Traiter vos données sensibles avec une IA souveraine

Avant de brancher la moindre IA, sachez ce que vous manipulez. Vraiment. Une donnée sensible est une information dont la divulgation vous expose, vous ou vos clients.

• Données personnelles et de santé au sens du RGPD
• Données financières et bancaires
• Secrets industriels, plans, procédés, savoir-faire
• Contrats, données clients, informations RH

Cartographiez ces flux et classez-les par niveau de sensibilité. Un tableau à 3 colonnes suffit, on ne vous demande pas une usine à gaz. Si la notion reste floue, notre définition de la souveraineté de l’IA pose le décor. Cette étape conditionne tout le reste, car le niveau de protection s’aligne sur la donnée la plus sensible du lot. C’est ce qui rend l’exercice si contraignant dans la santé et le médical, où la donnée la plus sensible est aussi la plus courante.

Tout se joue ici, et c’est le paragraphe à ne pas sauter. Une IA grand public peut réutiliser vos saisies pour l’entraînement, et les serveurs hors UE relèvent du Cloud Act américain.

Nous retenons 3 options selon la sensibilité.

• Un modèle souverain hébergé dans l’Union européenne, comme Mistral AI, dont les traitements restent en Europe
• Un modèle open weight auto-hébergé sur vos propres serveurs, aucune donnée ne sort de votre périmètre
• Pour le plus sensible, un hébergeur qualifié SecNumCloud par l’ANSSI, comme OVHcloud, Outscale ou Scaleway

La règle est simple. Aucune donnée sensible envoyée vers une API située hors UE. Pour comparer les offres, voyez notre panorama du cloud IA souverain en Europe et notre méthode pour choisir une IA souveraine pour votre entreprise.

Héberger en Europe ne règle pas tout. Un outil hébergé à Paris peut très bien prévoir, dans ses conditions, le droit de réutiliser ce que vous lui confiez pour entraîner un modèle, ou d’en céder l’usage à un tiers. La question se lit dans le contrat, pas sur la carte des serveurs.

Le précédent existe, et il est public. Début 2024, Reddit a conclu avec Google un accord de licence sur ses contenus, estimé à environ 60 millions de dollars par an selon Reuters. Un accord avec OpenAI a suivi en mai 2024, sans montant publié. Dans son dossier d’introduction en Bourse, Reddit a déclaré 203 millions de dollars de contrats de licence de données, sur des durées de 2 à 3 ans. Des contenus écrits pour un tout autre usage sont devenus une matière première vendue aux laboratoires d’IA.

La leçon pour une entreprise. Vos données n’ont pas besoin d’être volées pour servir à autre chose. Une clause acceptée d’un clic suffit. Dans tout contrat SaaS ou IA, lancez une recherche sur ces mots, en français et en anglais.

À CHERCHER DANS LES CONDITIONS ET LE CONTRAT (Ctrl+F)
  train, training, entraînement, apprentissage
  improve our services, amélioration des services
  machine learning, model, modèle
  aggregated, anonymized, données agrégées, anonymisées
  license to use Customer Data, licence d’utilisation
  third parties, affiliates, partenaires
  perpetual, irrevocable, sans limite de durée

La formule la plus trompeuse est « améliorer nos services ». Elle peut couvrir l’entraînement sans jamais le nommer. Un droit accordé à titre perpétuel ou irrévocable survit en plus à la fin de votre abonnement. L’exercice se fait en 10 minutes, nous l’avons mené sur le contrat de Jev, de TypeSafe AI, qui s’engage à ne pas entraîner de modèle sur vos données mais garde un droit d’usage pour sa télémétrie.

Le modèle de clause à demander. Ce n’est pas un conseil juridique, c’est une base de discussion que votre avocat ajuste avant envoi.

Usage des données du Client. Le Prestataire s’interdit d’utiliser les
données transmises par le Client, ainsi que les résultats produits à
partir de celles-ci, pour entraîner, affiner ou évaluer un modèle
d’intelligence artificielle, qu’il lui appartienne ou appartienne à un
tiers, y compris sous forme agrégée ou anonymisée, sauf accord écrit
préalable et spécifique du Client. Le Prestataire s’interdit de céder,
de concéder sous licence ou de mettre à disposition ces données à un
tiers à cette fin. Cette obligation survit à la fin du contrat.

Un fournisseur qui refuse cette clause vous donne une information précieuse. Vos données sensibles n’ont rien à faire chez lui.

Moins vous exposez de données, moins vous prenez de risques. Ce n’est pas plus compliqué que ça. Ce principe de minimisation figure au cœur du RGPD.

