Définir le système IA généraliste : au-delà du simple buzzword

Le terme « IA généraliste » circule dans tous les comités de direction sans définition partagée. L'AI Act, lui, tranche. Son Article 3(63) définit le modèle d'IA à usage général comme « un modèle d'IA, y compris lorsqu'il est entraîné à l'aide d'un grand volume de données recourant à l'auto-supervision à grande échelle, qui présente une généralité significative et est capable d'exécuter de manière compétente un large éventail de tâches distinctes, indépendamment de la manière dont il est mis sur le marché, et qui peut être intégré dans une variété de systèmes ou d'applications en aval ».

Trois notions structurent cette définition : la généralité significative, la polyvalence des tâches et l'intégrabilité en aval. Un modèle comme Mistral Large, Llama 3 ou Qwen répond à ces trois critères. À l'inverse, un système de détection de défauts sur chaîne de production, entraîné pour une seule tâche, n'est pas un GPAI : c'est un système d'IA spécifique.

Modèle ≠ système : la confusion la plus coûteuse

Le modèle est le moteur. Le système est le véhicule complet. Lorsqu'une PME industrielle installe Mistral 7B via Ollama et OpenWebUI pour interroger ses procédures internes en RAG (Retrieval-Augmented Generation, génération augmentée par récupération), elle exploite un modèle généraliste pour bâtir un système spécifique. Cette distinction n'est pas sémantique : elle détermine qui, du fournisseur du modèle ou de l'intégrateur, porte l'obligation de transparence, de documentation ou d'évaluation.

La CNIL ancre le propos côté français en rappelant que la qualification d'un traitement d'IA dépend de sa finalité réelle et non de la technologie sous-jacente. Autrement dit : deux entreprises utilisant le même modèle Llama 3 peuvent relever de régimes juridiques différents selon l'usage qu'elles en font. Pour approfondir le vocabulaire, notre glossaire IA détaille chacun de ces termes.

Les critères techniques de qualification : paramètres, FLOPs et modalités

L'AI Act ne se contente pas de définitions qualitatives. Ses considérants apportent des repères chiffrés que tout DSI devrait connaître. Le considérant 98 précise qu'un modèle disposant d'au moins un milliard de paramètres et entraîné sur un grand volume de données par auto-supervision à grande échelle doit être considéré comme présentant une généralité significative.

Les lignes directrices de l'AI Office ajoutent un critère indicatif décisif : un modèle dont le calcul d'entraînement dépasse 10^23 FLOP (opérations en virgule flottante) et qui peut générer du langage, des images à partir de texte ou de la vidéo à partir de texte est présumé généraliste.

Deux seuils à ne jamais confondre

Seuil Signification Conséquence réglementaire
10^23 FLOP Présomption de modèle à usage général Obligations GPAI de base (transparence, documentation, copyright)
10^25 FLOP Présomption de risque systémique (art. 51) Notification à la Commission, évaluation des risques, cybersécurité renforcée, reporting d'incidents

Le seuil de 10^25 FLOP correspond, selon les estimations d'Epoch AI reprises par l'AI Office, à un coût d'entraînement de plusieurs dizaines de millions d'euros — hors de portée de l'immense majorité des acteurs. Pour une PME française qui déploie un modèle open-weight souverain, ces seuils sont rassurants : vous êtes déployeur d'un système spécifique, pas fournisseur d'un modèle systémique.

La généralité au sein d'une seule modalité

Le considérant 99 rappelle qu'un modèle peut atteindre la généralité significative dans une seule modalité — texte, audio, image ou vidéo — dès lors que celle-ci est suffisamment flexible. Un modèle purement textuel comme Mistral 7B reste donc un GPAI, même sans capacité multimodale. Cette nuance évite de sous-qualifier un modèle au motif qu'il ne traite « que » du texte.

La chaîne de valeur : du modèle généraliste au système d'IA spécifique

Comprendre la qualification, c'est comprendre la chaîne de responsabilité. L'AI Act distingue clairement les rôles, et cette distinction gouverne l'ensemble des obligations.

