générés automatiquement, par une collecte structurée des sorties ou par des tentatives visant des capacités précises : raisonnement mathématique, génération de code, rédaction multilingue, suivi d’instructions complexes ou refus de demandes sensibles.

La nuance est importante. Un modèle ne se contente pas de restituer une base de connaissances brute. Ses réponses sont le résultat d’une architecture, d’un entraînement préalable, de réglages de préférence humaine, de mécanismes de sûreté et de choix de produit. Collecter massivement ces réponses peut donc donner accès à une forme de signal pédagogique qui serait coûteuse à obtenir autrement. La valeur de ce signal augmente avec la qualité du modèle sollicité et avec la diversité des tâches auxquelles il est soumis.

Dans ce contexte, la distillation externe est parfois décrite comme une forme de raccourci industriel. Cette expression doit toutefois être maniée avec prudence : elle ne suffit pas à établir une faute, et les méthodes exactes importent. Un modèle concurrent ne devient pas automatiquement une copie parce qu’il répond bien à des questions similaires. Les grands modèles sont entraînés sur d’immenses ensembles de données et peuvent converger vers des comportements comparables sur des tâches standard. Mais l’exploitation organisée des sorties d’un système fermé soulève des questions différentes, notamment contractuelles, techniques et potentiellement commerciales.

Le sujet est aussi lié à la montée des données synthétiques. À mesure que les données publiques de haute qualité deviennent plus difficiles à collecter, plus protégées par le droit ou déjà largement exploitées, les réponses produites par de bons modèles deviennent elles-mêmes une ressource. Elles peuvent servir à fabriquer des exemples de raisonnement, à créer des dialogues, à générer des exercices de programmation ou à reformuler des contenus dans de nombreuses langues. Le modèle de pointe devient alors non seulement un produit, mais aussi une source de données très convoitée.

Ce qu’Anthropic affirme au sujet d’Alibaba, Moonshot AI et DeepSeek

Dans le rapport évoqué par TechCrunch, Anthropic détaille ce qu’elle décrit comme des campagnes de distillation impliquant Alibaba, Moonshot AI et DeepSeek. Le point central de l’accusation est la répétition : Anthropic affirme avoir identifié des tentatives qui ne relèveraient pas de quelques interactions isolées avec Claude, mais d’opérations destinées à tirer parti de ses sorties à des fins de développement de modèles.

La publication d’un tel rapport est en elle-même significative. Les entreprises qui exploitent des modèles fermés communiquent rarement de manière détaillée sur les comportements abusifs détectés dans leurs systèmes. Elles peuvent craindre de révéler leurs méthodes de surveillance, d’offrir des pistes de contournement ou de provoquer un conflit diplomatique et commercial. En rendant publique cette accusation, Anthropic choisit au contraire de faire de la distillation un sujet de débat ouvert dans l’industrie.

TechCrunch présente l’affaire dans un contexte de concurrence technologique accrue entre les États-Unis et la Chine. Anthropic relie les activités qu’elle a observées à trois organisations qui développent leurs propres modèles. Cela distingue l’affaire des abus classiques commis par des spammeurs, des opérateurs de fraude ou des utilisateurs cherchant uniquement à contourner des limites d’accès. L’accusation vise des concurrents industriels disposant eux-mêmes de capacités importantes de recherche et de déploiement.

Alibaba est l’un des plus grands groupes technologiques chinois et un acteur majeur du cloud. Ses modèles Qwen ont contribué à installer la firme parmi les plateformes qui comptent dans la diffusion de modèles de langage et de modèles multimodaux. Le groupe possède à la fois des capacités de calcul, une présence dans les services cloud et des débouchés commerciaux. Toute accusation le concernant prend donc une dimension qui dépasse le laboratoire de recherche : elle touche à l’un des grands groupes technologiques asiatiques engagés dans la course aux infrastructures et aux applications d’IA.

Moonshot AI appartient à une génération plus récente de startups chinoises spécialisées dans les assistants conversationnels et les modèles de langage. Kimi, son produit phare, s’est notamment distingué dans un marché chinois très compétitif, où les entreprises cherchent à proposer des outils capables de traiter de longs documents, d’assister les utilisateurs dans la recherche d’information et de répondre à des requêtes complexes. La pression pour améliorer rapidement la qualité perçue des modèles est particulièrement forte dans ce segment.