• Ne transmettez au modèle que les champs strictement utiles
• Anonymisez ou pseudonymisez les identifiants avant traitement
• Chiffrez les données au repos et en transit
• Cloisonnez les bases par projet et par sensibilité

Sur une architecture de type RAG, gardez vos documents dans une base interne et ne laissez le modèle interroger que ce périmètre contrôlé. Anonymiser en amont vaut mieux que réparer une fuite en aval.

Le filtre à passer avant chaque envoi, parce que la vigilance humaine ne tient pas dans la durée.

#!/usr/bin/env bash
# Anonymise un texte AVANT de l'envoyer a un service en ligne.
# A adapter a vos formats metier.

sed -E \
  -e 's/\b0[1-9]([ .-]?[0-9]{2}){4}\b/[TELEPHONE]/g' \
  -e 's/\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}\b/[EMAIL]/g' \
  -e 's/\b[0-9]{9}( ?[0-9]{5})?\b/[SIRET]/g' \
  -e 's/\bFR[0-9]{2}[ ]?([0-9A-Z]{4}[ ]?){2,7}\b/[IBAN]/g' \
  -e 's/\b[12][0-9]{2}(0[1-9]|1[0-2])[0-9AB][0-9]{5}[0-9]{3}\b/[NUM_SECU]/g' \
  -e 's/\b(Monsieur|Madame|Mme|M\.|Dr) [A-ZÀ-Ü][a-zà-ü-]+/[PERSONNE]/g' \
  "$1"

Le contrôle qui suit, et il compte autant que le filtre.

# Ce qui RESTE apres anonymisation. Relisez cette sortie avant d'envoyer.
./anonymiser.sh dossier.txt | grep -nE "[A-ZÀ-Ü][a-zà-ü]{3,}" | head -20

⚠ Ce que ce filtre ne retire pas, et c'est le point aveugle. Le contexte. Un dossier qui décrit une situation assez précise reste identifiable sans aucun nom, surtout dans une petite ville ou un secteur étroit.

👉 La règle qui en découle. L'anonymisation convient aux données personnelles ordinaires. Pour la santé, le juridique sensible et le bancaire, seule l'exécution locale répond vraiment, parce qu'il n'y a alors rien à anonymiser. Le versant réglementaire de ce choix, c'est ce que la certification HDS ne couvre pas.

Voici une idée fausse très répandue, et elle mérite d’être corrigée parce qu’elle mène à de vraies imprudences.

Pour qu’une IA retrouve les bons passages dans vos documents, ceux-ci sont d’abord convertis en longues suites de nombres. Beaucoup en concluent que le contenu est devenu illisible, donc protégé, et qu’on peut désormais l’envoyer n’importe où sans précaution.

C’est faux. Cette conversion n’a rien d’un chiffrement. Un chiffrement est conçu pour qu’il soit impossible de revenir en arrière sans la clé. Ici, l’opération vise l’inverse, elle doit conserver le sens du texte pour pouvoir le retrouver. Et ce qui conserve le sens permet de le reconstituer, au moins en partie.

La conséquence est directe. Ces suites de nombres doivent être traitées avec exactement le même soin que les documents d’origine. Même hébergement, mêmes accès restreints, mêmes contrats. Une base de ce type hébergée hors de l’Union européenne pose le même problème que les fichiers eux-mêmes.

Retenez la règle. Transformer n’est pas protéger. Seuls le lieu d’hébergement, le contrat signé et le cloisonnement des accès protègent réellement.

La technique ne sert à rien sans règles humaines. La quasi-totalité des incidents viennent d’un copier-coller malheureux un mardi après-midi. Pas d’un piratage.

• Limitez les accès aux seules personnes qui en ont besoin
• Rédigez une charte interne d’usage de l’IA
• Journalisez les traitements et conservez une traçabilité
• Menez une analyse d’impact (AIPD) pour les traitements à risque

Avant même de choisir un outil, il faut savoir lesquels tournent déjà sans que vous le sachiez. C’est le sujet du Shadow AI, et il concerne 98 % des entreprises.

Pensez aussi conformité en continu. Le RGPD et l’AI Act encadrent ces usages, notre article sur la réglementation de l’IA souveraine détaille vos obligations. Pour brancher tout cela proprement dans vos outils, suivez notre guide pour intégrer une IA souveraine à votre système d’information.

Certains secteurs ajoutent leurs propres règles par dessus celles-ci. La banque et la finance en sont l’exemple le plus strict, nous l’avons traité dans l’IA souveraine dans la banque et la finance.

Classer ses données avant de choisir un outil est le seul ordre qui fonctionne, et presque personne ne le fait dans ce sens. Nous le faisons avec vous en conseil.