Le fournisseur du modèle généraliste (Article 3(3)) est celui qui développe le GPAI et le met sur le marché de l'Union, à titre gratuit ou onéreux. Mistral AI, Meta ou Alibaba occupent cette position pour leurs modèles respectifs. Le fournisseur en aval (downstream provider) intègre ce modèle dans un système d'IA destiné à un usage métier. Le déployeur utilise le système sous sa propre autorité dans le cadre de son activité professionnelle.

Une même chaîne, plusieurs responsabilités

L'AI Office insiste sur un point souvent mal compris : les différentes étapes de développement d'un modèle ne constituent pas des modèles distincts. Le pré-entraînement, le fine-tuning et l'alignement font partie d'une même chaîne. Cela signifie que la responsabilité se transmet, mais ne se démultiplie pas artificiellement. Le fournisseur du modèle de base doit fournir une documentation technique permettant au fournisseur en aval d'assumer ses propres obligations — c'est la logique de transparence de la chaîne de valeur.

Pour un cabinet comptable de 12 salariés qui déploie un assistant RAG basé sur Qwen, la position est claire : il est déployeur. Il n'a pas à produire la documentation d'entraînement du modèle, mais il doit garantir la transparence vis-à-vis de ses collaborateurs et la conformité RGPD du traitement. Nos fiches métiers détaillent ces répartitions par profession.

Je ne re-détaille pas ici chaque obligation article par article : le réseau confie l'informationnel réglementaire de fond à un guide dédié, que je cite plus bas. Retenez que la position dans la chaîne détermine le régime applicable, et que la grille de conformité destinée aux PME françaises permet de cartographier précisément vos engagements selon votre rôle.

Identification et gestion des risques systémiques

Le risque systémique est la catégorie la plus exigeante, mais aussi la plus rare. L'Article 3(65) le définit comme un risque de préjudice à grande échelle émanant des modèles les plus avancés (state-of-the-art) à un instant donné, ou d'autres modèles ayant un impact équivalent.

Les critères de classification

Un GPAI bascule en risque systémique dans deux cas prévus à l'Article 51 :

  • Par le calcul : dépassement du seuil de 10^25 FLOP (art. 51(1)(a)), qui capture les modèles à la frontière technologique.
  • Par décision de la Commission : sur la base de critères de l'annexe XIII — évaluation des capacités, nombre d'utilisateurs, scalabilité, accès à des outils (art. 51(1)(b)).

Les risques évoqués par la Commission dans le considérant 110 sont concrets : abaissement des barrières au développement d'armes chimiques ou biologiques, ou perte de contrôle sur des modèles autonomes. Le fournisseur d'un tel modèle doit notifier la Commission, évaluer et atténuer les risques, mener des évaluations de modèle, signaler les incidents graves et garantir une cybersécurité adéquate.

Côté français, l'INESIA (Institut national d'évaluation et de sécurité de l'intelligence artificielle), qui associe l'INRIA, le LNE et le PEReN sous l'égide de l'ANSSI, travaille précisément sur l'analyse de ces risques systémiques dans le champ de la sécurité nationale. C'est un signal fort : la France se dote de moyens d'évaluation indépendants. Pour situer ces obligations dans le cadre d'ensemble, consultez notre hub AI Act.

Cybersécurité : sécuriser l'IA pour protéger les infrastructures

La conformité AI Act ne se joue pas seulement sur le papier. L'Article 15 impose robustesse, exactitude et cybersécurité aux systèmes à haut risque, mais renvoie la définition des spécificités techniques aux instances de normalisation CEN/CENELEC, auxquelles l'AFNOR contribue avec l'ANSSI. La conformité réglementaire et la sécurité opérationnelle sont donc indissociables.

L'ANSSI structure sa doctrine autour d'une triade que je reprends systématiquement dans mes installations souveraines :

  • La cybersécurité DE l'IA : protéger le modèle lui-même. Les systèmes d'IA présentent des vulnérabilités spécifiques — empoisonnement de données, extraction de modèle, injection de prompt — qui appellent des doctrines de sécurisation adaptées, au-delà des mesures classiques d'un système d'information.
  • La cybersécurité PAR l'IA : exploiter l'IA pour automatiser la détection et améliorer l'efficacité des dispositifs de défense.
  • La cybersécurité FACE à l'IA : anticiper l'usage offensif de l'IA par les attaquants, qui automatisent, personnalisent et font muter la menace.