DeepSeek, enfin, occupe une place singulière dans le débat mondial sur les modèles. L’entreprise a attiré une attention considérable grâce à ses publications et à la diffusion de modèles ouverts ou accessibles sous des licences permettant leur examen et leur déploiement. Ses travaux ont nourri les discussions sur le coût d’entraînement, le raisonnement, l’efficacité des modèles et l’écart entre les plateformes américaines fermées et les alternatives chinoises ouvertes. L’accusation d’Anthropic ajoute ainsi une dimension sensible à un acteur déjà au centre des débats sur la diffusion internationale des capacités d’IA.

Il faut cependant conserver une distinction essentielle entre l’allégation et sa démonstration publique. Le brief rapporté par TechCrunch indique qu’Anthropic accuse ces entreprises de campagnes de distillation ; il ne transforme pas cette affirmation en constat judiciaire. Sans décision de tribunal, sans accès complet aux éléments techniques collectés par Anthropic et sans publication contradictoire de tous les éléments concernés, il serait abusif de présenter ces accusations comme des faits juridiquement établis.

Cette prudence ne diminue pas la portée stratégique de l’affaire. Même lorsqu’elles ne donnent pas lieu à une procédure publique, les accusations de distillation peuvent modifier la manière dont les fournisseurs d’IA gèrent leurs accès. Elles peuvent conduire à des contrôles plus stricts sur les comptes, les clés API, les volumes de requêtes, les schémas d’utilisation et les tentatives de création automatisée de corpus. Elles peuvent aussi alimenter de futurs contentieux sur les conditions d’utilisation, la concurrence déloyale, le secret des affaires ou l’accès transfrontalier aux services numériques.

Protéger un modèle sans bloquer la recherche, l’évaluation et les usages normaux

L’affaire illustre une difficulté structurelle des fournisseurs de modèles : un système accessible est nécessairement, dans une certaine mesure, observable. Une entreprise qui vend une API ou un assistant conversationnel doit permettre à ses clients de soumettre des requêtes et de recevoir des réponses. Or chaque réponse représente un exemple du comportement du modèle. Le fournisseur veut rendre ce comportement utile, mais ne veut pas qu’il soit aspiré à très grande échelle pour entraîner un concurrent.

La protection ne peut donc pas reposer uniquement sur le secret du code source ou des paramètres. Dans la plupart des cas, les utilisateurs d’un assistant ne voient ni les poids du modèle ni l’infrastructure d’entraînement. Mais ils peuvent tester ses capacités à travers des milliers de questions. La protection se déplace alors vers l’analyse des comportements d’accès : fréquence et volume des requêtes, répétition de structures de prompts, création de comptes multiples, utilisation d’identifiants distincts, automatisation, provenance du trafic ou corrélation entre des activités apparemment séparées.

Ce type de détection est délicat. Un acteur qui effectue des évaluations de robustesse, des benchmarks ou de la recherche en sûreté peut aussi envoyer de nombreuses requêtes inhabituelles. Les grandes entreprises clientes peuvent légitimement tester une API sur des milliers de documents. Les équipes de recherche peuvent comparer plusieurs systèmes sur des batteries d’examens, des cas de programmation ou des scénarios multilingues. Un mécanisme de défense trop agressif risque alors de sanctionner des usages légitimes, de réduire la transparence ou de compliquer l’accès des chercheurs indépendants.

Les fournisseurs disposent néanmoins de plusieurs leviers. Ils peuvent limiter les volumes, ajuster les quotas, demander des vérifications supplémentaires pour certains accès, repérer les schémas d’automatisation ou renforcer les clauses qui interdisent l’utilisation des sorties pour entraîner des modèles concurrents. Ces mesures sont davantage des instruments de contrôle d’accès que des protections absolues. Elles ne suppriment pas la possibilité de collecter des réponses, mais elles peuvent rendre une opération coûteuse, plus visible et plus risquée.

Cette dynamique explique pourquoi la distillation est devenue un sujet aussi sensible dans le marché des modèles fermés. Les entreprises investissent des montants considérables dans les infrastructures de calcul, le recrutement de chercheurs, l’acquisition de données, l’annotation, l’évaluation et la sécurité. Si des concurrents peuvent récupérer une fraction importante de la valeur de ce travail en interrogeant un produit final, l’incitation économique à financer les modèles les plus coûteux peut s’éroder.

