Satya Nadella a pris publiquement position contre OpenAI et Anthropic, précisément les entreprises dans lesquelles Microsoft a investi des milliards. Dans un post sur son blog, le PDG accuse les labs d’IA d’appliquer des règles asymétriques : ils s’entraînent librement sur des données publiques en invoquant l’usage équitable, mais interdisent contractuellement la distillation de leurs propres modèles (la pratique consistant à utiliser les outputs d’un modèle pour en entraîner un plus petit ou moins coûteux). Pire encore : ils apprennent des interactions des clients — prompts, corrections, retours d’information — en accumulant des connaissances propriétaires des entreprises qui utilisent leurs services.

Nadella appelle cela le « paradoxe informationnel inversé » : vous payez deux fois, avec de l’argent pour les tokens et avec la connaissance que vous révélez chaque fois que vous utilisez le modèle. « Chaque correction est distillée en savoir-faire institutionnel », écrit-il. C’est exactement le type d’information qu’un concurrent ne pourrait jamais acheter, et pourtant les entreprises la livrent.

Pourquoi ça vous concerne. Si vous utilisez des modèles propriétaires pour des tâches internes, vous permettez implicitement aux fournisseurs d’apprendre de votre travail. Nadella suggère trois actions : maintenir le contrôle de vos données (prompts, retours, interactions), construire des environnements d’apprentissage propriétaires sur le cloud (surprise : Azure est une option), et adopter des couches d’orchestration qui vous permettent de changer de fournisseur sans tout réécrire. La direction sous-entendue est claire : des modèles open source installés on-premise, où la boucle d’apprentissage reste dans vos murs. Idit Levine de Solo.io confirme cette tendance : « Les clients enterprise demandent de plus en plus souvent d’exécuter des modèles open source on-prem. Ça fait 90% de ce que font les grands, ça coûte beaucoup moins cher, et c’est vous qui le contrôlez ».

En détail

Le contexte : ce qu’il y avait avant

La distillation est une pratique établie en ML : vous utilisez les outputs d’un modèle large pour entraîner un modèle plus petit, plus rapide ou moins coûteux, qui imite le comportement du premier sur une tâche spécifique. C’est ainsi que naissent de nombreux modèles open-weight compétitifs : ils partent des outputs de modèles frontier. OpenAI et Anthropic l’interdisent explicitement dans les conditions de service, et en février Anthropic a accusé publiquement les labs chinois d’avoir envoyé des millions de prompts à Claude pour améliorer leurs propres modèles, demandant au gouvernement américain des contrôles d’export plus stricts.

Jusqu’à aujourd’hui, le récit des labs était simple : nous nous entraînons sur des données publiques pour usage équitable, vous ne pouvez pas vous entraîner sur nos outputs car c’est de la propriété intellectuelle protégée. Nadella appelle cela de l’hypocrisie : si l’usage équitable vaut pour scraper le web, il devrait aussi valoir pour apprendre à partir des modèles d’autrui.

Ce que Nadella dit sur les données des clients

Le point le plus dur du post concerne les « exhaust » : les données d’interaction que les entreprises génèrent en utilisant les modèles. Prompts, corrections (« le modèle s’est trompé, la bonne réponse est celle-ci »), notations, choix sur les outputs à conserver. Nadella soutient que c’est de la connaissance commerciale précieuse, et que les conditions actuelles permettent souvent aux fournisseurs de l’utiliser pour améliorer leurs propres modèles, construisant potentiellement des produits concurrents en se basant sur ce qu’ils ont appris de vos cas d’usage.

La solution proposée est prévisible pour le PDG d’un fournisseur cloud : conserver les données et la boucle d’apprentissage sur votre propre cloud, avec des outils qui permettent de changer de modèle sans réécrire l’intégration. Nadella ne dit jamais « open source », mais le sous-texte est clair.

Ce qui se passe sur le terrain

Les témoignages convergent : de nombreuses entreprises migrent déjà vers des modèles open-weight on-premise. Idit Levine, PDG de Solo.io (la tech derrière le projet Agentgateway de la Linux Foundation), dit que les clients enterprise — T-Mobile, ADP, SAP — après la phase d’expérimentation avec les modèles propriétaires se demandent : « Puis-je prendre un modèle open source et le faire tourner on-prem ? Il fera 90% de ce que fait le grand, ça coûtera beaucoup moins cher, et je le contrôlerai ».

Les données de trafic confirment : Vercel rapporte que les modèles open ont représenté 29% du trafic total à travers leur gateway le mois dernier. OpenRouter voit le même pattern. La poussée n’est pas idéologique : c’est le contrôle des coûts, une latence prévisible, et surtout la propriété de la boucle d’apprentissage.

Les limites de la position de Nadella

Nadella a un conflit d’intérêts évident : Microsoft a investi des milliards dans OpenAI, vend Azure comme plateforme pour l’IA, et pousse maintenant les entreprises à tout conserver sur le cloud (surprise : le sien). Sa critique des labs d’IA est sincère, mais la solution proposée n’est pas neutre : tout déplacer sur Azure, c’est quand même déléguer une part du contrôle à Microsoft.

Deuxièmement : la distillation n’est pas un droit symétrique à l’entraînement sur données publiques. Les données publiques sur le web n’ont pas de conditions de service les interdisant (le débat est de savoir si elles le devraient). Les outputs d’un modèle sont générés par un système qui a coûté des milliards et que le fournisseur vend comme service payant. L’analogie de Nadella tient sur le plan moral (« si tu peux, pourquoi pas moi ? »), mais sur le plan légal la différence existe.

Implications pratiques

Si vous utilisez ChatGPT ou Claude pour du travail interne, lisez les conditions sur ce que le fournisseur peut faire de vos interactions. OpenAI et Anthropic offrent des options enterprise où les données ne sont pas utilisées pour l’entraînement, mais vous devez les activer explicitement et payer souvent plus.

Si votre cas d’usage est répétitif et bien défini, évaluez des modèles open-weight que vous pouvez faire tourner vous-même. Pas pour l’idéologie, mais parce que la boucle d’apprentissage reste interne, les coûts sont fixes au lieu de dépendre des tokens, et vous n’entraînez pas implicitement le modèle de quelqu’un d’autre sur vos cas d’usage.

Si vous avez besoin de la frontière (raisonnement complexe, tâches jamais vues), les modèles propriétaires restent en avance. Mais utilisez des couches d’orchestration (gateway, router) qui vous permettent de changer de fournisseur sans tout réécrire. Les outils existent : Vercel AI SDK, OpenRouter, LangChain avec abstractions sur les fournisseurs. Ne vous attachez pas à une seule API.