Vers des schémas de certification dédiés

La France est un acteur majeur de la certification cyber en Europe. L'ANSSI plaide pour la création de schémas de certification dédiés aux systèmes d'IA de confiance, condition de leur adoption sur le marché. Pour une IA souveraine installée on-premise, cette approche est native : héberger le modèle dans votre infrastructure supprime les vecteurs d'exfiltration liés au cloud tiers. C'est exactement la logique de la souveraineté par la conformité que je défends chez IAPRO. Estimez le gain de cette approche avec notre calculateur de ROI IA.

Le cadre souverain : exemple du guide interministériel français

La France ne se contente pas de transposer le droit européen : elle produit sa propre doctrine d'usage. L'État a publié, via la DINUM (Direction interministérielle du numérique) et la DITP (Direction interministérielle de la transformation publique), le premier guide commun encadrant l'usage des IA génératives par les agents publics.

Ce guide structure l'usage autour de cinq principes que toute organisation privée peut adopter :

  1. Responsabilité humaine : l'agent reste décideur ; l'IA assiste mais ne tranche jamais seule.
  2. Protection des données sensibles : proscription de la saisie de données confidentielles ou personnelles dans des outils non maîtrisés.
  3. Transparence : signalement clair des contenus produits ou assistés par IA.
  4. Sobriété éthique : mobilisation de l'IA à bon escient, en tenant compte de son empreinte.
  5. Formation continue : montée en compétence des utilisateurs — écho direct à l'obligation d'AI literacy (art. 4 de l'AI Act), applicable depuis le 2 février 2025.

L'outil emblématique de cette souveraineté est Albert, l'IA générative développée par la DINUM, au déploiement sécurisé duquel l'ANSSI contribue. Albert démontre qu'un État peut opérer ses propres modèles sans dépendre d'acteurs extra-européens. C'est la preuve, à l'échelle publique, de ce que nous industrialisons pour les PME et ETI. Les dispositifs de financement de cette transition sont recensés dans notre hub aides.

Obligations de conformité : transparence, copyright et documentation

Depuis août 2025, les règles applicables aux fournisseurs de GPAI sont entrées en application. Sans les détailler article par article — le fond réglementaire relève du guide spécialisé cité plus haut —, retenez les trois piliers structurants.

Politique de copyright : le fournisseur doit mettre en place une politique de respect du droit d'auteur, notamment vis-à-vis de la réserve d'opt-out prévue par la directive sur le droit d'auteur dans le marché unique numérique.

Résumé du contenu d'entraînement : la Commission a publié en juillet 2025 un modèle de résumé public que les fournisseurs doivent renseigner, offrant une vue d'ensemble des données mobilisées.

Documentation technique : exhaustive, elle est particulièrement lourde pour les modèles à risque systémique et doit être transmise à l'AI Office et aux autorités nationales compétentes sur demande.

Le rôle des codes de conduite

La Commission a publié en juillet 2025 trois instruments d'accompagnement : des lignes directrices sur le périmètre des obligations, un Code de bonnes pratiques GPAI volontaire élaboré par des experts indépendants, et le modèle de résumé de contenu. Adhérer au Code de bonnes pratiques constitue une présomption de conformité utile. L'initiative AI Pact, volontaire elle aussi, permet aux acteurs d'anticiper les obligations avant leurs échéances. Ces outils souples abaissent le coût d'entrée dans la conformité pour les PME.

Méthodologie pratique : comment qualifier votre système IA ?

Voici la checklist que j'applique en ouverture de chaque audit IAPRO. Elle tient en quatre étapes et permet de positionner n'importe quel projet en moins d'une demi-journée.

Étape 1 — Analyse de la polyvalence. Votre outil exécute-t-il une tâche unique et bornée (classification de documents, détection d'anomalie) ou un large éventail de tâches distinctes ? Dans le premier cas, système spécifique ; dans le second, présence probable d'un modèle généraliste en amont.