À l’inverse, il serait simplificateur d’assimiler toute génération de données synthétiques ou toute imitation fonctionnelle à une appropriation illégitime. L’histoire de l’informatique est faite de produits concurrents qui proposent des fonctions similaires, suivent des standards communs ou cherchent à offrir de meilleures performances. Les modèles de langage sont soumis à la même réalité : deux systèmes entraînés sur des données différentes peuvent apprendre à écrire du code, résumer un contrat ou dialoguer en français sans qu’il soit possible d’inférer automatiquement un transfert de données entre eux.

La question devient donc probatoire. Qu’est-ce qui permet d’établir qu’un corpus a été constitué à partir des réponses d’un modèle précis ? Comment différencier une évaluation concurrentielle d’une collecte destinée à l’entraînement ? Quels indicateurs techniques peuvent être publiés sans dégrader les défenses du fournisseur ? Et quelles preuves seraient recevables dans des pays dont les règles sur les contrats numériques, les secrets d’affaires et les données d’entraînement diffèrent ?

La réponse ne sera probablement pas unique. Les entreprises chercheront à se protéger par leurs contrats et par la détection des abus. Les tribunaux, lorsqu’ils seront saisis, devront interpréter des situations souvent techniques. Les régulateurs pourront s’intéresser aux effets sur la concurrence, à la transparence des systèmes et à la circulation internationale des données. Les clients, eux, demanderont une garantie différente : que les restrictions contre la distillation ne rendent pas les API trop fermées, trop surveillées ou trop difficiles à intégrer dans des produits réels.

Un nouveau front dans la rivalité technologique entre Washington et Pékin

Le choix des trois entreprises visées donne immédiatement à l’affaire une dimension géopolitique. La concurrence dans l’IA ne porte plus seulement sur les chatbots et les interfaces conversationnelles. Elle concerne les semi-conducteurs, les centres de données, les outils de développement, les modèles ouverts, les règles d’exportation, les investissements et l’accès aux marchés étrangers. Les accusations de distillation viennent ajouter un angle supplémentaire : la circulation indirecte des capacités à travers les sorties de modèles accessibles en ligne.

Depuis plusieurs années, les États-Unis ont renforcé leurs contrôles sur l’exportation de technologies de calcul avancé vers la Chine, notamment dans le domaine des puces utilisées pour l’intelligence artificielle. L’objectif affiché de ces mesures est de limiter l’accès à certaines capacités de calcul de pointe. Mais la disponibilité d’un modèle américain par API crée un canal différent de transmission potentielle de capacités : non pas l’exportation d’une puce ou la remise des poids d’un modèle, mais l’accès aux résultats produits par ce modèle.

Cette différence est essentielle. Une réponse textuelle n’est pas équivalente à la livraison du modèle lui-même. Elle ne permet pas, à elle seule, de reconstruire l’ensemble des paramètres, des données d’entraînement ou de l’architecture. Toutefois, répétée sur un très grand nombre d’exemples pertinents, elle peut constituer un matériau de supervision utile. C’est précisément ce qui fait de la distillation un sujet difficile à insérer dans les catégories classiques du contrôle des exportations.

Un régime de sanctions ou de restrictions commerciales est généralement conçu pour des biens, des logiciels, des équipements ou des services identifiables. Les modèles accessibles à distance brouillent cette séparation. Un fournisseur peut héberger son système aux États-Unis ou dans un autre pays, facturer un accès logiciel et servir des utilisateurs dispersés dans le monde entier. Déterminer qui utilise réellement un service, au nom de quelle organisation et pour quel objectif est plus complexe qu’identifier l’acheteur d’un matériel physique.

Les accusations d’Anthropic peuvent donc nourrir les appels à un contrôle plus fort de l’accès aux modèles les plus avancés. Mais cette réponse comporte des risques. Une fermeture plus large des services américains pourrait accélérer la demande pour des modèles auto-hébergés, des systèmes ouverts ou des fournisseurs établis hors des États-Unis. Elle pourrait aussi fragmenter davantage le marché mondial, avec des écosystèmes techniques et réglementaires moins interopérables.

Le cas DeepSeek rend cette tension particulièrement visible. La montée des modèles ouverts ou téléchargeables a modifié l’équilibre du secteur. Pour les développeurs, les entreprises et les administrations, l’accès à un modèle pouvant être déployé localement offre davantage de contrôle sur les données, les coûts et la personnalisation. Pour les fournisseurs de modèles fermés, cette ouverture peut réduire leur capacité à imposer des conditions d’usage après la distribution. La compétition n’oppose donc pas seulement les États-Unis à la Chine ; elle oppose aussi des modèles économiques fondés sur l’API contrôlée à des stratégies de diffusion plus ouvertes.