Étape 2 — Évaluation des ressources d'entraînement. Le modèle sous-jacent dépasse-t-il 10^23 FLOP et un milliard de paramètres ? Si oui, il s'agit d'un GPAI. Dépasse-t-il 10^25 FLOP ? Alors surveillez la qualification en risque systémique — mais rassurez-vous, cela ne concerne qu'une poignée d'acteurs mondiaux.

Étape 3 — Identification de votre rôle. Développez-vous et mettez-vous le modèle sur le marché (fournisseur) ? L'importez-vous d'un pays tiers (importateur) ? L'utilisez-vous sous votre autorité (déployeur) ? Attention : un fine-tuning significatif peut vous transformer en fournisseur en aval.

Étape 4 — Diagnostic de risque systémique et de finalité. Vérifiez les critères de l'annexe XIII et surtout identifiez la finalité prévue (intended purpose) et les usages raisonnablement prévisibles. Un système d'IA spécifique peut par ailleurs relever du haut risque de l'annexe III (RH, scoring crédit, biométrie, santé) — dont l'échéance a été reportée au 2 décembre 2027 par l'accord omnibus du 7 mai 2026.

Documentez chaque réponse : cette traçabilité est votre première pièce de conformité.

ROI et stratégie : transformer la conformité en avantage compétitif

Qualifier finement, c'est calibrer. Trop d'entreprises appliquent par précaution un régime de haut risque à des systèmes qui n'en relèvent pas, gonflant inutilement leurs coûts. À l'inverse, sous-qualifier expose à des sanctions (art. 99, applicables au 2 août 2026). La bonne qualification protège des deux côtés.

Le Baromètre France Num de la Direction générale des entreprises confirme, édition après édition, que les TPE-PME françaises adoptent le numérique de façon inégale et que la confiance reste le premier frein. Or la Trustworthy AI — l'IA digne de confiance promue par le Règlement (UE) 2024/1689 tel que publié au Journal officiel de l'Union européenne — n'est pas qu'une contrainte : c'est un différenciateur commercial.

Un cabinet d'avocats qui prouve à ses clients que son assistant IA tourne on-premise, sans fuite de données vers un cloud extra-européen, transforme sa conformité en argument de vente. Une PME industrielle de 80 salariés qui documente sa chaîne de responsabilité rassure ses donneurs d'ordre. La conformité, quand elle est fine, devient un rempart juridique et cyber et un accélérateur d'adoption. C'est toute la vision de la souveraineté par la conformité que porte notre méthode.

FAQ — Qualification des systèmes d'IA sous l'AI Act

Quelle est la différence exacte entre un modèle d'IA généraliste et une application d'IA spécifique selon l'AI Act ?

Un modèle d'IA généraliste (GPAI, Article 3(63)) est un moteur polyvalent capable d'exécuter un large éventail de tâches distinctes et intégrable dans de nombreux systèmes en aval. Une application spécifique est le système métier qui intègre ce modèle pour une finalité bornée. Le modèle est le moteur ; le système est le véhicule complet mis à disposition de l'utilisateur.

À partir de quel seuil de calcul (FLOPs) un modèle d'IA est-il considéré comme présentant un risque systémique ?

Le seuil est fixé à 10^25 FLOP d'entraînement par l'Article 51(1)(a) de l'AI Act. Au-delà, le modèle est présumé présenter un risque systémique. À titre indicatif, le seuil de 10^23 FLOP sert, lui, à présumer le caractère généraliste. La Commission peut ajuster ces seuils par acte délégué pour suivre l'état de l'art.

Une entreprise qui utilise une API d'un grand modèle généraliste est-elle considérée comme « fournisseur » au sens du règlement ?

Non, en règle générale. Consommer un modèle via une API pour bâtir une application vous place en position de déployeur ou de fournisseur en aval du système, pas de fournisseur du modèle. Le fournisseur est celui qui développe le GPAI et le met le premier sur le marché de l'Union (Article 3(3)). Votre rôle exact dépend de la finalité de votre application.