La rivalité peut également avoir un effet paradoxal. Plus les fournisseurs de pointe verrouillent l’accès à leurs modèles, plus ils confirment que les sorties de ces modèles représentent une ressource stratégique. Plus ils affirment que ces sorties peuvent servir à améliorer des concurrents, plus ils renforcent l’idée que le comportement observable d’une IA possède une valeur économique autonome. Cette valeur devient alors un objet de protection, au même titre que les données, les algorithmes ou les infrastructures.

Pour Anthropic, la séquence s’inscrit dans une identité d’entreprise centrée sur la sûreté des systèmes d’IA. Fondée par d’anciens membres d’OpenAI, la société a construit sa notoriété autour de Claude et de travaux sur l’alignement, dont l’approche dite de l’IA constitutionnelle. Ses prises de position sur les risques de l’IA et sur la nécessité d’encadrer les modèles avancés donnent un relief particulier à son rapport. La distillation n’est pas présentée uniquement comme un manque à gagner commercial : elle peut aussi être perçue comme une manière de récupérer des comportements de modèles sans accéder au même niveau de contrôles, d’évaluations ou de garanties de sécurité.

Des conséquences concrètes pour l’Europe et le marché francophone

En France et dans le reste de l’Europe, l’affaire ne doit pas être lue comme un affrontement lointain entre entreprises américaines et chinoises. Les organisations européennes dépendent largement de modèles développés hors du continent, qu’elles consomment par API, à travers des assistants intégrés à des logiciels ou via des offres cloud. Elles peuvent également utiliser des modèles ouverts, les adapter à leurs propres données et en proposer des versions spécialisées. La distinction entre évaluation, adaptation et distillation est donc directement pertinente pour les entreprises françaises.

Un éditeur de logiciels français qui compare plusieurs modèles afin de sélectionner le meilleur pour son service client, sa traduction ou son aide à la programmation exerce une pratique normale du marché. Une société qui entraîne un modèle interne sur des données générées en masse par une API concurrente doit, en revanche, examiner de très près les clauses contractuelles du fournisseur. La difficulté ne tient pas seulement au droit applicable : elle concerne aussi la gouvernance interne. Les équipes produit, data et juridique doivent savoir d’où viennent les données synthétiques utilisées dans leurs pipelines.

Le règlement européen sur l’intelligence artificielle, l’AI Act, ne tranche pas à lui seul la question de la distillation entre entreprises. Son ambition principale porte sur la sécurité, la transparence et la gestion des risques associés aux systèmes d’IA. Il prévoit aussi un cadre pour les modèles d’IA à usage général. Mais les litiges portant sur l’usage de sorties d’API peuvent aussi relever du droit des contrats, du droit de la concurrence, du secret des affaires, du droit d’auteur selon les circonstances ou de règles nationales.

Pour les acteurs européens, cette superposition des cadres est un enjeu pratique. Les entreprises doivent respecter les conditions de leurs fournisseurs, protéger les données personnelles et les informations confidentielles transmises aux modèles, documenter leurs usages internes et anticiper la question de l’audit. Si les grands laboratoires durcissent leurs mécanismes de détection contre la distillation, les clients européens pourraient voir se multiplier les demandes de vérification, les limitations de volume ou les restrictions sur certains cas d’usage.

La question de la souveraineté numérique apparaît également en arrière-plan. La France et l’Europe cherchent à développer leurs propres capacités de calcul, leurs modèles de fondation et leurs alternatives aux plateformes américaines et chinoises. Des entreprises comme Mistral AI ont contribué à rendre plus visible l’ambition européenne dans les modèles de langage. Dans ce contexte, le débat sur la distillation a une double portée : il concerne la protection des investissements des laboratoires européens, mais aussi leur capacité à accéder légalement et équitablement aux meilleurs outils mondiaux pour évaluer leurs propres travaux.

Un marché trop fermé pourrait pénaliser les petites entreprises et les laboratoires de recherche qui n’ont pas les ressources des grands groupes. Un marché sans protections crédibles pourrait, à l’inverse, rendre plus difficile le financement de modèles coûteux et favoriser les acteurs capables de collecter massivement des données ou de mobiliser les plus grandes infrastructures. L’Europe devra donc arbitrer entre ouverture scientifique, concurrence, protection du savoir-faire et autonomie stratégique.

Le français ajoute une dimension spécifique. Les modèles de pointe sont souvent évalués en priorité sur l’anglais, même si leurs performances multilingues progressent. Les réponses de haute qualité en français, dans des domaines tels que le droit, l’administration, la santé, la finance ou l’éducation, ont une valeur particulière pour les développeurs locaux. La constitution de jeux de données synthétiques francophones est donc un enjeu industriel réel. Mais là encore, l’origine des données, les autorisations d’usage et les conditions contractuelles ne peuvent être traitées comme des détails techniques.

Vers une économie des sorties de modèles et des preuves techniques

L’épisode révélé par TechCrunch annonce probablement une évolution durable : les conflits liés à l’IA porteront de plus en plus sur les sorties des modèles, et non seulement sur les données qui entrent dans leur entraînement. Jusqu’ici, une grande partie du débat public s’est concentrée sur les corpus absorbés par les systèmes : contenus publiés en ligne, œuvres protégées, données personnelles, archives de presse, code source ou bases de données. La distillation déplace la focale vers les contenus générés après l’entraînement.

Cette évolution est logique. Les sorties des meilleurs modèles condensent des capacités difficiles à reproduire. Elles peuvent intégrer des raisonnements apparents, une mise en forme pédagogique, un style de dialogue, des stratégies de programmation ou des refus calibrés. Même si elles ne donnent pas accès à l’intégralité du système, elles peuvent offrir un levier pour entraîner des modèles plus petits ou plus spécialisés. La valeur se situe alors dans le comportement fourni à l’utilisateur, pas seulement dans les actifs invisibles hébergés dans un centre de données.

Les fournisseurs tenteront vraisemblablement d’améliorer la traçabilité de ces comportements. La recherche explore depuis longtemps diverses formes de filigranes ou de signatures statistiques pour les contenus générés par l’IA. Dans le texte, ces solutions sont difficiles à rendre robustes : une réponse peut être reformulée, traduite, résumée ou mélangée à d’autres données. Leur usage à des fins probatoires reste donc complexe. Une preuve convaincante devra sans doute combiner plusieurs éléments : journaux d’accès, structures de requêtes, volumes, liens entre comptes, analyses techniques et éventuellement éléments internes obtenus dans le cadre d’une procédure.

La bataille ne se limitera pas aux protections techniques. Les contrats deviendront plus explicites sur la réutilisation des sorties, la création de données synthétiques et l’entraînement de modèles. Les grandes entreprises clientes demanderont, de leur côté, des règles claires : peuvent-elles utiliser les résultats d’un assistant pour améliorer un moteur de recherche interne ? Pour produire des exemples de support client ? Pour entraîner un classifieur étroitement spécialisé ? Les réponses dépendront des fournisseurs, des offres et des licences, ce qui risque d’ajouter de la complexité à un paysage déjà fragmenté.

À long terme, l’affaire opposant Anthropic aux acteurs chinois qu’elle cite pourrait accélérer la séparation entre plusieurs catégories de services. D’un côté, des modèles fermés très performants, proposés sous accès contrôlé et accompagnés de restrictions fortes sur la réutilisation de leurs sorties. De l’autre, des modèles ouverts ou déployables localement, dont les utilisateurs assument davantage la responsabilité technique et juridique. Entre les deux, des modèles sous licences intermédiaires, permettant certains usages commerciaux mais imposant des conditions sur la redistribution, l’entraînement ou les volumes d’exploitation.

Cette segmentation ne résoudra pas entièrement le problème. Les entreprises continueront à tester les modèles des autres, les utilisateurs continueront à comparer leurs réponses et les frontières entre données d’évaluation, données synthétiques et données d’entraînement resteront poreuses. Mais la publication d’Anthropic marque une étape : elle transforme une pratique souvent discutée dans des cercles techniques en sujet explicite de gouvernance industrielle et de rivalité internationale.

Le futur de la compétition entre modèles dépendra donc moins d’une interdiction abstraite de la distillation que de la capacité des acteurs à définir des règles vérifiables. Si les protections deviennent trop opaques, elles pourraient limiter la recherche et consolider les plateformes dominantes. Si elles restent trop faibles, les investissements dans les modèles fermés pourraient être plus difficiles à défendre. Entre ces deux extrêmes, l’enjeu pour les laboratoires américains, chinois et européens sera de prouver qu’ils peuvent protéger leurs capacités sans transformer l’accès à l’intelligence artificielle en un marché entièrement cloisonné.