Quelles sont les obligations spécifiques en matière de copyright pour les fournisseurs de modèles à usage général ?

Les fournisseurs de GPAI doivent mettre en place une politique de respect du droit d'auteur, en particulier vis-à-vis de la réserve d'opt-out prévue par la directive sur le droit d'auteur dans le marché unique numérique. Ils doivent aussi publier un résumé suffisamment détaillé du contenu utilisé pour l'entraînement, selon le modèle publié par la Commission en juillet 2025. Ces obligations s'appliquent depuis août 2025.

Comment l'ANSSI recommande-t-elle de sécuriser la chaîne de valeur d'un système IA ?

L'ANSSI promeut une approche par les risques structurée en trois volets : cybersécurité de l'IA (protéger le modèle contre les attaques spécifiques), cybersécurité par l'IA (automatiser la défense) et cybersécurité face à l'IA (anticiper les attaques automatisées). Elle plaide pour des schémas de certification dédiés aux systèmes d'IA de confiance et contribue aux normes CEN/CENELEC via l'AFNOR.

Le guide interministériel français sur l'IA générative est-il obligatoire pour toutes les entreprises privées ?

Non. Le guide commun DINUM/DITP encadre l'usage des IA génératives par les agents de l'État et n'a pas de valeur contraignante pour le secteur privé. Ses cinq principes — responsabilité humaine, protection des données sensibles, transparence, sobriété éthique, formation continue — constituent néanmoins une excellente base volontaire, alignée sur les exigences de l'AI Act, que toute organisation privée gagne à adopter.

Peut-on être considéré comme fournisseur d'IA si l'on modifie significativement un modèle généraliste par fine-tuning ?

Oui, potentiellement. Un fine-tuning ou une modification substantielle peut faire de vous un fournisseur en aval avec des obligations documentaires propres. L'AI Office précise toutefois que les différentes étapes de développement d'un même modèle ne constituent pas des modèles distincts. L'appréciation dépend de l'ampleur de la modification et de sa mise sur le marché ; un audit permet de trancher au cas par cas.

Quelles sont les sanctions en cas de non-conformité aux obligations de transparence sur le contenu d'entraînement ?

Les sanctions de l'AI Act (Article 99) deviennent applicables au 2 août 2026 et peuvent atteindre des montants proportionnés à la gravité et au chiffre d'affaires. Le détail des barèmes et de leur graduation relève d'une analyse dédiée : je renvoie vers le guide spécialisé du réseau plutôt que d'en recopier une version approximative, car ces montants sont techniques et sujets à interprétation.

Comment identifier les « usages prévisibles et raisonnables » qui pourraient sortir du cadre de l'usage prévu (intended purpose) ?

Il faut cartographier, au-delà de la finalité déclarée, les détournements raisonnablement anticipables par un opérateur diligent. Un assistant RH conçu pour trier des CV peut être détourné vers une notation discriminante : cet usage prévisible doit être documenté et encadré. La méthode consiste à lister les scénarios d'usage réels, y compris non voulus, puis à évaluer leur exposition au régime de haut risque.

Quel est le rôle des autorités nationales dans la surveillance du marché des modèles généralistes ?

Pour les GPAI, la surveillance relève principalement de l'AI Office de la Commission. Les autorités nationales compétentes, désignées dans chaque État membre d'ici le 2 août 2026, assurent la surveillance de marché des systèmes d'IA. En France, l'ANSSI apporte une assistance technique cyber sans être autorité de surveillance de marché, et l'INESIA évalue les risques systémiques liés à la sécurité nationale.

Pour aller plus loin avec IAPRO

Vous ne savez pas si votre outil relève du GPAI, du système spécifique ou du haut risque ? Notre audit de qualification IAPRO cartographie en une demi-journée votre position dans la chaîne de valeur, vos obligations réelles et vos angles morts cyber — puis nous installons, si pertinent, une IA souveraine on-premise calibrée sur ce diagnostic. Discutons de votre cas concret : contactez l'équipe IAPRO pour un premier échange sans engagement.

Liens utiles